Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.12104/73579
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorGurubel Tun, Kelly Joel
dc.contributor.advisorOsuna Enciso, José Valentín
dc.contributor.authorCárdenas Grajeda, Juan José
dc.date.accessioned2019-06-13T23:59:35Z-
dc.date.available2019-06-13T23:59:35Z-
dc.date.submitted2015
dc.identifier.urihttps://hdl.handle.net/20.500.12104/73579-
dc.identifier.urihttp://wdg.biblio.udg.mx
dc.description.abstractLos sistemas híbridos basados en energías renovables son ampliamente utilizados alrededor del mundo para satisfacer demandas energéticas en lugares remotos o complementariamente en lugares donde se dispone de un contrato con la red eléctrica [1-3]. El comportamiento óptimo de este tipo de sistemas está sujeto a variaciones de las fuentes renovables tales como irradiancia y velocidad de l viento, así como a las variaciones del perfil de demanda energética. La principal ventaja de estos sistemas radica en la capacidad de satisfacer la demanda en cualquier instante de tiempo y almacenar el exceso para condiciones de déficit. Debido a las incertidumbres en las fuentes renovables y la demanda de carga, resulta necesaria una estimación probabilística del comportamiento de estas variables para cuantificar la confiabilidad del sistema energético. El diseño de los modelos matemáticos de los sistemas híbridos puede estar basado en procesos estocásticos o ser alimentados con datos estimados de las fuentes renovables para calcular la potencia [4-6]. Otra variable relevante de los sistemas híbridos es su dimensionamiento óptimo que asegure la disponibilidad de energía limpia reduciendo el uso de las fuentes convencionales y el costo total del sistema [1-3,7]. Debido a la emisión de gases que provocan el efecto invernadero es relevante minimizar el uso de las fuentes convencionales de energía basadas en combustibles fósiles y maximizar el uso de fuentes renovables.
dc.description.tableofcontentsÍNDICE 1. INTRODUCCIÓN l 2 2 7 10 10 11 16 1.1 Modelos de sistemas híbridos 1.2 Predicción de incertidumbres 1.3 Estrategias de optimización 2. MARCO TEÓRICO 2.1 MODELADO MATEMÁTICO 2.1.1 Componentes del sistema híbrido 2.1.2 Operación del sistema híbrido 2.1.3 Función de costo 18 2.1.4 Probabilidad de pérdida en el suministro de potencia 19 2.1.5 Restricciones 20 2.2 REDES NEURONALES 21 2.2.1 Identificación y predicción neuronal 21 2.2.2 Filtro de Kalman Extendido 24 2.3 ALGORITMOS DE OPTIMIZACIÓN 26 2.3.1 Algoritmo de selección clona) artificial 26 2.3.2 Algoritmo genético 27 3. SISTEMA HÍBRIDO ENERGÉTICO 29 3 .1 SISTEMA HÍBRIDO EN MODO AISLADO (OFF GRID) 29 3.2 SISTEMA HÍBRIDO CONECTADO A LA RED (ON GRID) 30 4. RESULTADOS 35 4.1 PREDICCIÓN DE FUENTES RENOVABLES Y DEMANDA DE CARGA 36 4.2 RESULTADOS DEL SISTEMA EN MODO AISLADO 38 4.3 RESULTADOS DEL SISTEMA EN MODO CONECTADO A LA RED 41 CONCLUSIONES 47 APÉNDICE A 49 PUBLICACIONES 50 BIBLIOGRAFÍA 51
dc.formatapplication/PDF
dc.language.isospa
dc.publisherBiblioteca Digital wdg.biblio
dc.publisherUniversidad de Guadalajara
dc.rights.urihttps://wdg.biblio.udg.mx/politicasdepublicacion.php
dc.titleDimensionado Óptimo de un Sistema Híbrido con Almacenamiento en la Red Eléctrica Basado en Predicciones Neuronales de Fuentes Renovables
dc.typeTesis de Doctorado
dc.rights.holderUniversidad de Guadalajara
dc.rights.holderCárdenas Grajeda, Juan José
dc.type.conacytDoctoralThesis-
dc.degree.nameDoctorado en Agua y Energía-
dc.degree.departmentCUTONALA-
dc.degree.grantorUniversidad de Guadalajara-
dc.rights.accessopenAccess-
dc.degree.creatorDoctor en Agua y Energía-
Appears in Collections:CUTONALA

Files in This Item:
File SizeFormat 
DCUTONALA00003.pdf
Restricted Access
895.02 kBAdobe PDFView/Open    Request a copy


Items in RIUdeG are protected by copyright, with all rights reserved, unless otherwise indicated.