Modelos Autorregresivos para Predecir la Velocidad del Viento en la Zona Rural Socabaya de Perú, 2022

• Quispe, Reynaldo ^[1] ; Huamani, Renzon ^[2]
  1. [1] Universidad Nacional José María Arguedas

     Universidad Nacional José María Arguedas

     Andahuaylas, Perú

     
  2. [2] Universidad Nacional de San Agustín de Arequipa, Departamento Académico de Física, Arequipa, Perú
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 54, Nº. 1, 2024 (Ejemplar dedicado a: Revista Politécnica), págs. 7-14
• Idioma: español
• DOI: 10.33333/rp.vol54n1.01
• Títulos paralelos:
  • Autoregressive Models for Forecasting Wind Speed in the Rural Area of Socabaya, Peru, 2022
• Enlaces
  • Texto completo
• Resumen
  • español

    La zona rural del Perú presenta una gran variabilidad de vientos, su desconocimiento debido a la ausencia de modelos de predicción tiene un efecto desfavorable en la agricultura, infraestructura, seguridad, transporte y optimización de la energía eólica. Este trabajo obtiene un modelo de media móvil integrada autorregresiva (ARIMA) de predicción de la rapidez de viento en el lenguaje de programación R para la zona rural del Perú, distrito de Socabaya de Arequipa. La metodología consiste en el método cuantitativo y técnica documental, con una muestra de 334 datos de viento del año 2022 de la estación meteorológica Administración Nacional de Aeronáutica y Espacio (NASA) (POWER, 2023) para el distrito de Socabaya. Utilizando R, se aplicó el método paramétrico: Dicker-Fuller, Levene, D'Agostino, Kwiatkowski–Phillips–Schmidt–Shin (KPSS) y diferenciación (d=1) para lograr la normalidad y estacionariedad de los datos. Se analiza la función de autocorrelación simple (ACF) y función de autocorrelación parcial (Parcial ACF) mediante un proceso de ajuste recursivo, criterio de información de Akaike (AIC) para elegir el mejor modelo ARIMA de predicción. El resultado obtenido es el modelo de predicción de viento ARIMA (1, 1, 2), con una precisión de error de escala absoluta de media (MASE) de 0,849. Se concluye que el modelo ARIMA obtenido puede usarse para predecir la velocidad de viento en Socabaya a corto plazo, desde el 29 de noviembre hasta 8 de diciembre del 2022, y su aleatoriedad estaría influenciado por la variabilidad climática y cantidad de datos del año 2022.

  • English

    The rural area of Peru presents a great variability of winds, its ignorance due to the absence of prediction models has an unfavorable effect on agriculture, infrastructure, security, transportation and optimization of wind energy. This work obtains an autoregressive integrated moving average (ARIMA) model for the prediction of wind speed in the R programming language for the rural area of Peru, Socabaya district of Arequipa. The methodology consists of the quantitative method and documentary technique, with a sample of 334 wind data from the year 2022 from the National Aeronautics and Space Administration (NASA) meteorological station (POWER, 2023) for the Socabaya district. Using R, the parametric methods Dickey-Fuller, Levene, D'Agostino, Kwiatkowski-Phillips-Schmidt-Shin (KPSS), and differencing (d=1) were applied to achieve normality and stationarity of the data. The simple autocorrelation function (ACF) and partial autocorrelation function (Partial ACF) are analyzed by means of a recursive adjustment process, Akaike's Information Criterion (AIC) to choose the best ARIMA prediction model. The result obtained is the ARIMA (1, 1, 2) wind prediction model, with a mean absolute scale error (MASE) precision of 0.849. It is concluded that the ARIMA model obtained can be used to predict the wind speed in Socabaya in the short term, from November 29 to December 8, 2022, and its randomness would be influenced by climate variability and amount of data from the year 2022.

• Referencias bibliográficas
  • Badi, I., Pamucar, D., Stevic, Z., & Muhammad, L. J. (2023). Wind farm site selection using BWM-AHP-MARCOS method: A case study of Libya....
  • Benia, T. K., Goswami, S., & Banerjee, A. (2022). Application of SPSS for Forecasting of Renewable Energy as Future Energy in India. In...
  • Bórawski, P., Beldycka-Bórawska, A., Jankowski, K. J., Dubis, B., & Dunn, J. W. (2020). Development of wind energy market in the European...
  • Cadenas, E., & Rivera, W. (2010). Wind speed forecasting in three different regions of Mexico, using a hybrid ARIMA–ANN model. Renewable...
  • Cadenas, E., Rivera, W., Campos-Amezcua, R., & Heard, C. (2016). Wind speed prediction using a univariate ARIMA model and a multivariate...
  • Dönmez, K., Cetek, C., & Kaya, O. (2022). Air traffic management in parallel-point merge systems under wind uncertainties. Journal of...
  • Dumitru, C. D., & Gligor, A. (2019). Wind energy forecasting: a comparative study between a stochastic model (ARIMA) and a model based...
  • Gómez Arévalo, G. A. (2016). Desarrollo de una metodología para obtener un atlas de viento de una microzona con datos disponibles de corto...
  • Grigonyte, E., & Butkeviciute, E. (2016). Short-term wind speed forecasting using ARIMA model. Energetika, 62(1-2). https://doi.org/10.6001/energetika.v62i1-2.3313
  • Hodge, B.S., Zeiler, A., Brooks, D., Blau, G.E., Pekny, J.F., & Reklatis, G. (2011). Improved Wind Power Forecasting with ARIMA Models....
  • Hui, L., Tian, H. Q., & Li, Y. F. (2015). An EMD-recursive ARIMA method to predict wind speed. J Wind End Ind Aerodyn, 141, 27e38. https://doi.org/10.1016/j.jweia.2015.02.004
  • Jastrzebska, A., Hernández, A. M., Nápoles, G., Salgueiro, Y., & Vanhoof, K. (2022). Measuring wind turbine health using fuzzy-concept-based...
  • Shewhart, W. A., Wilks, S. S., Balding, D. J., Cressie, N. A. C., Fitzmaurice, G. M., Givens, G. H., Goldstein, H., Molenberghs, G., Scott,...
  • Li, X., Cao, Y., Yu, X., Xu, Y., Yang, Y., Liu, S., ... & Wang, Z. L. (2022). Breeze-driven triboelectric nanogenerator for wind energy...
  • Pilco Sánchez, V. K., & Acurio Martinez, W. D. (2019). Técnicas estadísticas para la modelación y predicción de la temperatura y velocidad...
  • POWER Data Access Viewer. (2023). Recuperado de https://power.larc.nasa.gov/data-access-viewer/ (consultado el 20 de diciembre de 2022)
  • Pulido Calvo, I., Roldán Cañas, J., López Luque, R., & Gutiérrez Estrada, J. C. (2002). Técnicas de predicción a corto plazo de la demanda...
  • Salman, A. G., & Kanigoro, B. (2021). Visibility forecasting using autoregressive integrated moving average (ARIMA) models. Procedia Computer...
  • Sim, S. K., Maass, P., & Lind, P. G. (2018). Wind speed modeling by nested ARIMA processes. Energies, 12(1), 69. https://doi.org/10.3390/en12010069
  • Stigter, C. J., Mohammed, A. E., Nasr Al-Amin, N. K., Onyewotu, L. O. Z., Oteng’i, S. B. B., & Kainkwa, R. M. R. (2002). Agroforestry...
  • Uriel, E. (1985). Análisis de series temporales modelos Arima (No. 517.2/U77a).
  • Zahedi, R., Ghorbani, M., Daneshgar, S., Gitifar, S., & Qezelbigloo, S. (2022). Potential measurement of Iran's western regional wind...
  • Ziemba, P., Waatróbski, J., Ziolo, M., & Karczmarczyk, A. (2017). Using the PROSA method in offshore wind farm location problems. Energies,...