2025-03-282025-03-282024Chicaiza Salazar, W.D., Gómez Jiménez, J., González Camacho, P. y Escaño González, J.M. (2024). Modelos de predicción neuro-borrosos para un aerogenerador en una planta de fabricación industrial. En XIX Simposio CEA de Control Inteligente Universidad de Burgos: Universidad de Burgos.9788418465970https://hdl.handle.net/11441/171136Esta obra está bajo una licencia de Creative Commons Atribución-NoComercial-SinDerivadas 4.0 InternacionalEste trabajo se centra en el desarrollo de modelos de predicción neuro-fuzzy para un sistema de energía renovable basado en una red Adaptive Neuro-Fuzzy Inference System (ANFIS), un aerogenerador que forma parte de una planta de fabricación industrial multimáquina. Este modelo es una parte del conjunto de modelos que forman el gemelo digital de la planta de fabricación que se utilizar a para realizar estrategias de control y optimización para maximizar el uso de fuentes de energía renovables dentro de una arquitectura de Gemelo Digital (GD) de sus contrapartes físicas. El modelo se utiliza para capturar el comportamiento del aerogenerador. Se aplica un proceso de agrupación para mitigar la saturación de datos y conseguir un comportamiento realista de la generación de energía. Los modelos neurofuzzy obtenidos muestran un buen rendimiento de las predicciones de la dinámica no lineal en todo el rango de operación en ambos sistemas. Se ha ideado un método para seleccionar la predicción más fiable entre las distintas disponibles, centrándose en su aplicabilidad a la producción.This paper focuses on developing neuro-fuzzy prediction models for a renewable energy system based on an Adaptive Neuro Fuzzy Inference System (ANFIS) network, a wind turbine that is part of a multi-machine industrial manufacturing plant. This model is a part of the set of models that form the digital twin of the manufacturing plant that will be used to realize control and optimization strategies to maximize the use of renewable energy sources within a Digital Twin (DT) architecture of their physical counterparts. The modelis used to capture the behavior of the wind turbine. A clustering process is applied to mitigate data saturation and achieve realistic power generation behaviour. The neurofuzzy models obtained show a good performance of the predictions of the non-linear dynamics throughout the operating range in both systems. A method has been devised to select the most reliable forecast among the various forecasts available, with a focus on its applicability to production.application/pdf6 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Modelado neuroborrosoANFISACPPCANeuro-Fuzzy modelinginfo:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/openAccess