Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/13737Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Flores Gómez, William%1343246 | - |
| dc.creator | Flores Gómez, William%1343246 | - |
| dc.date.accessioned | 2026-08-15T02:08:29Z | - |
| dc.date.available | 2026-08-15T02:08:29Z | - |
| dc.date.issued | 2026-08-06 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/13737 | - |
| dc.description | La transición hacia fuentes de energía limpias en entornos urbanos enfrenta retos técnicos debido a que la infraestructura de las ciudades genera rugosidad, dificultando la predicción del viento. Los métodos tradicionales de pronóstico, como el modelo univariado ARIMA, presentan limitaciones ante estas variaciones no lineales debido a su incapacidad para procesar factores termodinámicos simultáneos como la temperatura. Para mitigar esta incertidumbre, esta investigación desarrolló y validó un modelo multivariado de pronóstico de velocidad del viento a corto plazo utilizando Redes Neuronales Recurrentes de Memoria a Corto y Largo Plazo (LSTM). La metodología empleó 8,776 registros horarios del año 2024 provenientes de la estación de monitoreo de Nezahualcóyotl. El preprocesamiento de los datos incluyó la imputación de faltantes mediante interpolación lineal con ruido gaussiano, normalización Min-Max y la selección de la velocidad del viento y la temperatura como variables de entrada. Tras optimizar los hiperparámetros, se seleccionó una arquitectura en "embudo profundo" (128-64-32 neuronas con Dropout de 0.2), cuya estabilidad se verificó mediante 10 ejecuciones independientes, logrando una precisión promedio del 79.77% (con ±0.85% de desviación estándar). La evaluación del modelo se realizó con un conjunto independiente de 745 horas correspondiente a enero de 2025. La red LSTM obtuvo una precisión del 80.71% (MAPE: 19.29%, MAE: 0.4787 m/s, RMSE: 0.6607 m/s) frente al 78.98% de ARIMA (MAPE: 21.02%, MAE: 0.5217 m/s, RMSE: 0.7083 m/s). Estos resultados confirman que la integración de variables exógenas y la flexibilidad no lineal de la red LSTM reducen el error predictivo en microclimas urbanos, consolidando la arquitectura como un instrumento para la evaluación preliminar del recurso eólico en ciudades. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | Inteligencia artificial, LSTM, ARIMA, pronóstico del viento, entornos urbanos, recurso eólico | es_MX |
| dc.title | Aplicación de Inteligencia Artificial para el pronóstico de series temporales de velocidad del viento en entornos urbanos para la evaluación del recurso eólico | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | Estrada Esquivel, Hugo%216754 | - |
| dc.contributor.director | Claudio Pachecano, Luisana%393210 | - |
| dc.folio | 1579 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Maestría en Ciencias de la Ingeniería | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MI_William_Flores_Gomez_2026.pdf | Tesis | 2.52 MB | Adobe PDF | View/Open |
| MI_William_Flores_Gomez_2026_c.pdf Restricted Access | Cesión de derechos | 178.27 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
