Tesis de Maestría en Electricidad Mención Energías Renovables y Eficiencia Energética
Permanent URI for this collection
Browse
Browsing Tesis de Maestría en Electricidad Mención Energías Renovables y Eficiencia Energética by Subject "Aprendizaje Profundo, Consumo Energético, FCNN, LSTM, Predicción"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
Item Open Access Predicción de la demanda eléctrica a corto plazo utilizando herramientas de Aprendizaje Profundo(PUCESE - Programa de Maestría en Electricidad, Mención Energías Renovables y Eficiencia Energética, 2024-05-21) Bermudes Macias, Pablo Ruben; Chamba León, Marlon SantiagoEl presente artículo realiza la predicción de la demanda eléctrica de corto plazo mediante el empleo de herramientas de aprendizaje profundo para el sistema eléctrico ecuatoriano, y específicamente en la provincia de Santa Elena-Ecuador. Se realizó la predicción con dos modelos de redes neuronales: Red neuronal de memoria de corto-largo plazo (LSTM) y Red neuronal de capa totalmente conectada (FCNN). Además, se incorporaron variables exógenas, como la temperatura y la humedad relativa. Los datos históricos de las variables exógenas fueron adquiridos de la página de la NASA POWER | DAVe, con el objetivo de explorar la relación existente entre estas variables y el consumo de energía. Posteriormente, se realizó un procesamiento de los datos y se entrenó ambas redes neuronales. Los resultados indican una robustez en la predicción de la demanda eléctrica para ambas arquitecturas; sin embargo, la red LSTM exhibe una precisión notablemente superior, evidenciada por un Coeficiente de Determinación (𝑅2) de 0.986 superiores en comparación con la FCNN. Estos hallazgos sugieren que la LSTM posee una capacidad mejorada para modelar y anticipar la demanda eléctrica, puesto que consideran la correlación con variables exógenas que afecta el consumo de energía eléctrica.