Predicción de la demanda eléctrica a corto plazo utilizando herramientas de aprendizaje profundo

Simple item page
dc.contributor.advisorChamba León, Marlon Santiago
dc.contributor.authorBermudes Macias, Pablo Ruben
dc.date.accessioned30/05/2024 15:20
dc.date.available30/05/2024 15:20
dc.date.issued2024
dc.descriptionArtículo presentado previo a la obtención del Grado de Magíster en Electricidad, Mención Energías Renovables y Eficiencia Energéticaes
dc.description.abstractEl 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.
dc.id.advisor1103694434
dc.id.author803420827
dc.identifier.citationPOS.1080es
dc.identifier.urihttps://repositorio.puce.edu.ec/handle/123456789/43475
dc.language.isoes
dc.publisherPUCE - Esmeraldas
dc.subjectAprendizaje profundo
dc.subjectConsumo energético
dc.subjectRedes neuronales convolucionales
dc.subjectRedes LSTM
dc.subjectPredicción de demanda energética
dc.titlePredicción de la demanda eléctrica a corto plazo utilizando herramientas de aprendizaje profundo
dc.typeArticle
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
DOCUMENTACIÓN MODALIDAD ARTÍCULO – GÓMEZ -BERMUDES-1.pdf
Size:
1.05 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Tesis de Maestría en Electricidad Mención Energías Renovables y Eficiencia Energética