| dc.contributor | Quinatoa, Carlos | |
| dc.creator | Naula Saquinga, Henry Sebastián | |
| dc.creator | Oscurio Ordoñez, Darwin Stalin | |
| dc.date | 2022-01-06T20:48:42Z | |
| dc.date | 2022-01-06T20:48:42Z | |
| dc.date | 2021-08 | |
| dc.date.accessioned | 2023-08-08T21:29:43Z | |
| dc.date.available | 2023-08-08T21:29:43Z | |
| dc.identifier | Naula Saquinga Henry Sebastián, Oscurio Ordoñez Darwin Stalin, (2021), Predicción de la demanda de energía eléctrica a corto plazo utilizando redes neuronales artificiales. UTC. Latacunga. 103 p. | |
| dc.identifier | PI-001712 | |
| dc.identifier | http://repositorio.utc.edu.ec/handle/27000/7903 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8081234 | |
| dc.description | The implementation of artificial neuronal networks was carried out due to the problem that exists in the forecast of short-term electricity demand which affects the performance of load flow, safety analysis, hydrothermal coordination, preventive maintenance plan of generators and economic dispatch. Therefore, a computational tool based on artificial neural networks was developed, through the MATLAB computer program, using real data from the PRI12 ‘Santa Rosa de Pichul ’-‘ San Gerardo ’feeder, which allowed to analyze the behavior of the hourly electric demand in order to obtain an optimal forecast. The program is established by the graphical interface (GUIDE) with three modules such as historical data, neural network training and electrical demand forecast, for this research study the ANN is composed by an input layer, a hidden layer (hyperbolic tangent activation function) and an output layer (linear activation function), using the Levenberg-Marquardt training algorithm by using 288 delays, 10 neurons, 80% training data, 10% validation data and 10% test data, thus obtaining adequate performance results of 1. 01 x 10 ^ -7, in the same way it presents the best adjustment to the behavior of the data series with a percentage error of 1.60%, finally on the basis of the statistical curves of the real and predicted values an error of 0.99% was obtained, finding a satisfactory short-term forecast. | |
| dc.description | La implementación de la redes neuronales artificiales se realizó debido al problema que existe
en la predicción de la demanda eléctrica a corto plazo el cual afecta el desempeño del flujo de carga, análisis de seguridad, coordinación hidrotérmica, plan de mantenimiento preventivo de los generadores y despacho económico, por lo que se ha optado en el desarrollo de una herramienta computacional, basado en redes neuronales artificiales mediante el programa computacional MATLAB, utilizando datos reales del alimentador PRI12 Santa Rosa de Pichul – San Gerardo, esto permitió realizar un análisis del comportamiento de la demanda eléctrica horaria con el objetivo de obtener una predicción optima. El programa está conformado por la interfaz gráfica (GUIDE) con tres módulos tales como datos históricos, entrenamiento de la red neuronal y predicción de la demanda eléctrica, para este proyecto de investigación la RNA está compuesta por una capa de entrada, una capa oculta (función de activación tangente hiperbólico) y una capa de salida (función de activación lineal), utilizando el algoritmo de entrenamiento levenberg-marquardt mediante 288 retrasos, 10 neuronas, 80 % de datos de entrenamiento, 10 % datos de validación y 10 % de datos de prueba, así obteniendo resultados adecuados de rendimiento del 1.01 x 10^-7, de igual forma presenta el mayor ajuste al comportamiento de la serie de datos con un error porcentual del 1,60 %, finalmente en base de las curvas estadísticas de los valores reales y pronosticados se obtiene un error del 0,99%, obteniendo una predicción a corto plazo satisfactoria. | |
| dc.format | 103 páginas | |
| dc.language | spa | |
| dc.publisher | Ecuador: Latacunga: Universidad Técnica de Cotopaxi: UTC. | |
| dc.rights | openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | |
| dc.subject | DEMANDA ELÉCTRICA | |
| dc.subject | REDES NEURONALES ARTIFICIALES | |
| dc.subject | TANGENTE HIPERBÓLICA | |
| dc.subject | LEBEMBERG - MARQUART Y FUNCIÓN LINEAL | |
| dc.subject | INGENIERÍA ELÉCTRICA | |
| dc.title | Predicción de la demanda de energía eléctrica a corto plazo utilizando redes neuronales artificiales. | |
| dc.type | bachelorThesis | |
