Predicción de la demanda eléctrica de los edificios de la Facultad de Derecho y Edificio E de la UDEP mediante el uso de redes neuronales LSTM y TCN

• Autores: Guerrero Meza, José Renato, Renteros Parra, Bruno Eduardo
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/5673
• Enlace del recurso: https://hdl.handle.net/11042/5673
• Nivel de acceso: acceso abierto
• Materia: Edificios universitarios -- Iluminación -- Control automático; Redes neuronales (Computadores) -- Aplicación; Control predictivo -- Investigaciones; 629.83; https://purl.org/pe-repo/ocde/ford#2.02.03

El objetivo de la tesis es comparar dos modelos de predicción de series temporales haciendo uso de modelos de redes neuronales LSTM (Long-Short Term Memory) y TCN (Temporal Convolutional Neural Network) y con el mejor modelo, diseñar una interfaz gráfica para la predicción de la demanda eléctrica de un día entero de los edificios de la Facultad de Derecho y Edificio E de la Universidad de Piura. Con tal fin se determina el perfil de consumo de los edificios mencionados para el estudio en la Universidad de Piura, se analizan los datos históricos de demanda eléctrica y definen las características que permitirán tener una predicción acertada. Asimismo, se entrenan los algoritmos con los datos históricos, modificando los hiperparámetros hasta obtener modelos precisos. Seguidamente, se analizan los resultados y compara el desempeño de ambos modelos. Asimismo, se explica el desarrollo de una interfaz gráfica que permite al usuario obtener la predicción de la demanda eléctrica de un día entero, en una resolución treintaminutal, a partir de un archivo con datos del día anterior. Finamente, se elige el modelo más destacado e implementa en una interfaz gráfica amigable con el usuario. Se concluye que los resultados demuestran que ambos modelos son bastante buenos en la predicción de la demanda eléctrica; sin embargo, el modelo TCN se mostró ligeramente superior en cuanto a velocidad de entrenamiento y precisión. Este modelo obtuvo un tiempo medio de 4.54 segundos por época y un MAPE de 8.4%, comparados a los 5.92 segundos por época y 10.4% de MAPE del modelo LSTM. Se concluye asimismo que con la interfaz gráfica se entrega una herramienta amigable con el usuario, que permite la predicción de la demanda eléctrica, evidenciando la importancia de la implementación de la inteligencia artificial en la industria eléctrica y sus grandes beneficios.