Predicción de la demanda de energía eléctrica en el alimentador QU-03 utilizando redes neuronales artificiales en el período 2023-2027

• Autores: Huanca Ttito, Giovanni Osver, Huaman Quispe, Jorge
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/11015
• Enlace del recurso: https://hdl.handle.net/20.500.12918/11015
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales; Demanda eléctrica; Proyección de demanda; Planificación eléctrica; https://purl.org/pe-repo/ocde/ford#2.02.01

El propósito principal de este trabajo se enfocó en emplear las redes neuronales para analizar la demanda eléctrica en el alimentador primario QU-03 en el periodo 2023-2027. La metodología se fundamentó en el uso de redes neuronales, un tipo de aprendizaje automático que se basa en algoritmos de aprendizaje, así como en los principios relacionados con la demanda eléctrica. Se comenzó con una descripción detallada del alimentador QU-03 para comprender sus especificaciones técnicas, seguido por la recopilación de datos históricos que abarcaban la evolución de la demanda en este alimentador. Una vez recopilados estos datos, se procedió con la fase de entrenamiento y aprendizaje utilizando el lenguaje de programación Python con el fin de realizar predicciones sobre la demanda eléctrica futura. Estos resultados obtenidos fueron comparados con las series de tiempo, con la finalidad de conocer la confiabilidad de esta metodología. Esta comparación reveló una consistencia notable entre las predicciones generadas por las redes neuronales y las tendencias observadas en las series de tiempo históricas de la demanda eléctrica. La cercanía entre los datos pronosticados y los datos reales reforzó la validez y precisión de la metodología propuesta. Estos resultados subrayaron la capacidad de las redes neuronales para realizar estudios de la demanda eléctrica y proporcionar proyecciones confiables para un periodo a mediano plazo, lo que respalda la relevancia de nuestro análisis en la comprensión y predicción de los patrones de consumo de energía eléctrica. Se concluyó que esta aplicación presentó un error inferior al 12% en comparación con otras metodologías tradicionales, lo que sugiere su idoneidad para aplicaciones futuras en el estudio de la demanda eléctrica.