Implementación de una Red Neuronal para mejorar el pronóstico de la demanda de energía en la empresa BlueStar Energy Services Inc.

• Autores: Cuadrado Montalvo, Ronny Ronald, Ramos Valdez, Judith Carolina
• Formato: tesis de grado
• Fecha de Publicación: 2010
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/11163
• Enlace del recurso: https://hdl.handle.net/20.500.12672/11163
• Nivel de acceso: acceso abierto
• Materia: Sistemas expertos (Computación); Redes neuronales (Computación); Empresas eléctricas - Consumo de energía - Perú; https://purl.org/pe-repo/ocde/ford#2.02.04

Trata de predecir la demanda de electricidad en la empresa BlueStar Energy Services Inc. con la mayor precisión posible, para poder disminuir las pérdidas que producen el sobre abastecimiento de electricidad, así como la falta de abastecimiento. Cuando la empresa se sobre abastece de energía que no logra vender, tiene pérdidas debido a que la energía eléctrica no puede almacenarse para poder ser vendida con posterioridad. En caso contrario si se produce una falta de abastecimiento, esto traería graves consecuencias para la empresa puesto que no podría satisfacer la demanda de energía eléctrica hecha por sus clientes, y con el fin de subsanar estos inconvenientes tendría que comprar la energía eléctrica a un precio mayor lo cual también acarrearía pérdidas para la empresa. La metodología propuesta para lograr predecir con mayor exactitud la demanda de energía eléctrica es la construcción de una red neuronal, tomando en cuenta factores que afectan el consumo de electricidad, logrando así un mejor pronóstico, que con los modelos de predicción tradicionales .Para esto hemos considerado diversos factores que influyen en el consumo de electricidad por parte de los clientes de la empresa, siendo los factores meteorológicos uno de los más importantes. Asimismo siendo el uso de las redes neuronales un medio de predicción que ha dado importantes resultados en diferentes investigaciones, podría aplicarse también para la predicción de la demanda de energía eléctrica en la empresa BlueStar. Los resultados muestran que a través del uso de redes neuronales, se logró una mejor aproximación de la demanda futura. Entonces podemos concluir que las redes neuronales artificiales son más eficientes en la predicción frente a escenarios desconocidos.