Análisis comparativo de las técnicas de minería de datos para la estimación de consumos de energía eléctrica en la empresa Electronorte S.A.

• Autor: Jhong Guillen, Shirley Julissa
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/6768
• Enlace del recurso: https://hdl.handle.net/20.500.12802/6768
• Nivel de acceso: acceso abierto
• Materia: Minería de datos; Pronósticos; https://purl.org/pe-repo/ocde/ford#2.02.04

La investigación denominada “Análisis comparativo de las técnicas de minería de datos para la estimación de consumos de energía eléctrica en la empresa ELECTRONORTE S.A.” tiene como objetivo analizar los diversos algoritmos de aprendizaje de minería de datos para el diseño de modelos con tendencia predictiva en los sistemas de Inteligencia de Negocios. La minería de datos es una herramienta que permita a través de la exploración y análisis de datos extraer patrones de comportamiento en el histórico de datos de determinado fenómeno (Institución, Empresa, etc.), según la naturaleza del fenómeno y los datos se aplican diversas técnicas, siendo relevante mencionar a técnicas como Regresión, Clasificación, Asociación y Agrupación; esta exploración se realiza mediante algoritmos computacionales de aprendizaje. El ámbito de aplicación de éstas técnicas, en esta investigación se localiza en los datos de los clientes de la empresa ELECTRONORTE S.A., empresa del rubro eléctrico de servicios públicos, siendo el objetivo de la misma analizar los datos con respecto al comportamiento de consumo eléctrico de los clientes para determinados periodos comerciales. Por lo tanto, el tipo de modelo se asocia con las técnicas de Regresión o series de tiempo, ya que se pretende realizar estimaciones de los consumos de energía eléctrica de los clientes. Evidentemente es un caso de pronósticos de series de tiempo, para lo cual se conocen diversos algoritmos como es el caso de Holtwinters, ARIMA, ETS, Redes Neuronales, entre otros, con los cuales se puede realizar el pronóstico según el análisis histórico de la serie de tiempo. Se sabe también que cada algoritmo puede ser aplicado a una realidad específica, siendo el ámbito energético al cual se someterán a evaluación los mencionados algoritmos para establecer cual tiene mejor precisión en el desarrollo de modelos predictivos orientado a este problema.