Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING

Descripción del Articulo

Esta tesis desarrolla un modelo computacional para pronosticar la demanda eléctrica peruana a corto plazo, basado en la comparación del desempeño entre dos metodologías, las cuales utilizan las redes neuronales de la Teoría de Resonancia Adaptativa (ARTMAP Fuzzy) y el modelo Neuro-Fuzzy (ANFIS), téc...

Descripción completa

Detalles Bibliográficos
Autor: García Fernández, Leonardo Brain
Formato: tesis de grado
Fecha de Publicación:2021
Institución:Universidad Nacional de Ingeniería
Repositorio:UNI-Tesis
Lenguaje:español
OAI Identifier:oai:cybertesis.uni.edu.pe:20.500.14076/21832
Enlace del recurso:http://hdl.handle.net/20.500.14076/21832
Nivel de acceso:acceso abierto
Materia:Demanda de energía eléctrica
MACHINE LEARNING
Sistema Eléctrico Interconectado Nacional
Teoría de Resonancia Adaptativa (ARTMAP Fuzzy)
https://purl.org/pe-repo/ocde/ford#2.02.01
id UUNI_c8e85f7c1107e5b25f4b026778b8367f
oai_identifier_str oai:cybertesis.uni.edu.pe:20.500.14076/21832
network_acronym_str UUNI
network_name_str UNI-Tesis
repository_id_str 1534
dc.title.es.fl_str_mv Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
title Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
spellingShingle Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
García Fernández, Leonardo Brain
Demanda de energía eléctrica
MACHINE LEARNING
Sistema Eléctrico Interconectado Nacional
Teoría de Resonancia Adaptativa (ARTMAP Fuzzy)
https://purl.org/pe-repo/ocde/ford#2.02.01
title_short Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
title_full Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
title_fullStr Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
title_full_unstemmed Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
title_sort Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
dc.creator.none.fl_str_mv García Fernández, Leonardo Brain
author García Fernández, Leonardo Brain
author_facet García Fernández, Leonardo Brain
author_role author
dc.contributor.advisor.fl_str_mv Ñaupari Huatuco, Dionicio Zócimo
dc.contributor.author.fl_str_mv García Fernández, Leonardo Brain
dc.subject.es.fl_str_mv Demanda de energía eléctrica
MACHINE LEARNING
Sistema Eléctrico Interconectado Nacional
Teoría de Resonancia Adaptativa (ARTMAP Fuzzy)
topic Demanda de energía eléctrica
MACHINE LEARNING
Sistema Eléctrico Interconectado Nacional
Teoría de Resonancia Adaptativa (ARTMAP Fuzzy)
https://purl.org/pe-repo/ocde/ford#2.02.01
dc.subject.ocde.es.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.01
description Esta tesis desarrolla un modelo computacional para pronosticar la demanda eléctrica peruana a corto plazo, basado en la comparación del desempeño entre dos metodologías, las cuales utilizan las redes neuronales de la Teoría de Resonancia Adaptativa (ARTMAP Fuzzy) y el modelo Neuro-Fuzzy (ANFIS), técnicas pertenecientes al Machine Learning (ML) y aplicado al Sistema Eléctrico Interconectado Nacional (SEIN). Además, el contenido de la tesis propone la metodología de pre-procesamiento del conjunto de datos históricos como alternativa para mejorar el desempeño en los resultados presentados. Los diferentes escenarios desarrollados en el pronóstico de demanda incluyen los años 2019 y 2020, donde las metodologías de las redes neuronales buscan la mejor opción en términos del error porcentual medio absoluto (MAPE). Finalmente, los resultados de la comparación propuesta plantean la sugerencia de actualizar el procedimiento técnico 03 (PR03), metodología propuesta por el Comité de Operación Económica del Sistema Interconectado Nacional (COES).
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2022-04-13T19:42:50Z
dc.date.available.none.fl_str_mv 2022-04-13T19:42:50Z
dc.date.issued.fl_str_mv 2021
dc.type.es.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.14076/21832
url http://hdl.handle.net/20.500.14076/21832
dc.language.iso.es.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.es.fl_str_mv application/pdf
dc.publisher.es.fl_str_mv Universidad Nacional de Ingeniería
dc.publisher.country.es.fl_str_mv PE
dc.source.es.fl_str_mv Universidad Nacional de Ingeniería
Repositorio Institucional - UNI
dc.source.none.fl_str_mv reponame:UNI-Tesis
instname:Universidad Nacional de Ingeniería
instacron:UNI
instname_str Universidad Nacional de Ingeniería
instacron_str UNI
institution UNI
reponame_str UNI-Tesis
collection UNI-Tesis
bitstream.url.fl_str_mv http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/3/garcia_fl.pdf.txt
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/5/garcia_fl%28acta%29.pdf.txt
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/2/license.txt
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/1/garcia_fl.pdf
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/4/garcia_fl%28acta%29.pdf
bitstream.checksum.fl_str_mv fe0eaceda8f6ad51712122b8c04d66de
68b329da9893e34099c7d8ad5cb9c940
8a4605be74aa9ea9d79846c1fba20a33
c593754505c7322ef462bd0ad14a8286
7d9d6dd9b3d3ffb09769a6811b8b60d2
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional - UNI
repository.mail.fl_str_mv repositorio@uni.edu.pe
_version_ 1840085669693620224
spelling Ñaupari Huatuco, Dionicio ZócimoGarcía Fernández, Leonardo BrainGarcía Fernández, Leonardo Brain2022-04-13T19:42:50Z2022-04-13T19:42:50Z2021http://hdl.handle.net/20.500.14076/21832Esta tesis desarrolla un modelo computacional para pronosticar la demanda eléctrica peruana a corto plazo, basado en la comparación del desempeño entre dos metodologías, las cuales utilizan las redes neuronales de la Teoría de Resonancia Adaptativa (ARTMAP Fuzzy) y el modelo Neuro-Fuzzy (ANFIS), técnicas pertenecientes al Machine Learning (ML) y aplicado al Sistema Eléctrico Interconectado Nacional (SEIN). Además, el contenido de la tesis propone la metodología de pre-procesamiento del conjunto de datos históricos como alternativa para mejorar el desempeño en los resultados presentados. Los diferentes escenarios desarrollados en el pronóstico de demanda incluyen los años 2019 y 2020, donde las metodologías de las redes neuronales buscan la mejor opción en términos del error porcentual medio absoluto (MAPE). Finalmente, los resultados de la comparación propuesta plantean la sugerencia de actualizar el procedimiento técnico 03 (PR03), metodología propuesta por el Comité de Operación Económica del Sistema Interconectado Nacional (COES).This thesis develops a computational model to forecast the Peruvian electricity demand in the short term, based on the performance comparison between two methodologies that use the neural networks of the Adaptive Resonance Theory (ARTMAP Fuzzy) and the Neuro-Fuzzy model (ANFIS), techniques belonging to Machine Learning (ML) and applied to the National Interconnected Electric System (SEIN). In addition, the thesis’ content proposes the pre-processing methodology of historical data set as an alternative to improve performance in the results presented. The different scenarios developed in the demand forecast include the years 2019 and 2020, where neural network methodologies seek the best option in terms of absolute mean percentage error (MAPE). Finally, the results of the proposed comparison raises the suggestion to update procedure 03 (PR03), methodology proposed by the Coordinator of the Operation of the Interconnected Electric System (COES).Submitted by Quispe Rabanal Flavio (flaviofime@hotmail.com) on 2022-04-13T19:42:50Z No. of bitstreams: 1 garcia_fl.pdf: 3298428 bytes, checksum: c593754505c7322ef462bd0ad14a8286 (MD5)Made available in DSpace on 2022-04-13T19:42:50Z (GMT). No. of bitstreams: 1 garcia_fl.pdf: 3298428 bytes, checksum: c593754505c7322ef462bd0ad14a8286 (MD5) Previous issue date: 2021Tesisapplication/pdfspaUniversidad Nacional de IngenieríaPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional de IngenieríaRepositorio Institucional - UNIreponame:UNI-Tesisinstname:Universidad Nacional de Ingenieríainstacron:UNIDemanda de energía eléctricaMACHINE LEARNINGSistema Eléctrico Interconectado NacionalTeoría de Resonancia Adaptativa (ARTMAP Fuzzy)https://purl.org/pe-repo/ocde/ford#2.02.01Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNINGinfo:eu-repo/semantics/bachelorThesisSUNEDUIngeniero ElectricistaUniversidad Nacional de Ingeniería. Facultad de Ingeniería Eléctrica y ElectrónicaTítulo ProfesionalIngeniería EléctricaIngenieríahttps://orcid.org/0000-0002-8204-516X0709156971909844https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#tituloProfesional711046Rosado Aguirre, Estanislao UbaldoRamírez Arcelles, Roberto RubénTEXTgarcia_fl.pdf.txtgarcia_fl.pdf.txtExtracted texttext/plain209326http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/3/garcia_fl.pdf.txtfe0eaceda8f6ad51712122b8c04d66deMD53garcia_fl(acta).pdf.txtgarcia_fl(acta).pdf.txtExtracted texttext/plain1http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/5/garcia_fl%28acta%29.pdf.txt68b329da9893e34099c7d8ad5cb9c940MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALgarcia_fl.pdfgarcia_fl.pdfapplication/pdf3298428http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/1/garcia_fl.pdfc593754505c7322ef462bd0ad14a8286MD51garcia_fl(acta).pdfgarcia_fl(acta).pdfapplication/pdf1027505http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21832/4/garcia_fl%28acta%29.pdf7d9d6dd9b3d3ffb09769a6811b8b60d2MD5420.500.14076/21832oai:cybertesis.uni.edu.pe:20.500.14076/218322022-10-20 02:28:24.425Repositorio Institucional - UNIrepositorio@uni.edu.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
score 13.779025
Modelamiento del pronóstico de la demanda eléctrica diaria del sistema eléctrico interconectado nacional utilizando técnicas de MACHINE LEARNING
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares