Diseño de un algoritmo híbrido basado en máquinas de aprendizaje para el pronóstico de demanda de energía eléctrica a corto plazo en el MC Santander y MC Norte de Santander

Rincón Durán, Luis Carlos

Diseño de un algoritmo híbrido basado en máquinas de aprendizaje para el pronóstico de demanda de energía eléctrica a corto plazo en el MC Santander y MC Norte de Santander

dc.contributor.advisor	Duarte Gualdrón, César Antonio
dc.contributor.advisor	Blanco Solano, Jairo
dc.contributor.author	Rincón Durán, Luis Carlos
dc.contributor.evaluator	Serna Suárez, Iván David
dc.contributor.evaluator	Jiménez Manjarrés, Yulieth
dc.date.accessioned	2023-06-01T12:49:43Z
dc.date.available	2023-06-01T12:49:43Z
dc.date.created	2023-05-29
dc.date.embargoEnd	2028-05-29
dc.date.issued	2023-05-29
dc.description.abstract	Uno de los factores más influyentes en la confiabilidad del servicio de energía eléctrica nace a la hora de realizar un pronóstico de demanda a corto plazo. Dado que este tipo de energía se genera en tiempo real debido al desequilibrio existente entre la generación y el consumo energético, realizar un despacho correcto de energía conlleva a efectuar una buena aproximación de la demanda y así el sistema de generación cuente con la capacidad de suplir.Esto implica a que cada operador de red deba implementar un método para realizar su pronóstico de la mejor manera, ya sea aplicando nuevas tecnologías como las máquinas de aprendizaje o sus métodos clásicos. El presente trabajo desarrolla un algoritmo híbrido basado en una red neuronal profunda y una combinación de métodos de selección de predictores para los mercados de comercialización de Santander y Norte de Santander a partir del artículo guía [4]. Además, se presentan las propuestas desarrolladas tal como el criterio de selección de predictores, el ajuste de hiperparámetros de la red neural, el tratamiento y análisis de datos con la finalidad mejorar el rendimiento del algoritmo. Se realiza el pronóstico de energía a corto plazo con resolución horaria para una ventana de estudio de 22 meses donde se plantean cinco casos de estudio diferentes, para cada caso se compara el MAPE del algoritmo híbrido con el MAPE obtenido de los pronósticos presentados por el operador de red de cada mercado de comercialización. Asimismo, se comparan la cantidad de eventos diarios y horarios que superen el porcentaje de desviación permitido según la resolución CREG 025 de 1995, el acuerdo CNO 1303 de 2020, y considerando el proyecto de resolución CREG 100 de 2019. Finalmente se concluye que el algoritmo híbrido obtiene buenos resultados en ambos mercados de comercialización, especialmente para los casos que no cumplen el marco operativo actual.
dc.description.abstractenglish	One of the most influential factors in the reliability of the electrical energy service is the ability to make short-term demand forecasts. As this type of energy is generated in real-time due to the existing imbalance between energy generation and consumption, accurate dispatching of energy requires a good approximation of demand, enabling the generation system to have the capacity to supply.This implies that each network operator must implement a method to make their forecast in the best way possible, either by applying new technologies such as machine learning or their classical methods. This project degree develops a hybrid algorithm based on a deep neural network and a combination of feature selection methods for the commercialization markets of Santander and Norte de Santander based on the guiding article [4]. In addition, the proposed methods are presented such as feature selection criteria, neural network hyperparameter tuning, data treatment and analysis, with the aim of improving the algorithm's performance. Short-term load forecasting is performed on an hourly basis for a study window of 22 months, with five different case studies presented. For each case study, the Mean Absolute Percentage Error (MAPE) of the hybrid algorithm is compared with the MAPE obtained from the forecasts presented by the network operator for each commercialization market. Additionally, the number of daily and hourly events that exceed the permitted deviation percentage according to CREG 025 of 1995, the agreement CNO 1303 of 2020, and considering the project resolution CREG 100 of 2019 are compared. Finally, it is concluded that the hybrid algorithm obtains good results in both commercialization markets, especially for cases that do not comply with the current operational framework.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electricista
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/14504
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Eléctrica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Pronóstico de demanda energía eléctrica a corto plazo
dc.subject	Máquinas de aprendizaje
dc.subject	Selección de predictores
dc.subject.keyword	Short-Term Load Forecasting
dc.subject.keyword	Hybrid Algorithm
dc.subject.keyword	Machine Learning
dc.subject.keyword	Deep Learning
dc.subject.keyword	Feature Selection
dc.subject.keyword	Electricity Demand.
dc.title	Diseño de un algoritmo híbrido basado en máquinas de aprendizaje para el pronóstico de demanda de energía eléctrica a corto plazo en el MC Santander y MC Norte de Santander
dc.title.english	Design of a hybrid machine learning-based algorithm for short-term load forecasting in the commercialization market of Santander and the commercialization market of Norte de Santander.
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type