Diseño de un algoritmo para el pronóstico de la demanda de energía eléctrica a corto plazo en el MC-Santander y MC-Norte de Santander utilizando bosques aleatorios

Simple item page
dc.contributor.advisorDuarte Gualdrón, César Antonio
dc.contributor.advisorBlanco Solano, Jairo
dc.contributor.authorSilva Agudelo, Carlos Eduardo
dc.contributor.authorManzano Verjel, Emmanuel José
dc.contributor.evaluatorSerna Suárez, Iván David
dc.contributor.evaluatorVillamizar Mejía, Rodolfo
dc.date.accessioned2024-08-26T17:48:20Z
dc.date.available2024-08-26T17:48:20Z
dc.date.created2024-08-26
dc.date.embargoEnd2029-08-23
dc.date.issued2024-08-26
dc.description.abstractEn Colombia, según el acuerdo 1303 del Consejo Nacional de Operación (CNO), los Operador(es) de Red (OR) deben pronosticar semanalmente la energía eléctrica a corto plazo en el Mercado(s) de Comercialización (MC). La precisión en estos pronósticos es crucial, ya que pronósticos con desviaciones significativas pueden generar costos adicionales para los OR y afectar la gestión y seguridad de los sistemas eléctricos. Factores complejos como la variabilidad climática y el consumo no lineal pueden causar inexactitudes. Se han propuesto diversos métodos para abordar este problema, incluyendo los basados en estadística, inteligencia artificial e híbridos. En este trabajo, se diseña y evalúa un algoritmo basado en Bosques Aleatorios, que es un modelo de aprendizaje automático, en los MC de Santander y Norte de Santander. Los resultados muestran que la propuesta de algoritmo mejora significativamente la precisión en desviaciones horarias y diarias, según el Acuerdo CNO 1303 y el proyecto de resolución CREG 100 de 2019, en comparación con trabajos previos y respecto con los pronósticos reportados por el OR. Para el acuerdo CNO 1303 (vigente), se consiguen 701, 1578 y 2775 desviaciones horarias menos que los modelos de Rincón (2023), el OR y Quintero y Rangel (2024), respectivamente. En cuanto a las desviaciones diarias, se obtienen 26, 45 y 116 desviaciones menos en comparación con los mismos algoritmos. Esta mejora en la precisión puede tener un impacto positivo en la reducción de costos y las implicaciones que pueden tener las desviaciones significativas. A su vez, puede contribuir a un despacho de energía eléctrica más eficiente y seguro para los MC de Santander y Norte de Santander.
dc.description.abstractenglishIn Colombia, according to agreement 1303 of the National Operation Council (CNO), the Network Operator(s) (OR) must forecast short-term electricity weekly in the Marketing Market(s) (MC). Accuracy in these forecasts is crucial, as forecasts with significant deviations can generate additional costs for the OR and affect the management and security of electrical systems. Complex factors such as climate variability and non-linear consumption can cause inaccuracies. Various methods have been proposed to address this issue, including those based on statistics, artificial intelligence, and hybrids. In this work, an algorithm based on Random Forests, which is a machine learning model, is designed and evaluated in the MCs of Santander and Norte de Santander. The results show that the proposed algorithm significantly improves the accuracy of hourly and daily deviations, according to Agreement CNO 1303 and the draft resolution CREG 100 of 2019, compared to previous works and the forecasts reported by the OR. For the current CNO 1303 agreement, 701, 1578, and 2775 fewer hourly deviations are achieved than the models of Rincón (2023), the OR, and Quintero and Rangel (2024), respectively. Regarding daily deviations, there are 26, 45, and 116 fewer deviations compared to the same algorithms. This improvement in accuracy can have a positive impact on cost reduction and the implications of significant deviations. It can also contribute to a more efficient and secure dispatch of electricity for the MCs of Santander and Norte de Santander.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electricista
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/43895
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería Eléctrica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución 2.5 Colombia (CC BY 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.titleDiseño de un algoritmo para el pronóstico de la demanda de energía eléctrica a corto plazo en el MC-Santander y MC-Norte de Santander utilizando bosques aleatorios
dc.title.englishDesign of an algorithm for short-term load forecasting in MC- Santander and MC-Norte de Santander using random forests
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 4 of 4
No Thumbnail Available
Name:
Carta de confidencialidad.pdf
Size:
202.65 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
297.96 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
127.16 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
3.63 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería Eléctrica