Diseño de un algoritmo para el pronóstico de la demanda de energía eléctrica a corto plazo en el MC – Santander utilizando redes neuronales e información mutua parcial.

Vesga Barón, Camilo Andrés; Fernández Agudelo, Angela María

Diseño de un algoritmo para el pronóstico de la demanda de energía eléctrica a corto plazo en el MC – Santander utilizando redes neuronales e información mutua parcial.

dc.contributor.advisor	Duarte Gualdrón, César Antonio
dc.contributor.advisor	Blanco Solano, Jairo
dc.contributor.author	Vesga Barón, Camilo Andrés
dc.contributor.author	Fernández Agudelo, Angela María
dc.contributor.evaluator	Rey López, Juán Manuel
dc.contributor.evaluator	Jiménez Vargas, Ivan Edgardo
dc.date.accessioned	2022-09-17T16:19:53Z
dc.date.available	2022-09-17T16:19:53Z
dc.date.created	2022-09-08
dc.date.embargoEnd	2025-09-08
dc.date.issued	2022-09-08
dc.description.abstract	El pronóstico de la demanda de energía eléctrica es importante para la cadena de generación, transmisión, distribución y comercialización del sector eléctrico. La precisión de estos pronósticos a corto plazo permite una correcta planeación del despacho y transporte de la energía. El estudio de diferentes técnicas de predicción parte desde métodos estadísticos hasta modelos híbridos que utilizan redes neuronales artificiales. En la actualidad el estudio de un pronóstico más acertado requiere de gran información y tiempo prolongado de procesamiento para reducir la desviación en los datos arrojados y los valores reales de consumo [2]. Los métodos basados en inteligencia artificial buscan mejorar la precisión y rendimiento considerando variables externas como la temperatura, humedad, historial de carga y día de la semana. Estas características toman importancia al recrear un escenario con una aproximación mayor, tomando en cuenta las fluctuaciones de demanda en las zonas donde se realiza el estudio (residencial, industrial, rural, urbano). En el presente trabajo de grado se diseñará e implementará a partir de la teoría existente un algoritmo de pronóstico de demanda a corto plazo, teniendo como base el trabajo desarrollado en [1] permitiendo analizar los resultados y el desempeño de los pronósticos. Además, se usará la técnica de información mutua parcial [3] para filtrar la información antes del diseño de los vectores de entrada que usa la red neuronal con miras en reducir el error entre el pronóstico y la demanda real. Se realizará el pronóstico de energía a corto plazo con resolución horaria, cumpliendo la resolución CREG 025 de 1995, el acuerdo CNO 1303 de 2017, y considerando el proyecto de resolución CREG 100 de 2019 por medio de la cual se proponen modificaciones a las resoluciones CREG 025 de 1995 y CREG 063 de 2000 y se establecen otras disposiciones.
dc.description.abstractenglish	An accurate prediction of short-term load is an important part of the electricity production chain. Energy forecast become in a fundamental way for planning a correct transportation and dispatch. Different studies about prediction techniques cover from statistic methods to hybrid models which implement artificial neural networks. Nowadays, a more accurate forecast requires a big amount of information and long processing time to reduce the deviation calculated data and real consumption values.[2] Methods based on artificial intelligence seek to improve precision and performance of short-term load forecasting. These methods analyze features such as temperature, humidity, load history data and day of week. The analysis of these characteristics become an important part of this work, because these ones recreate a scenario with a greater approximation, giving importance to demand changes in zones where the study is carried out (residential, industrial, rural, urban). The present degree project proposes the construction of algorithm for short-term load forecasting based on an existent theory, work developed on [1] which allows to analyze the results and forecasts performance. Moreover, partial mutual information method [3] will be used to select information of input vectors that the neural network uses to reduce the error between the forecast and the actual demand. The short-term energy forecast will be made with hourly resolution, complying with CREG resolution 025 of 1995, CNO agreement 1020 of 2017, and considering the project CREG resolution 100 of 2019, by means of which modifications to the resolutions are proposed CREG 025 of 1995 and CREG 063 of 2000 and other reforms.
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/20.500.14071/11516
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	Redes neuronales
dc.subject	Demanda de energía eléctrica
dc.subject	Predicción
dc.subject	Operador de red
dc.subject	Neuronas
dc.subject	Predictores
dc.subject.keyword	Neural Network
dc.subject.keyword	Short-term load
dc.subject.keyword	Prediction
dc.title	Diseño de un algoritmo para el pronóstico de la demanda de energía eléctrica a corto plazo en el MC – Santander utilizando redes neuronales e información mutua parcial.
dc.title.english	An algorithm based on artificial neural network improved by partial mutual information for short-term load forecasting at energy market of Santander, Colombia.
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