Prediccion de demanda de corto plazo empleando redes neuronales
| dc.contributor.advisor | Latorre Bayona, Gerardo | |
| dc.contributor.author | Acevedo Arenas, Cesar Yobany | |
| dc.date.accessioned | 2024-03-03T04:45:06Z | |
| dc.date.available | 2004 | |
| dc.date.available | 2024-03-03T04:45:06Z | |
| dc.date.created | 2004 | |
| dc.date.issued | 2004 | |
| dc.description.abstract | El trabajo de investigación plantea una solución al problema de predicción de la demanda de potencia eléctrica horaria, a través de una metodología consistente en la descomposición de la serie de tiempo en sus cuatro factores principales (tendencia, ciclo, irregularidad y estacionalidad). Esta metodología se basa en el uso de la componente irregular de la serie de tiempo como dato de entrada al sistema de predicción. Una vez predicho el valor de la componente irregular, ésta vuelve a ser multiplicada con la extrapolación de la tendencia y el ciclo de la serie, las cuales son fácilmente determinables a través de procedimientos estadísticos y de identificación de sistemas. A fin de probar las posibilidades que ofrece la metodología se realizaron pruebas con técnicas convencionales de predicción basadas en la identificación de sistemas tales como: Modelos Autorregresivos, Modelos Autorregresivos de Promedio Móvil, Espacio de estados y Metodología de Box & Jenkins. Los resultados obtenidos en tales pruebas, además de establecer ventajas comparativas de éstas técnicas convencionales frente a la utilización de redes neuronales en el problema de predicción de series de tiempo de corto plazo, sirvieron de base para el planteamiento de la metodología de predicción. El trabajo de investigación presenta un estudio de las diferentes formas de modelado de las series de tiempo, técnicas y procesos de predicción, un análisis de las características de demanda y el planteamiento de un sistema de predicción soportado en una herramienta software que permite comprobar las hipótesis planteadas y solucionar deficiencias comunes encontradas en la revisión bibliográfica del estado del arte. La propuesta metodológica permitirá aprovechar al máximo la capacidad de la red neuronal en la predicción de la componente irregular (ruido) de la curva de demanda, dejando las otras componentes para ser predichas por separado mediante la simple extrapolación de una función matemática cuya determinación es más sencilla. | |
| dc.description.abstractenglish | The research work outlines a solution to the problem of Short-term load forecasting in electric power systems, through a methodology that consist in the decomposition of the time series in its four main factors (tendency, cycle, irregularity and seasonality). This methodology is based on the use of the irregular component of the time series, like entrance to the prediction system. Once the value of the irregular component has been predicted, it is multiplied with the extrapolation of the tendency and the cycle of the series again, which are easily determined through statistical procedures and systems identification. In order to demonstrate the possibilities that the methodology offers, tests were carried out with conventional techniques of forecasting based on the system identification such as: Autoregressive Model, Autoregressive Moving Average Model, State-Space Model, and Box-Jenkins Methodology. The obtained results in such tests, besides of establishing comparative analysis of the use of these conventional techniques versus the use of Neural Nets, provided the base for the proposition of the forecasting methodology. The research work presents an analysis of the different ways of modeling of the time series, the forecasting techniques, the prediction process and load characteristics. In addition it proposes a prediction system supported in a software tool that makes it possible to check the outlined hypotheses and to solve common deficiencies that were found in the bibliographical revision of the state of the art. The proposed methodology takes the best advantage of the neural network capacity in the prediction of the irregular component (noise) of the load curve, leaving the other components to be predicted separately by means of the extrapolation of a mathematical function whose determination is simpler. | |
| dc.description.degreelevel | Maestría | |
| dc.description.degreename | Magíster en Potencia Eléctrica | |
| 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/20.500.14071/16927 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Industrial de Santander | |
| dc.publisher.faculty | Facultad de Ingenierías Fisicomecánicas | |
| dc.publisher.program | Maestría en Potencia Eléctrica | |
| dc.publisher.school | Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones | |
| dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| 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/4.0 | |
| dc.subject | Predicción de demanda de corto plazo | |
| dc.subject | Series de tiempo | |
| dc.subject | Identificación de sistemas | |
| dc.subject | Redes neuronales | |
| dc.subject.keyword | Short-term Load Forecasting | |
| dc.subject.keyword | Time Series | |
| dc.subject.keyword | Systems Identification | |
| dc.subject.keyword | Artificial Neural Networks. | |
| dc.title | Prediccion de demanda de corto plazo empleando redes neuronales | |
| dc.title.english | Short-term load forecasting using neural | |
| dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
| dc.type.hasversion | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Maestria |