Atribución-NoComercial 2.5 Colombia (CC BY-NC 2.5 CO)Galvis Carreño, Laura VivianaRodriguez Pulido, Maria Fernanda2024-11-162024-11-162024-11-132024-11-13https://noesis.uis.edu.co/handle/20.500.14071/44765Título: Prototipo de software para el pronóstico de demanda de energía en la Electrificadora de Santander.* Autor: María Fernanda Rodriguez Pulido** Palabras Clave: Software, Pronóstico, Energía, Python, Tkinter, Redes Neuronales, Aprendizaje profundo, LSTM. Descripción: La proyección precisa de la demanda de energía eléctrica es crucial para garantizar la continuidad del suministro eléctrico, lo que no solo genera confiabilidad en los consumidores, sino que también es una obligación regulatoria en el sector eléctrico. Minimizar el error en la predicción de la demanda de energía es esencial para evitar posibles sanciones por parte de los entes reguladores. Este proyecto tiene como objetivo desarrollar un modelo de pronóstico de energía a corto plazo utilizando redes neuronales con capacidades de aprendizaje a corto y largo plazo, como las Redes Neuronales de Memoria a Largo Corto Plazo (LSTM). Para ello, se emplearon datos históricos de consumo de energía proporcionados por la Electrificadora de Santander. En este contexto, el proyecto evalúa la efectividad del modelo de Redes Neuronales LSTM, una tecnología que ha ganado popularidad debido a su capacidad para capturar patrones complejos en secuencias temporales. Además de los datos históricos, se consideran variables externas significativas, como la temperatura y factores sociales, tales como los días festivos, los cuales pueden producir pronósticos atípicos y afectar la precisión del modelo. Asimismo, se desarrolló un prototipo de software utilizando Python y la librería Tkinter, que permite a los usuarios visualizar gráficamente las predicciones generadas por el modelo LSTM.application/pdfspainfo:eu-repo/semantics/openAccessPronósticoRedes NeuronalesAprendizaje profundoEnergíaUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coSoftwarePythonTkinterLSTMDeep LearningNeural NetworksForecastingEnergyhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)