Mostrar el registro sencillo del documento
Modelo estimador del pronóstico de demanda eléctrica a partir de datos históricos obtenidos de medidores inteligentes
dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional |
dc.contributor.advisor | Rivera Rodriguez, Sergio Raúl |
dc.contributor.author | Matabajoy Salas, Tania Fernanda |
dc.date.accessioned | 2022-02-01T20:33:15Z |
dc.date.available | 2022-02-01T20:33:15Z |
dc.date.issued | 2022-01-24 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/80843 |
dc.description | ilustraciones, gráficas |
dc.description.abstract | El siguiente trabajo desarrolla un modelo de pronóstico de demanda de energía a partir del empleo de datos aportados por medidores inteligentes. El algoritmo híbrido de optimización propuesto para el análisis fue implementando al integrar herramientas como series de Fourier, regresión simbólica y algoritmo multiobjetivo. Los resultados obtenidos son planteados sobre una base histórica de tres años. El estudio de pronóstico presentado se obtuvo a partir de un modelo estimador que acopla variables climáticas como presión, nubosidad, humedad, temperatura, dirección y velocidad del viento. Como también aspectos como el tipo de construcción, tipo de medidor, entre otros que contribuyen en un pronóstico a fin con el comportamiento base de demanda de energía de los usuarios analizados. Inicialmente se desarrolla el planteamiento del modelo de algoritmo híbrido empleado con el cual se realizarán los pronósticos de demanda de energía, realizando una descripción del funcionamiento de este. Posteriormente se realiza la implementación del algoritmo planteado en varios escenarios de tiempo, implementación que se desarrolla al disponer de datos históricos base de demanda de energía con los cuales se efectúan las pruebas del algoritmo, consecutivamente se evaluarán los resultados obtenidos sobre los datos de prueba de entrenamiento elegidos y prueba del código. (Texto tomado de la fuente) |
dc.description.abstract | The following work develops an energy demand forecasting model based on the use of data provided by smart meters. The hybrid optimization algorithm proposed for the analysis was implemented by integrating tools such as Fourier series, symbolic regression and multiobjective algorithm. The results obtained are presented on a three-year historical basis. The forecast study presented was obtained from an estimator model that couples climatic variables such as pressure, cloud cover, humidity, temperature, direction, and wind speed. As well as aspects such as the type of construction, type of meter, among others that contribute to a forecast in order with the base behavior of the energy demand of the analyzed users. Initially, the approach to the hybrid algorithm model used is developed with which the energy demand forecasts will be made, making a description of its operation. Subsequently, the implementation of the algorithm proposed in various time scenarios is carried out, an implementation that is developed by having historical data base of energy demand with which the algorithm tests are carried out, the results obtained on the test data of chosen training and code testing. |
dc.format.extent | xviii, 75 páginas |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.publisher | Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.subject.ddc | 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería |
dc.subject.ddc | 000 - Ciencias de la computación, información y obras generales |
dc.subject.ddc | 620 - Ingeniería y operaciones afines |
dc.title | Modelo estimador del pronóstico de demanda eléctrica a partir de datos históricos obtenidos de medidores inteligentes |
dc.type | Trabajo de grado - Maestría |
dc.type.driver | info:eu-repo/semantics/masterThesis |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Eléctrica |
dc.contributor.researchgroup | Electromagnetic Compatibility, EMC |
dc.description.degreelevel | Maestría |
dc.description.degreename | Magister en Ingeniería - Ingeniería de Eléctrica |
dc.description.researcharea | Medición de Energía, Pronóstico de Demanda, Optimización usando algoritmos heurísticos, Smart Grids |
dc.identifier.instname | Universidad Nacional de Colombia |
dc.identifier.reponame | Repositorio Institucional Universidad Nacional de Colombia |
dc.identifier.repourl | https://repositorio.unal.edu.co/ |
dc.publisher.department | Departamento de Ingeniería Eléctrica y Electrónica |
dc.publisher.faculty | Facultad de Ingeniería |
dc.publisher.place | Bogotá, Colombia |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Bogotá |
dc.relation.references | Revista Internacional de Investigación en Ciencias Aplicadas y Tecnología de la Ingeniería. (IV) 729 -733. “Una visión general de los diferentes tipos de métodos de pronóstico de carga y los factores que afectan el pronóstico de carga.”, 2017 |
dc.relation.references | Ben Taieb S, Huser R, Hyndman R et al. Article - “Forecasting uncertainty in electricity smart meter data by boosting additive quantile regression” 2016. |
dc.relation.references | Grolinger K, L’Heureux A, Capretz M et al. “Energy Forecasting for Event Venues: Big Data and Prediction Accuracy” 2016. |
dc.relation.references | Wen L, Zhou K, Yang S et al. “Comprenssion of Smart meter big data: A survey” 2018 |
dc.relation.references | Gestión de Energía – Wa2 Technology https://www.way2.com.br/gestao-deenergia |
dc.relation.references | Electro Industries Gauge Tech, Power Meters- https://electroind.com/ |
dc.relation.references | Reza Arghandeh, Yuxun Zhou. “Big Data Application in Power Systems” 2017 |
dc.relation.references | ESPINA, José Rafael. Predicción espacial de la Demanda eléctrica en la ciudad de Maracaibo. Trabajo de grado Ingeniero Electricista. Maracaibo, Zulia: Universidad del Zulia. Facultad de Ingeniería. Escuela de Eléctrica, 1994. |
dc.relation.references | Sergio Rodriguez. et al. “Hybrid Inference Algorithm by Combining Genetic Programming Methods and Nonlinear Regression Techniques” 2018 |
dc.relation.references | Pronostico de la demanda eléctrica residencial basado en el modelo de regresión adaptativa multivariante Spline (MARS) Miguel Eduardo Ortiz Alvarado -2015 |
dc.relation.references | A. Ariza, “Métodos Utilizados Para el Pronóstico de Demanda de Energía Eléctrica en Sistemas de Distribución,” 2013 |
dc.relation.references | T. W. S. Chow and C. T. Leung, “Neural network based short-term load forecasting 32 using weather compensation,” vol. 11, no. 4, pp. 1736–1742. |
dc.relation.references | Modeling and Forecasting Electricity Demand A Risk Management Perspective, Kevin Berk in BestMasters (2015) |
dc.relation.references | Enríquez, Gilberto. El ABC Del Alumbrado y Las Instalaciones Eléctricas En Baja Tensión. 2 ed. México: Limusa, 2004. |
dc.relation.references | Ramírez, Samuel. Redes de Distribución de Energía. 3 ed. Manizales: Universidad Nacional de Colombia, 2009. |
dc.relation.references | Julian Garcia Guarin et al. “Multi-objective optimization of smart grids considering environments with uncertaint 2019. |
dc.relation.references | Stefan Vargas, et al., - Revista Internacional de Métodos Numéricos para Cálculo y Diseño en Ingeniería 35(1):1-17 “Mathematical Formulation and Numerical Validation of Uncertainty Costs for Controllable Loads” 2019. |
dc.relation.references | I. El, R. Bann, and A. Abouabdellah. “Modeling and Forecasting Energy Demand,” 2016. |
dc.relation.references | Jorge A. Alarcon et al. “Low-Capacity Exploitation of Distribution Networks and its Effect on the Planning of Distribution Networks” 2020. |
dc.relation.references | Habtemariam, B. et al. “Privacy Preserving Predictive Analytics with Smart Meters.” In Proceedings - IEEE International Congress on Big Data, BigData Congress 2016, Institute of Electrical and Electronics Engineers Inc., 190–97. 2016. |
dc.relation.references | K. Giridhar, R. Bansal, “Energy Management Systems”; vol 1.2011 |
dc.relation.references | M Garcia et al. Métodos para predecir índices Bursátiles - Methods for Predicting Stock Indexes. 2013 |
dc.relation.references | Energy Management Systems, Giridhar Kini and Ramesh C. Bansal – Janeza Trdine 9, 51000 Rijeka, Croatia, 2011. |
dc.relation.references | Métodos para predecir índices Bursátiles - Methods for Predicting Stock Indexes Martha Cecilia García*, Aura María Jalal**, Luis Alfonso Garzón***, Jorge Mario López** 2013 |
dc.relation.references | “(PDF) Smart Meter Data Analytics: Systems, Algorithms, and Benchmarking.” https://www.researchgate.net/publication/310665777_Smart_Meter_Data_Analytics_ Systems_Algorithms_and_Benchmarking (December 17, 2019). |
dc.relation.references | Liu, Xiufeng et al. “Smart Meter Data Analytics: Systems, Algorithms, and Benchmarking.” ACM Transactions on Database Systems 42(1). 2016. |
dc.relation.references | A. Duarte et al. Algoritmos heurísticos y metaheurísticos para el problema de localización de regeneradores. 2010. |
dc.relation.references | Bowerman, Bruce; O’ConnelL, Richard y Koehler, Anne. Pronósticos, series de tiempo y regresión: Un enfoque aplicado. 4 ed. México: Internacional Thomson Editores, 2007. |
dc.relation.references | Del Barrio, Tomás; CLAR, Miguel y Suriñach, Jordi. Modelo de regresión lineal múltiple: especificación, estimación y contraste. Barcelona: UOC Papers, 2002. |
dc.relation.references | Fernández-Abascal H, Guijarro MM, Rojo JL, Sanz JA. Cálculo de probabilidades y estadística. Barcelona: Editorial Ariel; 1994. |
dc.relation.references | Peña, D. Análisis de Datos Multivariantes. Mc Graw - Hill. España. (2002). |
dc.relation.references | Pardo, Antonio; Garrido, Jesús; Ruiz, Miguel Ángel; San Martín, Rafael La interacción entre factores en el análisis de varianza: errores de interpretación Psicothema, vol. 19, núm. 2, pp. 343-349 Universidad de Oviedo Oviedo, España 2007 |
dc.relation.references | Aleksandrov, A., Kolmogorov, A. y Laurentiev, M., La matemática: su contenido, métodos y significado, 1ra edición, Alianza Editorial, Madrid (1984). |
dc.relation.references | Hanke, John y Reitsch, Arthur. Pronósticos en los negocios. 5 ed. México: Pearson Educación (Traducción), 2000. |
dc.relation.references | Ariza, A. métodos utilizados para el pronóstico de demanda de energía eléctrica en sistemas de distribución, 2013. |
dc.relation.references | Curso Académico Algoritmos heurísticos y metaheurísticos para el problema de localización de regeneradores. Alumno: Carlos Rodríguez Ortiz. 2009 - 2010 |
dc.relation.references | Udrescu S.-M., Tegmark M “AI Feynman: Un método inspirado en la física para la regresión simbólica”, Science Advances, vol. 6, no. 16, eaay2631. (2020) |
dc.relation.references | E. M. T. O. R. A. Gallego Rendon, A. H. Escobar Zuluaga, Técnicas metaheurísticas de optimizacion, Segunda. Pereira, 2008. |
dc.relation.references | R.A.Gallego, A.H.Escobar, and E.M.Toro, Técnicas Metaheurísticas de Optimización, segunda ed. Universidad Tecnológica de Pereira, ch. Algoritmo Genético, pp. 138–150. 2008. |
dc.relation.references | J. Lopez. Optimización Multi-objetivo. Aplicaciones a problemas del mundo real. Tesis Doctoral en Ciencias Informáticas. Premio DR. Raul Gallard 2014 |
dc.relation.references | Introduction to Genetic Algorithms. Front Cover. S.N. Sivanandam, S. N. Deepa. Springer Science & Business Media, Oct 24, 2007 |
dc.relation.references | W. B. Langdon, R. Poli, N. F. McPhee, and J. R. Koza, “Genetic programming: An introduction and tutorial, with a survey of techniques and applications,” in Studies in Computational Intelligence, vol. 115, pp. 927–1028. 2008. |
dc.relation.references | A. Patelli, Genetic programming techniques for nonlinear systems identification, Rum Ed. 2011. |
dc.relation.references | Dorigo, M. Optimization, learning and natural algorithms. Ph.D. Tesis, Politecnico di Milano, 1992. |
dc.relation.references | Moreno Parra, Rafael Alberto Programación genética: La regresión simbólica Entramado, vol. 3, núm. 1, enero-junio, pp. 76-85 Universidad Libre Cali, Colombia, 2007. |
dc.relation.references | IEEE PES, “Open Data Sets - IEEE.” [Online]. Available: https://site.ieee.org/pes iss/data-sets/. |
dc.relation.references | KAGGLE, Data Sets – Kaggle. Availabe: https://www.kaggle.com/datasets |
dc.relation.references | C. A. C. Coello, G. B. Lamont, and D. A. Van Veldhuizen, Evolutionary Algorithms for Solving Multi-Objective Problems. 2007. |
dc.relation.references | E. M. T. O. R. A. Gallego Rendon, A. H. Escobar Zuluaga, Técnicas metaheurísticas de optimizacion, Segunda. Pereira, 2008. |
dc.relation.references | Mauricio Santa María et al. “El Mercado de la Energía Eléctrica en Colombia: Características, Evolución e Impacto sobre otros Sectores.” 2019 |
dc.relation.references | Creg 038-2014 - CREG Comisión de Regulación de Energía y Gas. |
dc.relation.references | Icontec, "NTC 5019 Norma Técnica Colombiana", Bogotá D.C., 2007 |
dc.relation.references | Ministerio De Minas Y Energía, "Plan De Acción Indicativo De Eficiencia Energética – Pai Proure 2017 - 2022", Bogotá D.C., 2016. |
dc.relation.references | HG Ingeniería y Construcciones S.A.S, "¿Que son los medidores bidireccionales y en que me benefician? - HG Ingeniería y Construcciones S.A.S", HG Ingeniería y Construcciones S.A.S, [En Línea]. Disponible: https://www.hgingenieria.com.co/que-son los-medidores-bidireccionales-y-en-que-me-benefician/. [Accedido: 03- Dic- 2019]. 2018 |
dc.relation.references | G. Plata, C. Duarte and et al, "Sistema de medición centralizada en redes de distribución de baja tensión para la reducción de pérdidas eléctricas.", Universidad Industrial de Santander, 2017. |
dc.relation.references | Colombia Inteligente, "Virtualización De La Información Acciones Para La Masificación De La Medida En AMI", Medellín, [En Línea]. Disponible: https://www.minenergia.gov.co. 2018. |
dc.relation.references | S. Téllez Gutiérrez y J. Rosero García, "Sistemas de medición avanzada en Colombia: beneficios, retos y oportunidades", Universidad Nacional de Colombia, 2018 |
dc.relation.references | J. Garcia, D. Alvarez and S. Rivera, Ensemble Based Optimization for Electric Demand Forecast: Genetic Programming and Heuristic Algorithms, 2020 |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.proposal | Medición |
dc.subject.proposal | Pronóstico de demanda |
dc.subject.proposal | Forecast |
dc.subject.proposal | Smart Metering |
dc.subject.proposal | Redes Inteligentes |
dc.title.translated | Electric demand forecast estimator model, based on historical data obtained from smart meter |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
dc.type.redcol | http://purl.org/redcol/resource_type/TM |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
![Atribución-NoComercial-SinDerivadas 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-generic.png)