En 19 día(s), 5 hora(s) y 21 minuto(s): El Repositorio Institucional UNAL informa a la comunidad universitaria que, con motivo del periodo de vacaciones colectivas, el servicio de publicación estará suspendido: Periodo de cierre: Del 20 de diciembre al 18 de enero de 2026. Sobre los depósitos: Durante este tiempo, los usuarios podrán continuar realizando el depósito respectivo de sus trabajos en la plataforma. Reanudación: Una vez reiniciadas las actividades administrativas, los documentos serán revisados y publicados en orden de llegada.

Desarrollo de una metodología para estimación de la demanda del sistema de distribución usando AMI

Vista sencilla de ítem
dc.contributor.advisorRosero Garcia, Javier Alveirospa
dc.contributor.authorBello Rebolledo, Luis Eduardospa
dc.contributor.researchgroupElectrical Machines & Drives, Em&Deng
dc.date.accessioned2025-12-11T22:58:21Z
dc.date.available2025-12-11T22:58:21Z
dc.date.issued2024
dc.descriptionilustraciones, gráficas, tablasspa
dc.description.abstractLa planeación de la expansión de la infraestructura eléctrica para atender las necesidades de crecimiento del consumo de electricidad se basa en la habilidad de los planeadores de predecir la demanda futura de los usuarios basados en la recolección de información del comportamiento de la demanda pasada y de la actual. Con la información recolectada se han desarrollado métodos para obtener una aproximación de la demanda futura para facilitar los procesos empresariales en los temas de inversión y sostenibilidad de los negocios. Gracias al desarrollo de medidores de energía capaces de leer, almacenar y entregar la información de la demanda consumida por un usuario, es posible recolectar información confiable y veraz de cada uno de los usuarios conectados a la red de distribución. Por otro lado, el desarrollo de técnicas basadas en inteligencia artificial (IA) permiten no solo el manejo y procesamiento de grandes volúmenes de datos, sino que permiten desarrollar algoritmos de aprendizaje de los datos históricos para determinar un comportamiento futuro de la demanda. Se tuvo acceso a datos provenientes de medidores inteligentes de una empresa prestadora del servicio de energía eléctrica y se utilizaron dos algoritmos basados en series de tiempo para realizar caracterización de la demanda de los usuario y pronósticos de demanda de corto plazo. (Texto tomado de la fuente).spa
dc.description.abstractPlanning for the expansion of electrical infrastructure to meet the needs of growing electricity consumption is based on the ability of planners to predict future user demand based on the collection of information on past and current demand behavior. With the information collected, methods have been developed to obtain an approximation of future demand to facilitate business processes in the areas of investment and business sustainability. Thanks to the development of energy meters capable of reading, storing and delivering the information on the demand consumed by a user, it is possible to collect reliable and truthful information from each of the users connected to the distribution network. On the other hand, the development of techniques based on artificial intelligence (AI) allows not only the handling and processing of large volumes of data, but also allows the development of algorithms for learning historical data to determine future demand behavior. Data from smart meters of an electric power service provider were accessed and two time-series algorithms were used to characterize user demand and short-term demand forecasts.eng
dc.description.degreelevelMaestríaspa
dc.description.degreenameMaestría en Ingeniería - Ingeniería Eléctricaspa
dc.description.researchareaPlaneamiento de sistemas de distribuciónspa
dc.format.extentxv, 90 páginasspa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Nacional de Colombiaspa
dc.identifier.reponameRepositorio Institucional Universidad Nacional de Colombiaspa
dc.identifier.repourlhttps://repositorio.unal.edu.co/spa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/89205
dc.language.isospa
dc.publisherUniversidad Nacional de Colombiaspa
dc.publisher.branchUniversidad Nacional de Colombia - Sede Bogotáspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeBogotá, Colombiaspa
dc.publisher.programBogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Eléctricaspa
dc.relation.referencesWang, L., & Zhao, X. (2012). Improved KNN classification algorithms research in text categorization. Recuperado el 2 de 9 de 2024, de http://yadda.icm.edu.pl/yadda/element/bwmeta1.element.ieee-000006201850
dc.relation.referencesNaciones Unidas. (s.f.). Obtenido de Acción por el clima: https://www.un.org/es/climatechange/science/causes-effects-climate-change
dc.relation.referencesNunez, C. (s.f.). National Geographic. Obtenido de Explicación de qué son los cumbustibles fósiles: https://www.nationalgeographic.es/medio- ambiente/explicacion-que-son-combustibles-fosiles
dc.relation.referencesCasas, M. C., Cepeda, C. C., Álvarez, C., & Gómez, A. (13 de Diciembre de 2023). Ministerio de Ciencias. Obtenido de https://minciencias.gov.co/sites/default/files/upload/noticias/3._documento_de_poli tica_transicion_energetica.pdf
dc.relation.referencesAIE. (2020). Observatorio de las energías renovables. Obtenido de Renewables 2021. Analysis and forecast to 2026: https://observatoriorenovables.org/informe/renewables-2021-analysis-and- forecast-to-2026/
dc.relation.referencesAnalitik, V. (24 de 11 de 2022). Valora Analitik. Obtenido de Colombia entre los líderes del mundo en transición energética: BloombergNEF: https://www.valoraanalitik.com/colombia-entre-los-lideres-del-mundo-en- transicion-energetica-bloombergnef/
dc.relation.referencesGrupo Banco Mundial. (2023). Obtenido de Crecimiento del PIB (% Anual) - Colombia: https://datos.bancomundial.org/indicator/NY.GDP.MKTP.KD.ZG?locations=CO
dc.relation.referencesBlanco, D., Henriquez, S., Fajardo, E. J., & Romero, H. (2020). Revistas UIS. Obtenido de Consumo de energía, crecimiento económico y emisión de dióxido de carbono en Colombia: https://revistas.uis.edu.co/index.php/revistafuentes/article/view/11221
dc.relation.referencesCREG. (30 de 9 de 1997). Comisión de Regulación de Energía y Gas. Obtenido de Resolución 199 de 1997 CREG: https://gestornormativo.creg.gov.co/gestor/entorno/docs/resolucion_creg_0199_19 97.htm
dc.relation.referencesXM. (15 de 2 de 2022). XM. Obtenido de Sigue senda de crecimiento de la demanda de energía en Colombia. 5.54% aumentó la demanda de energía en enero: https://www.xm.com.co/noticias/4656-sigue-senda-de-crecimiento-de-la-demanda- de-energia-en-colombia-554-aumento-la
dc.relation.referencesRengifo, S. (12 de 2022). CECODES. Obtenido de Panoram de la Trancisión Energética en Colombia: https://cecodes.org.co/wp-content/uploads/2023/02/Panorama-de- la-Transicion-Energetica-en-Colombia_web.pdf
dc.relation.referencesBeltrán, J. D., Carvajal, S. X., & Dahiana. (s.f.). Revistas UIS. Obtenido de Nuevos negocios en el mercado energético colombiano: arbitraje de energía con sistemas de almacenamiento: https://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/14840
dc.relation.referencesGLOBALEM. (20 de 1 de 2019). Globalem. Obtenido de Incentivos a la generación de energía renovable en Colombia: https://globalem.co/incentivos-a-la-generacion- de-energia-renovable-en- colombia/#:~:text=Los%20incentivos%20normalmente%20incluyen%20subsidios, deducciones%20de%20impuestos%2C%20entre%20otros
dc.relation.referencesRodríguez, O., Dussan, M. V., & Romero, A. (12 de 2020). SER Colombia. Obtenido de INSUMOS PARA EL ANÁLISIS DE BENEFICIOS NETOS DE ALTERNATIVAS PARA IMPLEMENTACIÓN DE LA INFRAESTRUCTURA DE MEDICIÓN AVANZADA EN EL SIN.: https://ser- colombia.org/normatividad/creg/CREG_circular010- 2021_con_ANEXOS/Circular010-2021%20Producto%202.pdf
dc.relation.referencesPhadke, A. G., & Thorp, J. S. (1988). Computer Relaying for Power Systems. New York: Research Studies Press LTD.
dc.relation.referencesCasalet, M. (2018). CEPAL. Obtenido de La Digitalización Industrial un Camino Hacia la Gobernanza Colaborativa: https://repositorio.cepal.org/server/api/core/bitstreams/509c0376-5040-4ae7-a690- 4667fd3a10b9/content
dc.relation.referencesDiaz, R., Scaramutti, J. C., Arrojo, C. D., & Nastta, H. A. (2013). Facultad de Ingeniería UNLP. Obtenido de ANÁLISIS COMPARATIVO DE SISTEMAS DE MEDICIÓN INTELIGENTES EN EL CONTEXTO DE LAS REDES INTELIGENTES: https://core.ac.uk/download/pdf/296368547.pdf
dc.relation.referencesEOS, T. (4 de 10 de 2022). Tecnologías EOS. Obtenido de Tecnología AMI: la medición necesaria.: https://tec-eos.com/tecnologia-ami-la-medicion-necesaria/
dc.relation.referencesLopéz, R. d. (2020). REIN. Obtenido de Sistema para el monitoreo del consumo de energía eléctrica en tiempo real. : https://rein.umcc.cu/handle/123456789/3578?show=full
dc.relation.referencesValencia, J. F. (2014). Repositorio UNAL. Obtenido de Aplicaciones de Grandes Datos en los Medidores Inteligentes del Consumidor de Electricidad Residencial Colombiano: https://repositorio.unal.edu.co/bitstream/handle/unal/53895/71380521.2015.pdf?se quence=1&isAllowed=y
dc.relation.referencesRubio, C. (2020). Universidad Politécnica de Madrid UPM. Obtenido de Generación de Modelos de Predicción a través de Aprendizaje Automático: https://oa.upm.es/65083/1/TFG_Jun20_Rubio_Garcia_Carmen.pdf
dc.relation.referencesMartignon, M. (2016). Universidad de los Andes Colombia. Obtenido de Estimación y pronóstico de demanda : una diferenciación práctica: https://repositorio.uniandes.edu.co/entities/publication/9b933e76-25a1-4b09-9377- 801f8f840cca
dc.relation.referencesSystem Team. (2024). Team System. Obtenido de Factores Exógenos: https://www.sdelsol.com/glosario/factores- exogenos/?srsltid=AfmBOopVP_PBF8UzQasVFN2kN1gaZavrDDwKSZ_BZLFr- 4ubh5-Y7wjf
dc.relation.referencesRaenburn, A. (8 de 1 de 2024). ASANA. Obtenido de Qué es la gestión de la demanda y por qué es necesaria para el éxito de tu negocio: https://asana.com/es/resources/demand-management
dc.relation.referencesVargas, M. (11 de Mayo de 2015). ESAN. Obtenido de La importancia de implementar el uso de pronósticos en las empresas: https://www.esan.edu.pe/conexion- esan/importancia-implementar-el-uso-de-pronosticos-empresas
dc.relation.referencesSumoAnalytics AI. (12 de Mayo de 2024). Sumo Analitics AI. Obtenido de How AI is Redefining Business Decision-Making: https://www.sumoanalytics.ai/post/how-ai- is-redefining-business-decision-making
dc.relation.referencesBetancourt, D. F. (14 de Marzo de 2016). Ingenio Empresa. Obtenido de Pronóstico de Demanda Cuantitativo: https://www.ingenioempresa.com/metodos-cuantitativos- pronostico-demanda/
dc.relation.referencesMúnera, D. (Abril de 2006). Universidad EAFIT. Obtenido de Desarrollo de la Teoría de la Demanda: Histografía del Enfoque Neoclásico.: https://www.redalyc.org/pdf/3290/329027277002.pdf
dc.relation.referencesSeifi, H. (2011). Electric power system planning,issues, algorithms and solutions. Londres: Springer Verlag.
dc.relation.referencesCadena, J. B. (2017). Gestión del Pronóstico Estratégico Una Herramienta de Planificación en las Empresas. Bogotá: CESA.
dc.relation.referencesMauricio, J. A. (2007). Introducción al Análisis de Series de Tiempo. Madrid: Universidad Cumplutense de Madrid.
dc.relation.referencesMadrigal, E. (3 de Noviembre de 2022). GROWUP DATA ANALITICS. Obtenido de Conoce las métricas de precisión más comunes para Modelos de Regresión: https://www.growupcr.com/post/metricas- precision#:~:text=Consideraciones%3A,el%20modelo%20y%20sus%20prediccion es.
dc.relation.referencesOrtega, C. (2024). QUESTIONPRO. Obtenido de Análisis de regresión: Qué es, tipos y cómo realizarlo: https://www.questionpro.com/blog/es/analisis-de-regresion/
dc.relation.referencesDijk, N. V., & Overbeek, K. (22 de Febrero de 2024). SLIMSTOCK. Obtenido de Forecast Accuracy: definición, fórmula, ejemplos y buenas prácticas: https://www.slimstock.com/es/blog/precision-de-pronosticos-forecast- accuracy/#:~:text=El%20forecast%20accuracy%20se%20puede,medio%20(RMS E)%20y%20más.
dc.relation.referencesAllers, T. (9 de Enero de 2024). ITUENDI. Obtenido de Demand Planning KPIs: A Guide to Essential Metrics to Know: https://intuendi.com/resource-center/kpi-demand- planning/#:~:text=KPIs%20compare%20and%20contrast%20a,to%20improve%20 upon%20these%20errors.
dc.relation.referencesGrigsby, L. L. (2006). Electric Power Engineering Handbook. Boca Raton: Taylor & Francis Group, LLC.
dc.relation.referencesFarrera, A. (2013). Manual de Pronóstico para la Toma de Decisiones. Monterrey: Editorial Digital Tecnológico de Monterrey.
dc.relation.referencesMinitab. (2024). MINITAB. Obtenido de Interpretar todos los estadísticos y gráficas para Promedio móvil: https://support.minitab.com/es-mx/minitab/help-and-how- to/statistical-modeling/time-series/how-to/moving-average/interpret-the-results/all- statistics-and-graphs/#:~:text=Promedio%20móvil%20%3D%206- ,MAPE,está%20errado%20en%20un%205%25.
dc.relation.referencesPeréz, J. A. (2020). Repository Fundación Universitaria Los Libertadores. Obtenido de Pronóstico de Demanda de Energía Eléctrica de Colombia Utilizando un Modelo Estadístico a partir de la Metodología de Box - Jenkins: https://repository.libertadores.edu.co/server/api/core/bitstreams/ccf50b26-6483- 4031-a295-245ea4eb9f3c/content
dc.relation.referencesElastic. (2024). Elastic . Obtenido de Qué es el kNN?: https://www.elastic.co/es/what- is/knn
dc.relation.referencesFix, E., & Hodges, J. L. (1951). Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties. Randolph Field: USAF School of Aviation Medicine.
dc.relation.referencesNandan, A. (26 de Febrero de 2021). Medium. Obtenido de All about K-Nearest Neighbors: https://medium.com/dsckiit/all-about-k-nearest-neighbors- 3027e60aad25
dc.relation.referencesICCSI. (19 de Septiembre de 2018). Obtenido de Knn en regresión: implementación, ventajas y ejemplo: https://iccsi.com.ar/knn-inteligencia-artificial/
dc.relation.referencesFoqum Analytics. (2023). Obtenido de kNN: https://foqum.io/blog/termino/knn/
dc.relation.referencesUniversidad de Alcala. (2024). Obtenido de Scikit-Learn, Herramienta Básica para el Data Science en Python: https://www.master-data-scientist.com/scikit-learn-data- science/
dc.relation.referencesDataScientest. (28 de Diciembre de 2021). Obtenido de ¿Qué es el algoritmo KNN?: https://datascientest.com/es/que-es-el-algoritmo-knn
dc.relation.referencesOtten, N. V. (8 de Mayo de 2024). Spot Intelligence. Obtenido de What is Support Vector Regression (SVR)?: https://spotintelligence.com/2024/05/08/support-vector- regression-svr/
dc.relation.referencesAlakh. (30 de Agosto de 2024). Analytics Vidhya. Obtenido de Support Vector Regression Tutorial for Machine Learning: https://www.analyticsvidhya.com/blog/2020/03/support-vector-regression-tutorial- for-machine-learning/
dc.relation.referencesGeeksforGeeks. (30 de Enero de 2023). Obtenido de Support Vector Regression (SVR) using Linear and Non-Linear Kernels in Scikit Learn: https://www.geeksforgeeks.org/support-vector-regression-svr-using-linear-and- non-linear-kernels-in-scikit-learn/
dc.relation.referencesDai, Y., Lu, L., & Wu, W. (9 de Octubre de 2013). Princeton. Obtenido de Kernels and Kernel Methods: https://www.cs.princeton.edu/~bee/courses/scribe/lec_10_09_2013.pdf
dc.relation.referencesPanchal, S. (6 de Marzo de 2023). Medium. Obtenido de Kernels: Everything You Need to Know: https://towardsdatascience.com/kernels-everything-you-need-to-know- f5d255d95785
dc.relation.referencesRaj, A. (3 de Octubre de 2020). Medium. Obtenido de Unlocking the True Power of Support Vector Regression: https://towardsdatascience.com/unlocking-the-true- power-of-support-vector-regression-847fd123a4a0
dc.relation.referencesPedamkar, P. (24 de Marzo de 2023). EDUCBA. Obtenido de Support Vector Regression: https://www.educba.com/support-vector-regression/
dc.relation.referencesChakure, A. (27 de Abril de 2023). Built In. Obtenido de Random Forest Regression in Python Explained: https://builtin.com/data-science/random-forest-python
dc.relation.referencesKeboola. (17 de Septiembre de 2020). Obtenido de The Ultimate Guide to Random Forest Regression: https://www.keboola.com/blog/random-forest-regression
dc.relation.referencesBeheshti, N. (2 de Marzo de 2022). Medium. Obtenido de Random Forest Regression: https://towardsdatascience.com/random-forest-regression-5f605132d19d
dc.relation.referencesGeeksforGeeks. (04 de Septiembre de 2024). Obtenido de Random Forest Regression in Python: https://www.geeksforgeeks.org/random-forest-regression-in-python/
dc.relation.referencesDash, S. (2024). Machine Learning +. Obtenido de Gradient Boosting – A Concise Introduction from Scratch: https://www.machinelearningplus.com/machine- learning/gradient-boosting/
dc.relation.referencesGonzalez, L. (29 de Marzo de 2019). AprendeIA. Obtenido de Métodos de Ensamble de Modelos: https://aprendeia.com/metodos-de-ensamble-de-modelos-machine- learning-ensemble-methods-en-espanol/#google_vignette
dc.relation.referencesFrery, J., Habrad, A., Sebban, M., & He-Gelton, L. (2018). Obtenido de Non-Linear Gradient Boosting for Class-Imbalance Learning: http://proceedings.mlr.press/v94/frery18a/frery18a.pdf
dc.relation.referencesML Journey. (12 de Mayo de 2024). Obtenido de XGBoost vs. Gradient Boost: Differences and Use Cases: https://mljourney.com/xgboost-vs-gradient-boost- differences-and-use-cases/
dc.relation.referencesGriesbach, C., Säfken, B., & Waldmann, E. (2 de Noviembre de 2020). Arxiv. Obtenido de GRADIENT BOOSTING FOR LINEAR MIXED MODELS: https://arxiv.org/pdf/2011.00947
dc.relation.referencesScikit-Learn. (2024). Obtenido de Gaussian Processes: https://scikit- learn.org/stable/modules/gaussian_process.html
dc.relation.referencesRasmussen, C. E. (2004). Obtenido de Gaussian Processes in Machine Learning: https://www.researchgate.net/publication/41781206_Gaussian_Processes_in_Mac hine_Learning
dc.relation.referencesGörtler, J., Kehlbeck, R., & Deussen, O. (2 de Abril de 2019). Distill. Obtenido de A Visual Exploration of Gaussian Processes: https://distill.pub/2019/visual-exploration- gaussian-processes/
dc.relation.referencesVelasco, V. (Junio de 2016). Universidad Autonoma de Madrid. Obtenido de Apendizaje Multi-Tarea Mediante Procesos Gaussianos para Clasificación:https://repositorio.uam.es/bitstream/handle/10486/677846/velasco_pardo_victor_tf g.pdf?sequence=1&isAllowed=y
dc.relation.referencesCorrea, A. (2023). Universida de Antioquia. Obtenido de Análisis de modelos basados en Machine Learning para la predicción de la demanda de productos en la empresa Dyna & Cía. S.A.: https://bibliotecadigital.udea.edu.co/bitstream/10495/35745/3/CorreaAlejandro_20 23_ModelosPrediccionDemanda.pdf
dc.relation.referencesAl-Musaylh, M. S., Deo, R. C., Adamowski, J. F., & Li, Y. (2018). Short-term electricity demand forecasting with MARS, SVR and ARIMA models using aggregated demand data in Queensland, Australia. Advanced Engineering Informatics: the science of supporting knowledge-intensive activities, 1-16.
dc.relation.referencesBedi, J., & Toshniwal, D. (2019). Deep learning framework to forecast electricity demand. Applied Energy, 1312-1326.
dc.relation.referencesYunxuan, D., Xuejiao, M., & Toglin, F. (2021). Electrical load forecasting: A deep learning approach based on K-nearest neighbors. Aplied Soft Computing.
dc.relation.referencesGómez, M., Esnaola, I., Ferreiro, S., & Sierra, B. (2021). k-Nearest patterns for electrical demand forecasting in residential and small commercial buildings. Energy and Buildings.
dc.relation.referencesHyojeoung, K., Sujin, P., & Sahm, K. (2023). Time-series clustering and forecasting household electricity demand using smart meter data. Energy Report, 4111-4121.
dc.relation.referencesPesantez, J. E., Binbin, L., Lee, C., Zhao, Z., Butala, M., & Sillwell, A. S. (2023). A Comparison Study of Predictive Models for Electricity Demand in a Diverse Urban Environment. Energy.
dc.relation.referencesNawaz, A., Hafeez, G., Khan, I., Ullah, K., Li, H., Khan, S. A., & Wadud, Z. (2020). An Intelligent Integrated Approach for Efficient Demand Side Management With Forecaster and Advanced Metering Infrastructure Frameworks in Smart Grid. IEEE Access, 132551-132581.
dc.relation.referencesRosero, J., González, F. A., Zambrano, A., & Toledo-Cortesa, S. (2023). Short-Term Forecasting of Power Demand: A Case Study with Data from Colombia. SSRN, 0- 11.
dc.relation.referencesCREG. (10 de Junio de 1998). Gestor Normativo - Alejandria. Obtenido de Resolución 70 de 1998 CREG: https://gestornormativo.creg.gov.co/gestor/entorno/docs/resolucion_creg_0070_19 98.htm
dc.relation.referencesSabry, F., & Costa, G. (2022). Red Inteligente. Mil Millones de Conocimiento.
dc.relation.referencesIBM. (s.f.). Obtenido de ¿Qué es la infraestructura de medición avanzada?: https://www.ibm.com/mx-es/topics/advanced-metering- infrastructure#:~:text=La%20AMI%20puede%20ayudar%20a,para%20endpoints% 20de%20medición%20eléctrica.
dc.relation.referencesGonzalez, L. (3 de Marzo de 2020). AprendeIA. Obtenido de Limpieza y preprocesamiento de datos para principiantes con código en Python: https://aprendeia.com/limpieza-y-procesamiento-de-datos-con-codigo-en- python/#google_vignette
dc.relation.referencesSEIDOR. (3 de Julio de 2024). SEIDOR. Obtenido de Modelos de IA: cómo entrenar, validar, ajustar e implementar: https://www.seidor.com/blog/modelos-ia-como- entrenar-validar-ajustar-implementar
dc.relation.referencesShumway, R. H., & Stoffer, D. S. (2017). Time Series Analysis and Applications. Free Dog Publishing. Obtenido de Time Series Analysis and Applications: https://swmprats.net/stoffer/tsa4/tsaEZ.pdf
dc.relation.referencesWolpert, D. H. (1996). The Lack of A Priori Distinctions Between Learning Algorithms. Neural Computation, 1341-1390.
dc.relation.referencesAmat Rodrigo, J., & Escobar, J. (Octubre de 2022). Cienciadedatos. Obtenido de Modelos de forecasting globales: modelado de múltiples series temporales con machine learning: https://cienciadedatos.net/documentos/py44-multi-series- forecasting-skforecast-español.html
dc.relation.referencesAmat Rodrigo, J., & Javier, E. (Agosto de 2024). Ciencia de datos. Obtenido de Skforecast: forecasting series temporales con Python, Machine Learning y Scikit- learn: https://cienciadedatos.net/documentos/py27-forecasting-series-temporales- python-scikitlearn
dc.relation.referencesGeeksforGeeks. (4 de Julio de 2024). Obtenido de LightGBM (Light Gradient Boosting Machine): https://www.geeksforgeeks.org/lightgbm-light-gradient-boosting- machine/
dc.relation.referencesGeeksForGeeks. (10 de Abril de 2024). Obtenido de Time Series Forecasting with Support Vector Regression: https://www.geeksforgeeks.org/time-series- forecasting-with-support-vector-regression/?ref=oin_asr9
dc.relation.referencesSingh, A. (2020). Support Vector Regression (SVR) Model: A Regression-Based Machine Learning Approach. Analytics Vidhya.
dc.relation.referencesSampaio, C. (16 de Noviembre de 2023). StackAbuse. Obtenido de Guide to the K- Nearest Neighbors Algorithm in Python and Scikit-Learn: https://stackabuse.com/k-nearest-neighbors-algorithm-in-python-and-scikit-learn/
dc.relation.referencesGeeksforGeeks. (17 de Junio de 2024). Obtenido de K-Nearest Neighbors (KNN) Regression with Scikit-Learn: https://www.geeksforgeeks.org/k-nearest-neighbors- knn-regression-with-scikit-learn/?ref=oin_asr5
dc.relation.referencesScikit-Learn. (2024). Obtenido de Gaussian Processes regression: basic introductory example: https://scikit- learn.org/stable/auto_examples/gaussian_process/plot_gpr_noisy_targets.html#sp hx-glr-auto-examples-gaussian-process-plot-gpr-noisy-targets-py
dc.relation.references(1) Collective effects and synchronization of demand in real-time demand response. Han, C. , Witthaut, D. , Gorjão, L.R. (2022) Journal of Physics: Complexity.
dc.relation.references(2) High Reporting Rate Smart Metering Data for Enhanced Grid Monitoring and Services for Energy Communities Sanduleac, M. , Ciornei, V.I. , Toma, L. (2022) IEEE Transactions on Industrial Informatics.
dc.relation.references(3) Deep learning-based load forecasting considering data reshaping using MATLAB\Simulink. Hamad, Z. , Abdulrahman, I. (2022) International Journal of Energy and Environmental Engineering.
dc.relation.references(4) Electric power system planning: issues, algorithms and solutions, Seifi, H., & Sepasian, M. S (2011) Springer Science & Business Media.
dc.relation.references(5) Las Redes Neuronales Artificiales: Fundamentos teóricos y aplicaciones prácticas Floréz Raquel y Fernández José Miguel. (2008) España: Netbiblo.
dc.relation.references(6) Mapeo curvas típicas demanda de energía eléctrica del sector residencial, comercial e industrial de la ciudad de Medellín, usando redes neuronales artificiales y algoritmos de interpolación. Tabares, Héctor; Hernández, Jesús. (2008) Medellín, Colombia.
dc.relation.references(7) Predicción de demanda de energía en Colombia mediante un sistema de inferencia difuso neuronal. Medina, Santiago; García, Josefina. (2005) En: Energética, núm. 33, Universidad Nacional de Colombia. Medellín, Colombia.
dc.relation.references(8) Big Data, Data Mining, and Predictive Analytics and High-Performance Computing. Phillippe Mack. (2014). In Renewable Energy Integration.
dc.relation.references(9) Impact of Distributed Energy Resource Penetrations on Smart Grid Adaptive Energy Conservation and Optimization Solutions. Moein Manbachi (2018). in Operation of Distributed Energy Resources in Smart Distribution Networks.
dc.relation.references(10) Metering architecture of smart grid. Inderpreet Kaur (2021). in Design, Analysis, and Applications of Renewable Energy Systems.
dc.relation.references(11) Smarter Demand Response in RTO Markets. Stuart Bresler et al. (2013). in Energy Efficiency.
dc.relation.references(12) Modelos para estimar la demanda en sistemas de distribución. Angelica Bahamón et al. (2002) en Energía y computación.
dc.relation.references(13) A population games transactive control for distributed energy resources. Eder Baron-Prada, Eduardo Mojica-Nava. (2021). In International Journal of Electrical Power and Energy Systems.
dc.relation.references(14) Smart Meters and Advanced Metering Infrastructure. João F. Martins et al. (2019) in Pathways to a Smarter Power System.
dc.relation.references(15) Smart Grids. DrC.R. Bayliss CEng FIET, B.J. Hardy CEng FIET, (2012). in Transmission and Distribution Electrical Engineering (Fourth Edition).
dc.relation.references(16) A Shallow Neural Network Approach for the Short-Term Forecast of Hourly Energy Consumption. Manno, Andrea et al. (2022).
dc.relation.references(17) A Review on Deep Learning with Focus on Deep Recurrent Neural Network for Electricity Forecasting in Residential Building. Abdulrahman, Mustapha Lawal et al. (2021).
dc.relation.references(18) A deep LSTM network for the Spanish electricity consumption forecasting. Torres J.F. et al. (2022).
dc.relation.references(19) Deep learning framework to forecast electricity demand. Bedi, Jatin et al. (2019).
dc.relation.references(20) Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks. Tso, Geoffrey K.F. et al. (2007).
dc.relation.references(21) Convolutional neural networks in estimating the spatial distribution of electric vehicles to support electricity grid planning. Tikka, Ville et al. (2022).
dc.relation.references(22) Experimental investigation of variational mode decomposition and deep learning for short-term multi-horizon residential electric load forecasting. Ahajjam, Mohamed Aymane et al. (2022).
dc.relation.references(23) Deep Learning for Forecasting Electricity Demand in Taiwan. Yang, Cheng-Hong et al. (2022).
dc.relation.references(24) Deep learning with regularized robust long- and short-term memory network for probabilistic short-term load forecasting. Jiang, He et al. (2022).
dc.relation.references(25) Forecasting electricity smart meter data using conditional kernel density estimation. Arora, Siddharth et al. (2016).
dc.relation.references(26) Smart meter based short-term load forecasting for residential customers. Ghofrani M. et al. (2011).
dc.relation.references(27) Methodology for Solving Forecasting Problems Based on Machine Learning Methods. Kalinina, Irina et al. (2022).
dc.relation.references(28) A comparative analysis of machine learning approaches for short-/long-term electricity load forecasting in Cyprus. Solyali, Davut. (2020).
dc.relation.references(29) A multi-task learning model for building electrical load prediction. Liu, Chien-Liang, et al. (2022).
dc.relation.references(30) Deep Learning based Smart Meter Data Analytics for Electricity Load Prediction. Jeyaranjani, J et al. (2019)
dc.relation.references(31) An Introduction to Statical Learning with Application in R. J. Gareth, D. Witten, T. Hastie, R. Tibshirani, (2021) 104-120.
dc.relation.references(32) Support-vector networks, Machine learning 20. C. Cortes, V. Vapnik, (1995) 273-297.
dc.relation.references(33) Consorcio Corpoema-Cusa, Caracterización Energética Del Sector Residencial Urbano Y Rural En Colombia. (2019).
dc.relation.references(34) Characterization of Electricity Demand Based on Energy Consumption data from Colombia. S. Toledo, J. Lara, A. Zambrano, F. González, J. Rosero. (2023).
dc.relation.references(35) Kernel-Based Methods for Short-Term Forecasting of Power Demand: A case of Study with Data from Colombia. S. Toledo, J. Lara, A. Zambrano, F. González, J. Rosero. (2022).
dc.relation.references(36) Time-Series Clustering and Forecasting Household Electricity Demand Using Smart Meter Data. H. Kim, S. Park, S. Kim. (2023).
dc.relation.references(37) A Method for the Characterization of the Energy Demand Aggregated Based on Electricity Data Provided by AMI Systems and Metering in Substation. O. Bustos, J. Duarte, A. Zambrano, F. González, J. Rosero. (2024).
dc.relation.references(38) Pronóstico de Demanda Utilizando Inteligencia Artificial. S. Dorado, V. Velázquez. (2020).
dc.relation.references(39) Introducción al Análisis de Series Temporales. J. Mauricio. (2007).
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.licenseReconocimiento 4.0 Internacional
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/
dc.subject.ddc000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadoresspa
dc.subject.ddc650 - Gerencia y servicios auxiliares::658 - Gerencia generalspa
dc.subject.proposalEstadísticaspa
dc.subject.proposalEntrenamientospa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalMedidores inteligentesspa
dc.subject.proposalPlaneamientospa
dc.subject.proposalStatisticseng
dc.subject.proposalTrainingeng
dc.subject.proposalArtificial intelligenceeng
dc.subject.proposalSmart meterseng
dc.subject.proposalPlanningeng
dc.subject.unescoIndustria eléctricaspa
dc.subject.unescoElectrical industryeng
dc.subject.unescoAbastecimiento de energíaspa
dc.subject.unescoEnergy supplyeng
dc.subject.unescoDesarrollo de la capacidadspa
dc.subject.unescoCapacity buildingeng
dc.titleDesarrollo de una metodología para estimación de la demanda del sistema de distribución usando AMIspa
dc.title.translatedDevelopment of a methodology for estimating the demand of the distribution system using AMIeng
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dcterms.audience.professionaldevelopmentInvestigadoresspa
dcterms.audience.professionaldevelopmentPúblico generalspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
Trabajodegrado72155864.pdf
Tamaño:
1.81 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis de Maestría en Ingeniería - Ingeniería Eléctrica
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
5.74 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ingeniería - Eléctrica