Normal view MARC view ISBD view

Mejora del pronóstico de carga a corto plazo en el sistema de distribución de la Empresa Eléctrica Ambato Regional Centro Norte S.A. (EEASA) basada en criterios de Big Data / Gilbert Alexis Guamán Figueroa

By: Guamán Figueroa, Gilbert Alexis.
Contributor(s): Avilés Merino, Fausto Guillermo [director].
Material type: Mixed materialsMixed materialsPublisher: Quito : EPN, 2019Description: 127 hojas : ilustraciones, 29 x 21 cm + CD-ROM 9982.Subject(s): Empresa Eléctrica | Eléctrica | Big DataOther classification: T-IE/ Online resources: Texto completo
Contents:
La Biblioteca General no dispone de esta tesis en formato de papel.
Dissertation note: FACULTAD DE INGENIERIA ELECTRICA Y ELECTRONICA Pregrado Tesis (Ingeniero Eléctrico). -- Escuela Politécnica Nacional. 2019 Summary: Resumen .- Este proyecto técnico se enfoca en la mejora del proceso de obtención del pronóstico de la demanda de energía eléctrica en la Empresa Eléctrica Ambato Regional Centro Norte S.A. (EEASA) utilizando criterios del Big Data, mediante la elaboración de un modelo computacional en lenguaje de programación PYTHON 3.7. Al desarrollo del programa se vincula un módulo de análisis gráfico que permite evaluar los valores de carga eléctrica presentes en la base de datos de la EEASA y adicionalmente un módulo de proyección de carga eléctrica en el cual se integran algoritmos propios del aprendizaje de máquina o aprendizaje automático, como el Modelo Autorregresivo Integrado de Media Móvil, la Regresión Lineal, la Máquina de Vector Soporte y el Perceptrón Multicapa. Se plantearon diferentes casos de estudio como los escenarios más frecuentes para la generación de proyecciones de carga eléctrica como: semana con días feriados, semana con incidencia programada y no programada, semana en temporada seca y semana en temporada lluviosa, mismos que permitieron poner a prueba cada algoritmo implementado, evaluar sus resultados y compararlos entre si mediante el cálculo de los indicadores del porcentaje de error medio absoluto (PEMA), el error medio cuadrático (EMC) y la exactitud de la proyección (EP). Summary: Abstract.- This technical project focuses on the improvement of the process to obtaining the demand forecast of electrical energy in the Empresa Eléctrica Ambato Regional Centro Norte S.A. (EEASA) using Big Data criteria, through the elaboration of a computer model in PYTHON programming language 3.7. A graphical analysis module is linked to the development of the program that allows evaluating the electric charge values present in the EEASA database and additionally an electrical load projection module in which algorithms of machine learning or automatic learning are integrated, such as the Autoregressive Integrated Moving Average, Linear Regression, Support Vector Machine and Multilayer Perceptron. Different study cases were proposed as the most frequent scenarios for the generation of load forecast such as: holidays week, scheduled and unscheduled incidence weeks, dry season week and rainy season week, which allowed to test each implemented algorithm, evaluate their results and compare them with each other by calculating the indicators of the absolute average error percentage (PEMA), the quadratic average error (EMC) and the forecast accuracy (EP).
Tags from this library: No tags from this library for this title.
    average rating: 0.0 (0 votes)
Item type Current location Collection Call number Copy number Status Date due Barcode Item holds
Tesis en Recursos Electrónicos Tesis en Recursos Electrónicos BIBLIOTECA DE ING. ELÉCTRICA Y ELECTRÓNICA
TESIS (NIVEL II) 621.319 G912m TESIS (Browse shelf) Ej. 2 Not for loan 4675
Tesis Tesis BIBLIOTECA GENERAL
T-IE/4951/CD 9982 (Browse shelf) Ej. 1 Not For Loan BC19100003
Total holds: 0

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRONICA Pregrado Tesis (Ingeniero Eléctrico). -- Escuela Politécnica Nacional. 2019

Bibliografía : páginas 106 - 107.

La Biblioteca General no dispone de esta tesis en formato de papel.

Resumen .-
Este proyecto técnico se enfoca en la mejora del proceso de obtención del pronóstico de la demanda de energía eléctrica en la Empresa Eléctrica Ambato Regional Centro Norte S.A. (EEASA) utilizando criterios del Big Data, mediante la elaboración de un modelo computacional en lenguaje de programación PYTHON 3.7.
Al desarrollo del programa se vincula un módulo de análisis gráfico que permite evaluar los valores de carga eléctrica presentes en la base de datos de la EEASA y adicionalmente un módulo de proyección de carga eléctrica en el cual se integran algoritmos propios del aprendizaje de máquina o aprendizaje automático, como el Modelo Autorregresivo Integrado de Media Móvil, la Regresión Lineal, la Máquina de Vector Soporte y el Perceptrón Multicapa.
Se plantearon diferentes casos de estudio como los escenarios más frecuentes para la generación de proyecciones de carga eléctrica como: semana con días feriados, semana con incidencia programada y no programada, semana en temporada seca y semana en temporada lluviosa, mismos que permitieron poner a prueba cada algoritmo implementado, evaluar sus resultados y compararlos entre si mediante el cálculo de los indicadores del porcentaje de error medio absoluto (PEMA), el error medio cuadrático (EMC) y la exactitud de la proyección (EP).

Abstract.- This technical project focuses on the improvement of the process to obtaining the demand forecast of electrical energy in the Empresa Eléctrica Ambato Regional Centro Norte S.A. (EEASA) using Big Data criteria, through the elaboration of a computer model in PYTHON programming language 3.7.

A graphical analysis module is linked to the development of the program that allows evaluating the electric charge values present in the EEASA database and additionally an electrical load projection module in which algorithms of machine learning or automatic learning are integrated, such as the Autoregressive Integrated Moving Average, Linear Regression, Support Vector Machine and Multilayer Perceptron.

Different study cases were proposed as the most frequent scenarios for the generation of load forecast such as: holidays week, scheduled and unscheduled incidence weeks, dry season week and rainy season week, which allowed to test each implemented algorithm, evaluate their results and compare them with each other by calculating the indicators of the absolute average error percentage (PEMA), the quadratic average error (EMC) and the forecast accuracy (EP).

cedido 2019/10/01 $ 0.20 1 Biblioteca General Gilbert Alexis Guamán Figueroa 73386

There are no comments for this item.

Log in to your account to post a comment.

Powered by Koha