Ingeniería de Sistemas · 2024
Prototipo de software para el pronóstico de demanda de energía en la Electrificadora de Santander
Título: 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.
Texto completo 96 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 18
- Generalidadesp. 21
- Modalidad de trabajo de gradop. 21
- Empresa ESSA y el pronóstico de la Energíap. 21
- Contextualización y Fundamentación del Proyectop. 23
- Objetivosp. 27
- Objetivo Generalp. 27
- Objetivos Específicosp. 27
- Marco de referenciap. 28
- Pronóstico de la Demandap. 28
- Curva de la Demandap. 28
- Demanda Eléctricap. 29
- Factores que influyen en la demandap. 29
- Redes Neuronalesp. 29
- Arquitectura de las Redes Neuronalesp. 30
- Mecanismos de Aprendizaje de las Redes Neuronalesp. 32
- Redes Neuronales Recurrentesp. 32
- Criterios de Evaluación del Modelo de una Red Neuronalp. 33
- Algoritmo Backpropagationp. 36
- Redes neuronales LSTMp. 37
- Metodologíap. 38
- Modelo predictivop. 39
- Interfaz gráfica (GUI)p. 42
- Desarrollo de la prácticap. 44
- Análisis y requisitos del softwarep. 44
- Análisis y Procesamiento de los datosp. 46
- Recolección y procesamiento de los datosp. 48
- Análisis Exploratorio de Datos (EDA)p. 54
- Preprocesamiento de los Datosp. 64
- Diseño, Arquitectura y Entrenamiento del Modelop. 69
- Validación y Pruebas del Modelop. 77
- Datos de prueba de la Red Neuronal LSTMp. 77
- Monitoreo de pronóstico a partir del modelo de la red neuronalp. 79
- Desarrollo de Prototipo de Softwarep. 82
- Requerimientos Funcionales y no funcionalesp. 82
- Diseño de la Interfaz de Usuariop. 84
- Implementación con Tkinterp. 86
- Pruebas y Validaciónp. 90
- Conclusionesp. 92
- Referencias bibliográficasp. 94
- Tabla 4. Información relevante del conjunto de datos………………………………………p. 79
- Tabla 5. Pronóstico de 3 semanas…………………………………………………………...…p. 80
- Tabla 6. Requerimientos funcionales GUI……………………………………………………p. 83
- Figura 1. Estructura Organizacional de la ESSA. Enfoque Área de Gestión Operativa………p. 23
- Figura 2. Arquitectura de las Redes neuronales. Adaptado de Red Neuronal Artificial.………p. 31
- Figura 4. Modelo en cascada.………………………………………………………..…....……p. 40
- Figura 5. Diagrama de Diseño y entrenamiento de la red neuronal.……………………….…p. 47
- Figura 9. Consumo de temperaturas API open meteo…………………………………p. 53
- día………………………………………………………………………………………………p. 55
- día……………………………………………………………………………………..………p. 56
- día kWh…………………………………………………………………………………………p. 57
- día kWh…………………………………………………………………………………………p. 59
- energía por día kWh……………………………………………………………………………p. 60
- periodo (24 horas del día)………………………………………………………p. 62
- Figura 17. Gráfico de datos atípicos, implementación del algoritmo K-Means……...………p. 63
- 2014……………………………………………………………………………………………p. 65
- tos………………………………………………………………………………………….……p. 66
- numéricos………………………………………………………………………………………p. 68
- Figura 23. Datos de entrada y división del conjunto de datos…………………………p. 71
- Figura 24. Modelo de la red neuronal LSTM……………………………………………..……p. 73
- Figura 25. Arquitectura de la red neuronal LSTM……………………………………p. 74
- Figura 26. Gráfico de data de para pruebas de la red neuronal………………………………p. 76
- Figura 27. Gráfico del modelo de la Red Neuronal LSTM……………………………………p. 78
- diario…………………………………………………………………………………...………p. 89