Professional Documents
Culture Documents
Durante la última década, los mercados eléctricos han estado cambiado a modelos
desregularizados, creándose la necesidad de modelos de pronóstico de la demanda más
precisos; ya que a falta de éstos se corre el riesgo de una sub generación o sobre generación
y lo que ocasiona afectaciones de carácter operativo y económico; dado que una empresa
tendrá que adquirir o generar energía eléctrica a un mayor costo, con las correspondientes
consecuencias técnicas de desconectar carga, con la correspondiente pérdida de calidad en
el suministro del servicio
La Empresa Eléctrica Regional Sur SA, para poder distribuir y comercializar la energía
eléctrica mantiene cuatro sub estaciones distribuidas. La Sub Estación de Norte, Sub
Estación Obrapía, Sub Estación San Cayetano, Sub estación Sur; Encargadas de transportar,
distribuir y mantener la demanda de energía eléctrica en la ciudad de Loja, las cuatro
subestaciones ubicadas en la ciudad de Loja son de tipo reductoras, bajando el voltaje de
69 kV a 13,2 kV , entregando la energía a la red de distribución de media tensión a los
transformadores que reducen la tensión a los valores industriales, comerciales y
domiciliares.
Por mantener el incremento poblacional una relación directa con el incremento de recursos
como la energía eléctrica es necesario un realizar un estudio de pronóstico de demanda
eléctrica a corto plazo en las subestaciones locales.
El presente trabajo de tesis se plantea investigar un Modelo de una red neuronal para
pronosticar la demanda de energía eléctrica a corto plazo con base de datos limitada de las
subestaciones Loja.
2. JUSTIFICACIÓN.
Para todas las organizaciones es importante realizar pronósticos de ciertas variables, las
compañías que operan sistemas eléctricos de potencia no son la excepción, ya que requieren
minimizar la incertidumbre de la demanda que se tendrá a corto plazo
General.
Determinar el modelo de Red Neuronal Artificial a utilizar en el pronóstico a corto plazo de
demanda para sub estaciones.
Específicos.
Obtener, seleccionar y organizar los datos de la base de las demandas de consumo
de energía de la ciudad de Loja, de los últimos cuatro años.
Seleccionar y Optimizar un modelo de red neuronal para pronóstico a corto plazo.
Evaluar la capacidad de generalización del modelo de pronóstico, aplicando
técnicas específicas para medir errores de pronóstico, realizando comparaciones con
las técnicas comunes de evaluación de errores.
4. MARCO TEORICO.
CAPÍTULO 1 MÉTODOS DE PREDICCIÓN
3.1. Introducción
3.1.1. La neurona biológica
3.1.2.La neurona artificial
3.1.3. Un modelo de neurona artificial
3.2. Conceptos y definiciones
3.2.1.Paradigmas de aprendizaje
3.2.2.Modo de operación
3.2.3.Operaciones de las capas
3.3. El perceptrón
3.4. Aplicación de redes neuronales
3.4.1. Aplicaciones generales
3.4.2.Principales aplicaciones
3.4.3. Aplicaciones en ingeniería eléctrica
5. METODOLOGÍA.
El trabajo de investigación se utilizara el método de correlación que me ayudara a analizar,
organizar y procesar las variables que mantiene los datos de las subestaciones, tomado
como principal referencia las demandas máximas en los últimos 4 años y para el diseño de
la red neuronal se realizara de acuerdo al sistema esquemático de la red neuronal.
10. BIBLIOGRAFÍA.
1. http://www.eerssa.com/nuestra-empresa/historia.html.
2. http://www.indexmundi.com/g/g.aspx?c=ec&v=24&l=es.
3. M.C. Raúl Vilcahuaman S. Ing. Iván Medina C. e Ing. Antonio Téllez V., ”SISTEMA EXPERTO
PARA PRONÓSTICO DE LA DEMANDA”
4. http://www.continental.edu.pe/revista/articulos/pronos.htm
5. EDWIN K.P. CHONG And STANISLAW H. ZAK, “AN INTRODUCTION TO
OPTIMIZATION”, WILEY INTERSCIENSE.
6. Malcolm R. Irving, Yong-Hua Song, “OPTIMISATION TECHNIQUES FOR
ELECTRICAL POWER SYSTEMS, PART 1 MATHEMATICAL OPTIMIZATION
7. METHODS”, Power Engineering Journal October 2000.
8. Malcolm R. Irving, Yong-Hua Song, “OPTIMISATION TECHNIQUES FOR ELECTRICAL
POWER SYSTEMS, PART 2 HEURISTIC OPTIMIZATION
9. Ei-Sharkawi, Mohamed and Niebur, Dagmar, “A TUTORIAL COURSE ON ARTIFICIAL
NEURAL NETWORKS WITH APPLICATIONS TO POWER SYSTEMS”, IEEE power
engineering Society.
10. Alberto Solís O. Oscar L. Chacon M. “APLICACIÓN DE REDES NEURONALES
ARTIFICIALES EN INGENIERIA ELECTRICA” RVP-94 EDU-08 julio 1994.
11. Y.-Yih Hsu, C-Chuen Yang, “ DESING OF ARTIFICIAL NEURAL NETWORKS FOR SHORT
TERM LOAD FORECSTING. PART I: SELF ORGANISING FEATURE MAPS FOR DAY TYPE
INDENTIFICATION”, IEE, 1991.
12. Y.-Yih Hsu, C-Chuen Yang, “ DESING OF ARTIFICIAL NEURAL NETWORKS FOR SHORT
TERM LOAD FORECASTING. PART II: MULTILAYER FEEDFORWARD NETWORKS FOR
PEAK LOAD AND VALLEY LOAD FORECASTING”, IEE, 1991
13. Juan G. Gómez G. Tesis de Licenciatura “PRONÓSTICO DE LA DEMANDA DE
ENERGÍA ELÉCTRICA UTILIZANDO REDES NEURONALES ARTIFICIALES”,
Sección de graduados de la ESIME del IPN. Agosto del 2001 México, D.F
G.F.Filaretov, E.O. Averchenkov, ”USING NEURAL NETS FOR TIME SERIES
FORECASTING”, Published IEEE, 1999.
14. P. Cortez, M. Rocha J. Machado y J. Neves, “A NEURAL METWORK BASED TIME SERIES
FORECASTING SYSTEMS”, Published IEEE, 1995.
15. Alfares, Mohammad Nazeeruddin Hesham K., "Eelectric Load Forecasting: Literature Survey and
Calssification of Methods," Internationa Journal of Systems Science, pp. 23-34, 2002.