Please use this identifier to cite or link to this item: http://ri-ng.uaq.mx/handle/123456789/561
Title: Modelación del consumo de energía eléctrica mediante métodos heurísticos
metadata.dc.creator: JOSE LUIS ROJAS RENTERIA
Keywords: INGENIERÍA Y TECNOLOGÍA;CIENCIAS TECNOLÓGICAS
metadata.dc.date: 2-Aug-2021
Description: Durante los últimos años ha crecido la demanda de energía eléctrica en los sectores industriales y comerciales, así como en edificios públicos y privados. Lo anterior representa un problema para pronosticar el consumo de electricidad en estos sectores, por lo tanto, se tiene como finalidad evitar las multas impuestas por las respectivas empresas del suministro de electricidad. A medida que el consumo de energía eléctrica en estos sectores crece, la complejidad de los sistemas de generación y consumo de energía en las empresas de electricidad se incrementa de acuerdo a su capacidad de suministro de energía. Esta tesis presenta una modelación con métodos de Redes Neuronales Artificiales (RNA) y Auto regresivos con entradas exógenas (ARX) para calcular y predecir el consumo eléctrico para el sector público mediante procedimientos heurísticos, utilizando variables climáticas como la temperatura, la radiación solar, la velocidad del viento y la humedad relativa, así como el consumo de energía y el tiempo (hr. y día). Este sistema permite la previsión el consumo eléctrico en los próximos meses y, por lo tanto, una mejor gestión de la energía eléctrica. La previsión del consumo eléctrico en el sector público requiere de avanzadas herramientas inteligentes como las que se presentan en este estudio. La validación del modelo se realizó comparando los resultados con un modelo de regresión no lineal, RNA y ARX, también se tomaron en cuenta los datos reales con el análisis de la varianza (ANOVA) y con la prueba de rango múltiple DUNCAN. Este estudio de modelación del consumo de energía eléctrica para el sector público, se llevó a cabo en el posgrado de la Facultad de Ingeniería de la Universidad Autónoma de Querétaro. Los resultados de la predicción de modelo 4-4-1 RNA fueron de los intervalos de confianza del 95%. Las variables utilizadas como insumos para la previsión de modelo neuronal fueron la temperatura, el consumo de energía y el tiempo (día y hora) con un error estimado de 0.022 comparado con los datos reales. El algoritmo utilizado para la previsión fue el Levenberg-Marquardt.
Growth electric energy demand in the industrial and commercial sectors and in public and private buildings represents a problem to forecast electricity consumption in these sectors, in order to avoid fines imposed by the respective companies supplying electricity. As the electric energy consumption in these sectors grows, the complexity of the generation systems and energy consumption in the electricity companies increases according to their ability to supply power. This thesis presents a modelation by methods of artificial neural networks (ANN) and Auto Regressive with exogenous input (ARX) to calculate and predict the electrical consumption for the public sector through heuristics, using climatic variables such as temperature, solar radiation, wind speed and relative humidity as well as the consumption of energy and time (hr. and day). This system allows forecasting the electrical consumption of the next few months, and therefore, a better management of electric energy. Forecasting electricity consumption in public sector requires advanced intelligent tools such as those presented in this study. Model validation was performed by comparing the results with a nonlinear regression model, RNA, ARX and the actual data with the analysis of variance (ANOVA) with Duncan's multiple range tests. This modeling study of electricity consumption for the public sector took place in the Graduate of Engineering School at the Universidad Autónoma de Querétaro. The results of the 4-4-1 ANN model forecasting were of 95% confidence intervals. The variables used as inputs to the neural model forecasting were temperature, power consumption and time (hr. and day) with an estimated error of 0.022 compared with the real data. The algorithm used to forecast was Levenberg-Marquardt.
URI: http://ri-ng.uaq.mx/handle/123456789/561
Other Identifiers: Anova
Anova
Artificial neural network
Duncan
Duncan
Red neuronal artificial
Appears in Collections:Tesis

Files in This Item:
File Description SizeFormat 
RI000286.pdf1.74 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.