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
DOI:
https://doi.org/10.17533/udea.redin.17934Palabras clave:
Redes neuronales artificiales, algoritmos de interpolación, demanda de energía eléctricaResumen
Uno de los principales problemas para modelar el consumo de energía eléctrica en un lugar determinado, consiste en la extracción del conocimiento cuando éste se encuentra almacenado en grandes volúmenes de información como, por ejemplo, registros históricos. De acuerdo con esta representación, cada hecho ocurrido y registrado está compuesto por una pareja de componentes (t, P) en donde t representa el tiempo en el que se registro la muestra y P representa la potencia eléctrica consumida en ese instante. El registro diario cuenta con N casos que representa cada una de las parejas de estímulo- respuesta conocidas. El objetivo de este trabajo consiste en hallar una función que permita mapear el vector de variables de entrada t al vector de variables de salida P. donde F es una función cualquiera, en este caso el consumo de energía eléctrica. Su modelamiento con Redes Neuronales Artificiales (RNA) es un Perceptron Multi Capa (PMC). Otra forma de modelarlo es usando Algoritmos de Interpolación (AI).
Descargas
Citas
J. Hilera. “Redes Neuronales Artificiales”. Fundamentos, modelos y aplicaciones. Ed. Alfa Omega. Madrid. 2000. pp. 132-153.
B. Martín del Brio. Redes Neuronales y Sistemas Difusos. Ed. Alfa Omega. Madrid. 2002. pp 64 - 69.
T. Masters. Practical Neural Networks recipes in C++. Ed. Academic Press, Inc. San Diego (CA). 1993. pp. 173-180.
R. Burden, F. Duglas. Análisis Numérico. Ed. Thomson Learning. México. 2002. pp. 104-141.
J. Mathews, K. Fink. Métodos Numéricos con Mathlab. 3ª ed. Ed. Prentice Hall. Madrid. 2000. pp. 203-250.
S. Grainger. Análisis de sistemas de potencia. Ed. M. Graw Hill. New York. 2002. pp. 56-124.
R. Dow, J. Sietsman. “Creating Artificial Networks that generalize”. Neural Networks. Vol. 4. pp. 198-209.
Facultad de Ingeniería, Universidad de Antioquia. http://jaibana.udea.edu.co/producciones/programas.html. Consultada el 4 de Marzo de 2007.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter