Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/17367
Título : Predicción de la Demanda Eléctrica en Barra de 69 kV del Sistema Eléctrico de Subtransmisión de la Empresa Eléctrica Riobamba S.A.
Autor : Quisimalín Villacís, Leonardo David
Palabras clave : SISTEMAS ELÉCTRICOS DE POTENCIA
DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
Fecha de publicación : 8-may-2017
Editorial : Quito, 2017.
Citación : Quisimalín Villacís, L. D. (2017). Predicción de la Demanda Eléctrica en Barra de 69 kV del Sistema Eléctrico de Subtransmisión de la Empresa Eléctrica Riobamba S.A. 135 hojas. Quito : EPN.
Resumen : This document presents a model of an Artificial Neural Network (ANN) for the medium term electrical demand forecasting in a 69 kV bus of the Electrical Sub-transmission System of Riobamba’s Electrical Company. Different cases were developed for various conditions in order to find the best Artificial Neural Network, for that matter, the ANNs were trained with monthly electrical energy historical data, economical and/or demographical of Chimborazo’s province. The cases were analyzed by following different ANN topologies where 4 cases have individual outputs (next month consumption) while 5 cases have simultaneous outputs (consumption in the next 12 months). It was found that the simultaneous output models improve the data forecasting of the actual method used by Riobamba’s Electrical Company in certain ways. Cases that involve individual outputs didn’t have success in achieving the data modeling. The main objective is to find a valid model that allows to forecast the electrical demand in a 69 kV bus of the Electrical Sub-transmission System of Riobamba’s Electrical Company, these data correspond to the monthly Electrical energy consumption in MWh, so for that matter it was necessary to create a table with monthly data (12 months) from the year 2008 to the year 2015 (8 years) for a total of 96 monthly data that will be used as inputs in the training of the Neural Network and a total of 12 monthly data correspondent to the year 2016 to validate the network, Feed-forward multilayer Perceptron type Neural Networks were implemented while applying the back-propagation algorithm for the training. Data sets were divided into a training set, along with a testing set to compare real observations of the year 2016 and the ones using the ANN. The mentioned mid term goes from January 2017 to December 2017.
Descripción : En este documento se modela una Red Neuronal Artificial (RNA) para la Predicción de Demanda Eléctrica a mediano plazo en Barra de 69 kV del Sistema Eléctrico de Subtransmisión de la Empresa Eléctrica Riobamba S.A. Se elaboraron diferentes casos para diversas condiciones con el propósito de encontrar la mejor red neuronal artificial posible, para ello, se entrenaron las RNA con los datos históricos de energía eléctrica mensual, económicos y/o demográficos de la provincia de Chimborazo. Los casos se analizaron siguiendo diferentes topologías de RNA donde 4 casos cuentan con salidas individuales (consumo del mes próximo) mientras que 5 casos cuentan con 12 salidas simultáneas (consumo de los próximos 12 meses). Se encontró que los modelos con salidas simultaneas mejoran en cierta medida la predicción de los datos que el método actual empleado por la Empresa Eléctrica Riobamba S.A. Los casos que involucran salidas individuales no tuvieron éxito en lograr el modelado de los datos. El objetivo principal es encontrar un modelo válido que permita predecir la demanda eléctrica en barra de 69 kV del Sistema Eléctrico de Subtransmisión de la Empresa Eléctrica Riobamba S.A., estos datos corresponden a la energía consumida durante cada mes en MWh, para ello es necesario crear una tabla con datos mensuales (12 meses) desde el 2008 hasta el 2015 (8 años) para un total de 96 datos mensuales que serán empleados como entradas en el entrenamiento de la red neuronal y un total de 12 datos mensuales correspondientes al año 2016 para la validación de la red, se emplearon redes neuronales tipo perceptrón multicapa con alimentación hacia adelante (feedforward) aplicando el algoritmo de retro propagación (backpropagation) para el entrenamiento, dicho mediano plazo está comprendido entre enero del 2017 y diciembre del 2017.
URI : http://bibdigital.epn.edu.ec/handle/15000/17367
Aparece en las colecciones: Tesis Ingeniería Eléctrica (IE)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
CD-7865.pdf4,15 MBAdobe PDFVisualizar/Abrir


Este ítem está protegido por copyright original



Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.