Resumen

Este trabajo analiza métodos y algoritmos de predicción del comportamiento deconsumo eléctrico basados en redes neuronales, usando datos obtenidos de lainfraestructura de medición avanzada (AMI) de una institución educativa. También,se ha realizado un contraste entre el uso de redes neuronales convencionales(ANN), redes neuronales basadas en wavelets (WNN) y los polinomios potencialesde grado uno (P1P). Se analiza la correlación de cada método de predicción, asícomo el comportamiento del error cuadrático medio (MSE) para finalmente establecer si existe un desbalance en el coste computacional a través del análisisde Big-O y el tiempo de ejecución. Los resultados cuantitativos del error MSE estánpor debajo del 0,05% para predicciones con ANN y usan un alto costocomputacional. Para P1P se presentan errores alrededor del 1,2% mostrando comométodo de predicción de bajo consumo computacional pero aplicable de formaprincipal para un análisis a corto plazo. Este trabajo se da en respuesta a lanecesidad de establecer una plataforma que permita aprovechar la estructura demedición inteligente, a través de la predicción de perfil de consumo eléctrico con elobjetivo de elaborar una planificación de mantenimiento y gestión de la demandaeléctrica para reducir costos de operación desde el consumidor final hasta el gestorde la distribución de energía eléctrica. Para el análisis de las proyecciones sobre elperfil de carga eléctrica se consideran las características estadísticas del consumopara seleccionar los algoritmos de predicción según la cantidad de días a proyectar,usando los datos de cualquiera de los medidores inteligentes, que pueden sermonitoreados en una red eléctrica orientada a las Smart Grids.

I. INTRODUCCIÓN

Actualmente el consumo energético está aumentando exponencialmente debido a la gran cantidad de nuevos dispositivos, lo que implica también un aumento en el coste del consumo energético. De allí que el flujo y disponibilidad de energía es fundamental para la interacción entre oferta y demanda de los sistemas energéticos, tal importancia se refleja en el comportamiento de la producción, importación, exportación y consumo de energía por fuentes y sectores, siendo este último parte fundamental en el planificación para garantizar una producción y un consumo eficientes de energía [ 1 ], [ 2 ]. Por este motivo, las redes inteligentes (SG) se aplican en infraestructuras de medición avanzada (AMI), que permiten desarrollar análisis del perfil de consumo de energía eléctrica en cualquier entorno [ 3 ] , [ 4]. Por lo tanto, dada la importancia del sistema energético, es necesario implementar sistemas de predicción del consumo energético que permitan una adecuada planificación del consumo eléctrico para reducir costos; y optimización de recursos, incluyendo el desarrollo de modelos que permitan el escalamiento de redes en respuesta a la demanda de consumo energético [ 5 ], [ 6 ], [ 7 ].

• Materias:Consumo de energía Medicina Redes neuronales (Computadores)
• Subjects:Energy consumption Medicine Neural networks (Computer science)
• Palabras claves:AMI; medición inteligente; P1P; predicción de consumo eléctrico; WNN.
• Keywords:AMI; electricity consumption prediction; P1P; smart metering; WNN.