Gallo et al. / Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el SNI
El problema de proyección de demanda descrito a
detalle en este estudio, que define la proyección de la
demanda de potencia eléctrica en un horizonte de dos
semanas basándose en el consumo de potencia de días
previos, determinó que, el análisis de minería de datos de
los registros horarios de demanda de potencia en la
semana previa al pronóstico es un requerimiento
primordial para disminuir errores de proyección.
El ajuste adecuado de los diferentes hiperparámetros
de los algoritmos de aprendizaje automático es un
requerimiento muy importante para que el rendimiento
de proyección sea el mejor posible. Es por esto, que se
recomienda un estudio minucioso del aporte que realiza
cada hiperparámetro en la construcción de un modelo de
aprendizaje automático para ajustar algoritmos más
confiables y eficientes.
REFERENCIAS BIBLIOGRÁFICAS
[1] R. Medina and E. Montoya, “Estimación estadística
de valores faltantes en series históricas de lluvia,”
trabajo de fin de máster, Universidad Tecnológica de
Pereira, Pereira, 2008.
[2] S. Jurado, A. Nebot, F. Mugica, and N. Avellana,
“Hybrid methodologies for electricity load
forecasting: Entropy-Based Feature Selection with
Machine Learning and Soft Computing
Techniques,” ENERGY, vol. 86, pp. 276–291, Jun.
2015.
[3] V. Hinojosa, “Pronóstico de Demanda de Corto
Plazo en Sistemas de Suministro de Energía
Eléctrica utilizando Inteligencia Artificial,”
Universidad Nacional de San Juan, Argentina, 2007.
[4] M. Khan and A. Abraham, “Short Term Load
Forecasting Models in Czech Republic Using Soft
Computing Paradigms,” International Journal of
Knowledge-Based Intelligent Engineering Systems,
vol. 7, pp. 172–179, 2004.
[5] A. El khantach, M. Hamlich, and N. Belbounaguia,
“Short-term load forecasting using machine learning
and periodicity decomposition,” Energy, vol. 7, no.
3, pp. 382–394, Jun. 2019.
[6] K. Berk, Modeling and Forecasting Electricity
Demand A Risk Management Perspective.
Germany: Springer, 2015.
[7] V. Hinojosa, “Pronóstico de Demanda de Corto
Plazo en Sistemas de Suministro de Energía
Eléctrica utilizando Inteligencia Artificial,”
Universidad Nacional de San Juan, Argentina, 2007.
[8] M. Jacob, C. Neves, and D. Vukadinović Greetham,
“Short Term Load Forecasting,” in Forecasting and
Assessing Risk of Individual Electricity Peaks.
Mathematics of Planet Earth, Springer, 2019, pp.
15–37.
[9] Y. Liu, Python Machine Learning by Example, 2nd
ed. Birmingham: Packt, 2017.
[10] L. Igual and S. Seguí, Introduction to Data Science:
A Python Apporach to Concepts, Techniques and
Applications. Switzerland: Springer, 2017.
[11] L. BREIMAN, “Random Forests,” Machine
Learning, vol. 45, pp. 5–32, 2001.
[12] Scikit Learn, “scikit-learn Machine Learning in
Python.” Jun. 28, 2020, Accessed: Jun. 28, 2020.
[Online]. Available: https://scikit-
learn.org/stable/index.html.
[13] Medium, “A Trip to Random Forest.” Mar. 2018,
Accessed: Jun. 28, 2020. [Online]. Available:
https://medium.com/greyatom/a-trip-to-random-
forest-5c30d8250d6a.
[14] M. Swamynathan, Mastering Machine Learning
with Python in Six Steps: A practical
Implementation Guide to Predictive Data Analytics
Using Python. Bangalore: Apress, 2017.
[15] K. Brent, J. Bergstra, and C. Eliasmith, “Hyperopt-
Sklearn,” in Automated Machine Learning:
Methods, Systems, Challenges, Waterloo: Springer,
2019.
[16] A. O. Gallo, “Análisis predictivo para minería de
datos y proyección de demanda a corto plazo de la
demanda de potencia en el sistema eléctrico
ecuatoriano”, Escuela Politécnica Nacional, Quito,
Ecuador, Oct. 2020.
[17] G. Bontempi, S. Ben Taieb, and Y. Le borgne,
“Machine learning strategies for time series
forecasting,” Berlin Germany, Jul. 2012, vol. 138,
pp. 62–77.
Angel Gallo Cruz.- Nació en
Quito-Ecuador. Realizó sus
estudios de tercer nivel en la carrera
de Ingeniería Eléctrica de la
Escuela Politécnica Nacional. Ha
colaborado en estudios y
elaboración de informes técnicos
de minería de datos, proyección de
demanda, y estabilidad de voltaje en la ex Agencia de
Regulación y Control de Electricidad. Sus áreas de
interés incluyen: Aprendizaje automático para análisis de
datos, Operación de Sistemas Eléctricos de Potencia, y
Sistemas de Control aplicado al SEP.