Artículo Académico / Academic Paper
Recibido: 03-05-2024, Aprobado tras revisión: 11-06-2024
Forma sugerida de citación: Lara, J.; Samper, M., Colomé, D. (2024). “Predicción a corto plazo de sistemas de medición inteligentes
mediante arquitecturas de aprendizaje profundo multivariable y multipaso”. Revista Técnica “energía”. No. 21, Issue I, Pp. 153-
164
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v21.n1.2024.652
© 2024 Operador Nacional de Electricidad, CENACE
Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0
Short-Term Prediction of Smart Metering Systems by Multivariable and
Multistep Deep Learning Architectures
Predicción a corto plazo de sistemas de medición inteligentes mediante
arquitecturas de aprendizaje profundo multivariable y multipaso
J. A. Lara1 0000-0003-4035-3524
M. E. Samper1 0000-0003-2416-1709
D. G. Colomé1 0000-0002-2926-5366
1Instituto de Energía Eléctrica – Universidad Nacional de San Juan - CONICET, San Juan, San Juan, Argentina.
E-mail: jlara@iee.unsj.edu.ar , msamper@iee-unsjconicet.org , gcolome@iee-unsjconicet.org
Abstract
Smart Grids have revolutionized the electricity industry
by enabling more efficient control and monitoring of the
electricity supply, with a key component being smart
meters (SM). These collect information on demand,
energy, and harmonic distortion, among others, which
must be stored and managed efficiently in a metering
data management system (MDMS). The MDMS must
ensure that a complete set of data is obtained for use in
algorithms to ensure the reliability and quality of the
power supply. To address the challenge of management
the big data generated by SM, short, medium, and long-
term measurement forecasting techniques have been
proposed, highlighting the use of artificial intelligence
such as Artificial Neural Networks (ANN) and Deep
Learning (DL) methods due to their ability to adapt to
different input and output variables with various time
horizons. In addition, the influence of the diversity of
Information and Communication Technologies (ICT)
on the update time and data storage in the MDMS is
highlighted. In this sense, this work aims to identify
which ANN or DL architecture(s) could be more
suitable for enterprise, survey, or research applications,
demonstrating favorable performance metrics in
different scenarios of sampling frequency and typical
data update times in Smart Grids. This is relevant due to
the need for MDMS to perform multivariate and multi-
pass predictions in the short term to complete the
information until the information is available or
updated.
Resumen
Las Redes Eléctricas Inteligentes de Distribución
(REID) han revolucionado la industria eléctrica al
permitir un control y monitoreo más eficiente del
suministro eléctrico, con un componente clave siendo
los medidores inteligentes (SM). Estos recopilan
información sobre la demanda, energía, distorsión
armónica, entre otros, que deben ser almacenados y
gestionados eficientemente en un sistema de gestión de
datos de medición (MDMS). El MDMS debe garantizar
la obtención de un conjunto completo de datos para su
uso en algoritmos que aseguren la confiabilidad y
calidad del suministro eléctrico. Para abordar el desafío
de gestionar la gran cantidad de datos generados por los
SM, se han propuesto diferentes técnicas de predicción
de mediciones a corto, mediano y largo plazo,
destacando el uso de inteligencia artificial como las
Redes Neuronales Artificiales (ANN) y métodos de
Aprendizaje Profundo (DL) debido a su capacidad de
adaptación a diferentes variables de entrada y salida con
diversos horizontes temporales. Además, se destaca la
influencia de la diversidad de Tecnologías de la
Información y Comunicación (TIC) en el tiempo de
actualización y almacenamiento de datos en un MDMS.
En este sentido, este trabajo tiene como objetivo
identificar qué arquitectura o arquitecturas de ANN o
DL podrían ser más adecuadas para aplicaciones en
empresas, estudios o investigaciones, demostrando
métricas de rendimiento favorables en diferentes
escenarios de frecuencia de muestreo y tiempos de
actualización de datos típicos en un REID. Esto es
relevante debido a la necesidad del MDMS de realizar
predicciones multivariables y multipaso a corto plazo
para completar la información, hasta que la misma esté
disponible o se actualice.
Index terms—Prediction, Smart Meter, Deep Learning,
Smart Grid
Palabras clave— Predicción, Medición Inteligente,
Aprendizaje Profundo, Redes Eléctricas Inteligentes de
Distribución.
153
Edición No. 21, Issue I, Julio 2024
1. INTRODUCCIÓN
Las redes eléctricas inteligentes de distribución
(REID) o Smart Grids, son sistemas de infraestructura
eléctrica que integran Tecnologías de la Información y
las Comunicaciones (TIC) avanzadas para mejorar la
eficiencia y confiabilidad del suministro de energía
eléctrica. Uno de los componentes clave de las REID es
la digitalización de los sistemas de distribución. Esto
implica el uso de sensores y medidores inteligentes (SM,
por sus siglas en inglés) con una diversidad de
tecnologías de comunicación bidireccional integrando
una infraestructura de medición avanzada (AMI, por sus
siglas en inglés) [1], que permite enviar y/o recibir
información entre el SM y la empresa distribuidora de
energía eléctrica.
Cabe destacar que los SM pueden medir no solo la
potencia activa, sino también varios parámetros
importantes como la potencia reactiva y por ende la
potencia aparente, los valores RMS de voltaje y corriente
(un segundo y medio ciclo de verdadero RMS), el factor
de potencia. y distorsión armónica, etc. [2]. Esta
información es almacenada como series temporales, que
son conjuntos de datos registrados a lo largo del tiempo,
donde cada punto de datos está asociado con una marca
de tiempo específica. Posteriormente, estos datos pueden
ser utilizados en algoritmos y/o modelos de
confiabilidad, respuesta a la demanda y programación de
carga, detección de robos de electricidad, modelado de
carga y previsión de carga, estimación de estado,
localización de fallas, gestión de interrupciones,
protección contra fallas de alta impedancia, monitoreo en
tiempo real, entre otras [2], [3].
Los SM recopilan mediciones con una frecuencia que
puede oscilar entre 5, 15, 30 minutos y una hora [1], [3],
[4], generando miles o incluso millones de datos en
función del número de SM instalados. La velocidad de
transmisión de esta información puede variar según la
arquitectura de las TIC empleada. En algunos casos, los
datos se envían inmediatamente tras su medición,
mientras que en otros puede existir una demora de varios
minutos, horas e incluso días antes de ser transmitidos al
centro de control o base de datos donde se almacenan por
el sistema de gestión de datos de medición (MDMS, por
sus siglas en inglés).
El MDMS se encarga de almacenar, gestionar y
procesar los datos de los SM para que otras aplicaciones
y servicios del sistema eléctrico puedan utilizarlos
correctamente. Sin embargo, estas bases de datos pueden
estar incompletas debido a falta de registros o entradas,
errores de calidad de datos, limitaciones en la
disponibilidad de datos, procesos de extracción de datos
incompletos, actualización insuficiente, falta de
integración de datos, entre otros motivos. Por tanto, los
operadores del sistema de distribución (DSO, por sus
siglas en inglés) deben garantizar la obtención de un
conjunto completo de datos en un estado estacionario
futuro para su uso en las aplicaciones mencionadas
anteriormente, para lo cual la revisión de la literatura
muestra que se han propuesto varias soluciones
enfocadas en la predicción de las series temporales.
Entre estas propuestas destacan los métodos
tradicionales como los modelos autorregresivos (AR),
media móvil (MA), media móvil autorregresivo (ARMA)
y media móvil autorregresivo integrado (ARIMA). Por
otro lado, los métodos de datos no lineales se basan en
tecnologías de Inteligencia Artificial (IA), lógica difusa,
métodos metaheurísticos y combinaciones híbridas de
estos enfoques [5]. Entre todos estos métodos, aquellos
basados en IA se destacan por su capacidad de
adaptabilidad y ajuste de parámetros según el tamaño de
la muestra o base de datos. Además, son efectivos para
enfrentar escenarios y/o casos con cambios en las
condiciones ambientales, datos meteorológicos como
temperatura, humedad, velocidad del viento y radiación
solar, así como variaciones estacionales y diversos tipos
de días, incluidos festivos, considerando diferentes
entradas y horizontes temporales.
Una amplia gama de técnicas propuestas en IA se
encuentran detalladas en [5], [6], [7], enfatizando en
especial los métodos basados en el aprendizaje
automático (Machine Learning, ML) como las Redes
Neuronales Artificiales (Artificial Neural Networks,
ANN) y métodos de aprendizaje profundo (Deep
Learning, DL) con arquitecturas como Redes Neuronales
Recurrentes (Recurrent Neural Networks, RNN),
Memoria a Largo Plazo (Long Short-Term Memory,
LSTM), Unidad Recurrente con Compuerta (Gated
Recurrent Unit, GRU) [8] y Redes Neuronales
Convolucionales (Convolutional Neural Networks,
CNN). Además, se han incorporado mecanismos de
atención [9], [10], [11]. y arquitecturas de Codificador-
Decodificador que combinan diversas metodologías de
DL.
Sin embargo, las redes eléctricas de distribución
actuales se encuentran en un proceso de transición hacia
las REID. En este contexto, aun no existe una
homologación con respecto a las frecuencias de
adquisición y reporte de estas mediciones y pueden estar
implementadas una o varias TIC que influirán en el
tiempo de actualización y almacenamientos de datos en
el MDMS. Además, los modelos DL propuestos en
investigaciones recientes han sido evaluados en casos de
estudio específicos, con respecto a la frecuencia de
mediciones y horizonte de predicción, centrándose en la
implementación de los nuevos avances en IA y
arquitecturas de entradas multivariables y salida de una
variable principalmente potencia o energía activa [12],
[13], [14].
Con todos los nuevos avances en IA y considerando
las características de las TIC empleadas y las
aplicaciones del MDMS, es crucial implementar una
arquitectura que garantice la confiabilidad y calidad del
servicio. En este contexto, el objetivo principal es
154
Lara . et al. / Predicción a corto plazo de sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo
identificar qué arquitectura o arquitecturas de ANN o DL
podrían ser más adecuadas para aplicaciones en
empresas, estudios o investigaciones, demostrando los
rendimientos más óptimos en diversos escenarios de
frecuencia de muestreo y tiempos de actualización de
datos. Esto es crucial dado que las funciones del MDMS
requieren magnitudes de voltaje y corriente para ejecutar
las aplicaciones mencionadas en [2], [3]. Este enfoque
implica realizar predicciones multivariables y multipaso
a corto plazo para completar los datos hasta que estén
disponibles o se actualicen, a diferencia de lo planteado
en [12], [13], [14]. En consecuencia, las arquitecturas a
comparar se caracterizarán por tener entradas y salidas
multivariables. Se examinarán diferentes escenarios
relativos a la frecuencia de toma de mediciones y tiempos
de actualización de datos, a fin de abordar la variedad de
TIC implementadas en la REID.
El artículo está organizado de la siguiente manera: en
la sección 2 se presentan la AMI y los SM, analizando las
arquitecturas y tecnologías de adquisición. En la sección
3 se describen las arquitecturas de las redes neuronales
recurrentes y convolucionales, híbridas y mecanismos de
atención, explicando su funcionamiento y los principios
en los que se basan. La sección 4 expone la metodología
propuesta, incluyendo las diversas arquitecturas
seleccionadas, métricas de rendimiento, las entradas y
salidas para los modelos de DL, así como el manejo de la
base de datos y el proceso de entrenamiento y prueba de
cada modelo. En la sección 5 se presentan los resultados
y su correspondiente análisis. Finalmente, se presentan
las conclusiones del trabajo.
2. INFRAESTRUCTURA DE MEDICIÓN
AVANZADA (AMI)
Esta sección se enfoca en AMI, especialmente en los
Medidores Inteligentes (SM) y las Tecnologías de
Adquisición y Almacenamiento de Datos. Se analiza
cómo la arquitectura de los medidores y las tecnologías
de recopilación de datos presentan desafíos significativos
para la predicción a corto plazo en el contexto de la
gestión de la energía eléctrica. Estos desafíos incluyen la
gestión de grandes volúmenes de datos en tiempo real y
la garantía de la precisión y la integridad de la
información recopilada, elementos esenciales para lograr
una predicción efectiva en entornos dinámicos.
En este sentido, el lado de medición del sistema de
distribución ha sido el foco de las inversiones en
infraestructura más recientes. Los primeros avances de
automatización de la medición, o AMR (Automatic Meter
Reading), permitieron a las empresas de servicios
públicos leer de forma remota los registros de consumo y
la información básica del estado de las instalaciones de
los clientes [15]. Debido a su sistema de comunicación
unidireccional, AMR se limita a la lectura remota no
pudiendo ejecutar aplicaciones adicionales, lo que llevó
a las empresas de servicios públicos a avanzar hacia
AMI.
AMI dota a las empresas de servicios públicos con
comunicación bidireccional a los SM, pero también la
capacidad de evaluar el estado de la red. Los recientes
sistemas de AMI, equipados con una arquitectura
mejorada y trabajando en conjunto con sensores
inteligentes y una tecnología de control distribuido más
sofisticada, permiten a las empresas de servicios públicos
realizar el control y la gestión de la red [16].
2.1 Medidores inteligentes (SM)
La medición es el primer tema a considerar con
respecto a la integración de energías renovables. Si bien
el control y el monitoreo en tiempo real pueden evitarse
por un tiempo, la facturación requiere que se implemente
una estrategia de medición desde la aparición del primer
dispositivo en el sistema. Hay dos arreglos de medición
principales actualmente en uso, con diferentes niveles de
impacto potencial en un sistema AMI, medición única y
medición dual.
La medición bidireccional única es la más común
entre los prosumidores, que consiste en emplear un único
medidor para registrar tanto la energía que fluye hacia la
red como la que proviene de ella. Estos medidores deben
ser bidireccionales, capaces de medir el flujo de energía
positivo y negativo. Esta disposición admite la medición
neta, un esquema de tasas que valora teóricamente la
energía generada al mismo nivel que la energía
consumida. En cambio, la medición dual realiza un
seguimiento separado de las cantidades de energía
entregadas y recibidas, información que se pierde cuando
se utiliza la disposición de un solo medidor.
Figura 1: Usuario con un medidor inteligente y medidor
inteligente adicional (opcional) para monitoreo de GD.
Específicamente, la generación está vinculada a la
carga del cliente, lo que hace imposible determinar
exactamente cuánta energía renovable se genera. Por
ejemplo, en la Fig. 1 se presenta un diagrama unifilar
donde las flechas rojas indican la dirección de la energía
según si se consume, se genera o se almacena la energía
eléctrica [17].
Esto plantea una problemática: un sistema solar
fotovoltaico que genera 2kW en una casa con una carga
de 3kW no se puede distinguir de una casa que no genera
nada y consume 1kW. La solución a este problema es
utilizar un segundo medidor, uno dedicado al sistema de
generación renovable. El enfoque de medición dual es
superior desde la perspectiva de los datos, y es preferido
por la mayoría de las empresas de servicios públicos,
pero es poco común debido a la complejidad y el costo
155
Edición No. 21, Issue I, Julio 2024
de instalar un segundo medidor. Tanto la medición única
bidireccional como la medición dual impactan en el
sistema AMI ya que multiplican la cantidad de datos que
se deben recopilar.
En un sistema de datos muestreados o de intervalo, la
medición bidireccional podría duplicar la cantidad de
datos recopilados de cada intervalo porque la energía
entregada y recibida probablemente se registraría como
mediciones separadas. La medición dual puede triplicar
los datos de cada premisa porque el medidor primario aún
puede ser bidireccional. Además, la presencia de recursos
de generación en cada sitio puede crear un interés o la
necesidad de otras cantidades medidas.
Finalmente, como se mencionó en la introducción los
SM pueden tomar mediciones de demanda, energía,
instantáneas, calidad y armónicos, en la Fig. 2 se
muestran mayor detalle de las capacidades de medición
en cuanto a variables de demanda (potencia) y de energía,
mediciones instantáneas y respecto calidad de la energía
y armónicos (calidad de producto técnico)
Figura 2: Funcionalidades de medición y supervisión del medidor
inteligente [2]
2.2 Arquitectura
La arquitectura implica el despliegue de una
infraestructura heterogénea, que incluye dispositivos de
medición, redes de comunicación y sistemas de
recolección, almacenamiento local o a través de servicios
en la nube y procesamiento de datos a través de un
MDMS, así como las tareas de administración e
instalación asociadas para su correcto funcionamiento y
se basa en cuatro pilares principales:
• Un dispositivo de medición inteligente.
• Un dispositivo de recopilación de datos, conocido
como concentrador de datos.
• Un sistema de comunicación utilizado para el
flujo de datos.
• Un sistema centralizado de gestión y control, que
se encuentra en el centro de control.
Los sistemas de SM son implementaciones
heterogéneas con diferentes requisitos y características,
ya que dependen en gran medida del uso previsto.
Además, se pueden encontrar diferentes tipos de
medición en el mismo sistema de medición inteligente.
Se pueden diferenciar tres grupos principales de
medición:
• A pedido: los flujos de datos medidos desde los
puntos de consumo a los centros de control a
pedido específico de la empresa de servicios
públicos cuando sea necesario;
• programado: flujos de datos medidos desde los
puntos de consumo a los centros de control
mediante tareas preprogramadas y entre cuatro y
seis veces al día;
• A granel: la utilidad recopila información de
medición de todos los dispositivos varias veces al
día [18].
2.3 Tecnologías de adquisición y almacenamiento
de datos
El componente de comunicaciones juega un papel
crucial en las redes eléctricas inteligentes. Se utilizan
tecnologías de comunicación avanzadas, como el Internet
de las cosas (IoT) y el 5G, para conectar y transmitir
datos entre los diferentes elementos de la red,
permitiendo una gestión más eficiente y segura.
La adquisición de información de los medidores
inteligentes se realiza principalmente a través de
tecnologías de comunicación inalámbrica y cableada. Las
tecnologías inalámbricas más comunes incluyen ZigBee,
Wi-Fi y GSM (Sistema Global para Comunicaciones
Móviles), mientras que las tecnologías cableadas
incluyen Ethernet y RS-485.
ZigBee es una tecnología inalámbrica de bajo
consumo de energía que se utiliza ampliamente en la red
de distribución eléctrica. Permite la comunicación
bidireccional entre los medidores y la infraestructura de
la red de distribución. Wi-Fi también es una opción
popular, ya que es ampliamente compatible y ofrece una
alta velocidad de transmisión de datos. GSM utiliza la red
móvil para transmitir información de los medidores a
través de mensajes de texto o datos.
En cuanto a las tecnologías cableadas, Ethernet es
ampliamente utilizada debido a su alta velocidad de
transmisión y confiabilidad. Se utiliza principalmente
para la comunicación entre los medidores inteligentes y
el centro de control. RS-485 es otra opción común,
especialmente para la comunicación a larga distancia.
En la Fig. 3, se observa un esquema de distintas
tecnologías de comunicación, donde se observa que las
tecnologías de adquisición y almacenamiento de
información de medidores inteligentes en una red de
distribución eléctrica ofrecen una amplia variedad de
opciones, tanto inalámbricas como cableadas, para
obtener una descripción más detallada de estas
tecnologías, se puede consultar en [19].
156
Lara . et al. / Predicción a corto plazo de sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo
Estas tecnologías brindan una lectura precisa y una
amplia gama de funcionalidades avanzadas. El
almacenamiento de la información puede ser centralizado
o distribuido, a través de servidores locales o usando
servicios en la nube a través del MDMS, algunos casos
de este tipo de implementaciones se detallan en [20].
Figura 3: Enlaces de comunicación típicos en sistemas SCADA
[19]
Una función fundamental del MDMS es validar y
predecir los datos de los SM para asegurar la integridad
y precisión de la información, a pesar de las distintas
frecuencias de toma de mediciones y tiempos de
actualización en la base de datos. De esta manera, las
demás aplicaciones y servicios del sistema eléctrico
pueden hacer un uso adecuado de los datos.[21].
En conclusión, la elección, implementación e
instalación de las tecnologías de adquisición y
almacenamiento de datos adecuados dependerá de las
necesidades y recursos disponibles de cada empresa de
servicio eléctrico.
3. ARQUITECTURAS DE DEEP LEARNING
En esta sección se exploran las principales
arquitecturas de Deep Learning empleadas para el
pronóstico a corto plazo en el ámbito de medidores
inteligentes. Se presentan y analizan cuatro enfoques
principales: Redes Neuronales Recurrentes (RNN),
Redes Neuronales Convolucionales (CNN) y Redes
Neuronales Híbridas Encoder-Decoder y Mecanismos de
atención. Estas estructuras son de vital importancia en
este estudio, siendo examinadas minuciosamente para
comprender su aplicación en la precisa predicción de
datos de medición en el corto plazo.
3.1 Redes neuronales recurrentes
Las redes neuronales recurrentes (RNNs por sus
siglas en inglés) son una arquitectura de aprendizaje
profundo que se utilizan para modelar secuencias de
datos. A diferencia de las redes neuronales feed-forward
tradicionales, las RNNs (Fig. 4a) tienen
retroalimentación, lo que les permite tomar decisiones
basadas en el contexto anterior.
Las RNNs tienen la capacidad de mantener estados
ocultos a lo largo del tiempo, lo que les permite recordar
información de secuencias anteriores. Esto las hace
adecuadas para resolver problemas de procesamiento del
lenguaje natural, reconocimiento de voz, traducción
automática y otras tareas relacionadas con la secuencia
de datos.
Existen diferentes variantes de RNNs, y algunas de
las más comunes son las Simple RNN, LSTM (Long
Short-Term Memory) (Fig. 4b) y GRU (Gated Recurrent
Unit) (Fig. 4c). A continuación, se proporciona una
descripción detallada de cada uno de estos tipos de RNN
[8]:
Figura 4: Representación esquemática de (A) Red Neuronal
Recurrente simple (RNN), (B) Memoria a Largo-Corto Plazo
(LSTM) y (C) Unidad Recurrente Cerrada (GRU) [8] .
• Simple RNN, es el tipo más básico de RNN. Su
principal fortaleza radica en su simplicidad
computacional. Sin embargo, sufre del problema
de desvanecimiento de gradientes, lo que significa
que a medida que la red se retroalimenta en el
tiempo, los gradientes pueden volverse muy
pequeños y la red se vuelve incapaz de aprender
dependencias a largo plazo.
• LSTM es una variante de RNN que soluciona el
problema de desvanecimiento de gradientes. Esto
se logra mediante el uso de unidades de memoria,
denominadas celdas, que permiten retener
información durante largos períodos de tiempo.
Las celdas LSTM tienen estructuras internas
llamadas puertas que regulan el flujo de
información, lo que les permite recordar y olvidar
información según corresponda.
• GRU es otra variante de RNN que también aborda
el problema de desvanecimiento de gradientes.
Similar al LSTM, el GRU utiliza unidades de
memoria para almacenar y recordar información.
157
Edición No. 21, Issue I, Julio 2024
Sin embargo, en lugar de utilizar celdas y puertas
separadas, el GRU utiliza un conjunto de puertas
que controlan el flujo de información dentro de la
red. Esto lo hace computacionalmente más
eficiente que el LSTM.
Además de las RNNs mencionadas, también existe la
opción de utilizar redes neuronales recurrentes
bidireccionales (Fig. 5). Esta arquitectura combina dos
RNNs, una que procesa la secuencia en orden directo y
otra que la procesa en orden inverso. De esta manera, la
red puede capturar tanto la información del pasado como
la del futuro al mismo tiempo, lo que puede ser útil en
tareas de predicción o clasificación en las que la
información contextual puede ser bidireccional.
Figura 5: Esquema de las redes neuronales recurrentes
bidireccionales
3.2 Redes neuronales convolucionales
Las redes neuronales convolucionales (CNN) como
se muestra en la Fig. 6, son un tipo de arquitectura de
redes neuronales profundas utilizadas principalmente
para el procesamiento de imágenes y reconocimiento
visual, se han destacado en el campo de la visión por
computadora debido a su capacidad para extraer
automáticamente características relevantes a partir de
imágenes complejas y realizar operaciones de
convolución en ellas.
Figura 6: Esquemático de las redes neuronales convolucionales
[22]
Sin embargo, en los últimos años, se ha demostrado
que las CNN también pueden ser aplicadas con éxito en
el análisis de series temporales, lo que ha ampliado su
ámbito de aplicación a un nuevo dominio.
La principal ventaja de utilizar las CNN en el análisis
de series temporales es su capacidad para extraer
características relevantes a partir de datos secuenciales y
realizar operaciones de convolución en ellos de manera
eficiente. Esto permite la detección automática de
patrones y tendencias ocultas en los datos a lo largo del
tiempo, lo que puede ser especialmente útil en la
predicción y clasificación de eventos futuros en las series
temporales. Para aplicar las CNN en el análisis de series
temporales, es necesario adaptar su arquitectura y
métodos de entrenamiento para que sean compatibles con
este tipo de datos. Esto implica realizar operaciones de
convolución en 1D en lugar de 2D, y utilizar capas de
pooling y de muestreo adecuadas para reducir la
dimensionalidad de los datos secuenciales.
En cuanto a la aplicación de las CNN en series
temporales, han demostrado ser eficientes en diversas
tareas [23], [24]. Por ejemplo, en el pronóstico del clima,
se pueden utilizar para predecir variables meteorológicas
como la temperatura, la humedad y la presión
atmosférica en función de datos históricos [25]. En el
análisis de señales biomédicas, pueden ser utilizadas para
identificar patrones y tendencias en electrocardiogramas,
electroencefalogramas y otros tipos de señales [26].
En resumen, las redes neuronales convolucionales
(CNN) han demostrado su versatilidad al ser adaptadas al
análisis de series temporales. Su capacidad para extraer
características relevantes y realizar operaciones de
convolución en datos secuenciales ha ampliado su
posible utilización en diferentes campos.
3.3 Redes neuronales híbridas
Las arquitecturas que combinan redes neuronales
recurrentes y convolucionales han mostrado buenos
resultados en el procesamiento de series temporales en
diversos campos, como la predicción del clima, el
análisis de señales biomédicas y el procesamiento de
lenguaje natural. Estas arquitecturas aprovechan las
fortalezas de ambas estructuras de red para capturar tanto
la dependencia temporal a largo plazo como las
características espaciales en los datos, descritos en [27],
[28].
Una de las arquitecturas más utilizadas es el Encoder-
Decoder, que consta de dos partes principales. El encoder
se encarga de representar la secuencia de entrada en un
espacio de características de menor dimensión, mientras
que el decoder reconstruye la secuencia de salida a partir
de esta representación.
En el contexto de procesamiento de series temporales,
el encoder puede estar compuesto por capas
convolucionales que extraen características espaciales
relevantes de la serie, como patrones a largo plazo o
tendencias generales. Estas capas convolucionales se
pueden combinar con capas recurrentes, como las
unidades LSTM o GRU, para capturar la dependencia
temporal a largo plazo y los patrones secuenciales.
El decoder, a su vez, utiliza capas más profundas de
redes recurrentes para generar la salida deseada a partir
de la representación obtenida por el encoder. Los estados
ocultos de las capas recurrentes del encoder se utilizan
como contexto para guiar la generación de la secuencia
de salida paso a paso.
RNN RNN RNN
RNN RNN RNN
Xt-1 XtXt+1
+ + +
Input
Layer
Bidirectional
Layer
Output
Layer
Yt-1 YtYt+1
158
Lara . et al. / Predicción a corto plazo de sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo
Estas arquitecturas han demostrado ser eficientes para
capturar la estructura temporal compleja de las series
temporales, ya que combinar capas recurrentes y
convolucionales permite modelar tanto las dependencias
a largo plazo como las características espaciales, como
patrones locales, cambios abruptos o tendencias
generales [29], [30].
3.4 Mecanismos de atención
En el ámbito del DL, los mecanismos de atención se
han convertido en una herramienta fundamental para
mejorar la capacidad de las redes neuronales para
procesar información de manera efectiva y eficiente.
Estos mecanismos permiten a la red centrar su atención
en partes específicas de la entrada, lo que ayuda a mejorar
el rendimiento en tareas complejas como la traducción
automática, la generación de texto y la clasificación de
imágenes.
Una de las ventajas clave de los mecanismos de
atención sobre otras arquitecturas de redes neuronales es
su capacidad para capturar dependencias a larga distancia
en los datos de entrada. Esto significa que la red puede
identificar relaciones complejas entre elementos
distantes en una secuencia, lo que resulta en un mejor
rendimiento en tareas de predicción de series temporales
y secuencias de datos.
Luong et al. propusieron un mecanismo de atención
global y atención local para la traducción automática,
donde la atención local considera un subconjunto de
palabras de origen a la vez, siendo computacionalmente
menos costosa que la atención global o suave [9]. Por otro
lado, Bahdanau et al. en [10] introdujeron la RNNsearch,
que aplicó el mecanismo de atención a la tarea de
traducción automática por primera vez. Finalmente, el
mecanismo Multi-Head combina múltiples mecanismos
de atención para capturar diferentes aspectos de la
información en la secuencia de entrada, mejorando la
complejidad de la relación temporal entre los datos [11].
En el contexto de la predicción de series temporales,
los mecanismos de atención han demostrado ser
especialmente útiles para modelar la dependencia
temporal de una serie de datos. Al permitir que la red se
centre en las partes más relevantes de la secuencia en
cada paso de tiempo, los mecanismos de atención pueden
mejorar significativamente la precisión de las
predicciones y la capacidad de capturar patrones
complejos en los datos temporales. En resumen, los
mecanismos de atención en DL ofrecen una forma
efectiva de mejorar la capacidad de las redes neuronales
para procesar información de manera más eficiente y
precisa, lo que los convierte en una herramienta
invaluable para una amplia variedad de aplicaciones,
incluida la predicción de series temporales.
4. METODOLOGÍA
En las secciones previas se analizan las ventajas del
SM en comparación con sus predecesores, así como las
diferentes frecuencias de toma de mediciones y tiempos
de actualización de datos en una REID, considerando la
integración de diferentes tipos TIC descritos en la sección
2. También se revisan los diversos tipos de arquitecturas
de DL y las propuestas para la predicción de series
temporales que pueden ser utilizadas por los algoritmos
o funciones del MDMS presentados en la sección 3.
La estrategia utilizada para llevar a cabo este estudio
consiste en primer lugar en la recopilación o selección de
datos de series temporales del sistema de medición a
analizar. Estos datos incluyen mediciones de magnitudes
de tensión (V), corriente (A), potencia activa (kW) y
reactiva (kVAr). Se considera que las mediciones de V y
A son fundamentales para el correcto funcionamiento de
las funciones de MDMS.
Además, la metodología empleada en este estudio
integra una variedad de arquitecturas de ANN y DL para
la predicción de series temporales de entradas
multivariables de valores eléctricos, como voltaje (V),
corriente (A), potencia (kW) y reactancia (kVAr).
Específicamente, se emplearon técnicas como redes
neuronales recurrentes para identificar patrones
temporales, redes neuronales convolucionales para la
extracción de características espaciales, combinaciones
híbridas y encoder-decoder para la generación de datos
secuenciales de entrada y salida, y mecanismos de
atención para enfocarse en segmentos específicos de la
serie temporal durante la predicción. La integración y
combinación de estas arquitecturas se ilustra en la Fig. 7
y se implementaron en Python 3.10, ofreciendo un
enfoque completo y eficiente para la predicción de
valores eléctricos, destacándose por su precisión y
eficacia en la generación de valores de V y A como
salida.
Figura 7: Arquitecturas de DL implementadas en la metodología
propuesta.
Reiterando que en una REID, pueden llegar a utilizar
diferentes tipos de arquitecturas de TIC, y para lograr
cubrir las posibles combinaciones de frecuencia de
medición y actualización de datos de acuerdo a los
descrito en la sección 2 y representados en la Tabla 1,
donde el primer escenario corresponde a un periodo de
159
Edición No. 21, Issue I, Julio 2024
medición de 5 min y actualización de datos de 15 min y
la predicción son 3 pasos de 5 min con diferentes
longitudes en la ventana de datos de entrada de 3, 6, 12,
24, 48, 72 y 96. En el segundo escenario corresponde a
frecuencia de 5 min y actualización de datos de 30 min lo
que resulta 6 predicciones de 5 min y se aplican las
diferentes longitudes de entrada de datos, de esta manera
se generan los escenarios al recorrer Tabla 1 para cada
modelo de la Fig. 8. Cada modelo pasa por las etapas de
preparación de datos, entrenamiento, ajustes de hiper
parámetros, validación y rendimiento de la Fig. 8.
Tabla 1: Horizontes de predicción de datos para mediciones
con distintos períodos de resolución y actualización
5 min
15 min
30 min
1h
Actualización
15 min
3
-
-
-
30 min
6
2
-
-
1 h
12
4
2
-
6h
72
24
12
6
12 h
-
48
24
12
1 día
-
-
48
24
2 días
-
-
-
48
Figura 8: Diagrama de flujo del proceso de predicción con SM
En el proceso de división de los datos, se siguió una
metodología estándar en la que se separaron los datos en
tres conjuntos: entrenamiento, validación y prueba. En la
fase de entrenamiento, se utilizaron los datos de
entrenamiento para ajustar los pesos de las redes
neuronales, mientras que en la fase de validación se
evaluaron diferentes hiper parámetros y se seleccionó el
modelo final, en la fase de prueba se evalúa el
rendimiento del modelo en datos no vistos previamente.
Por último, para la verificación y comparación de los
modelos de la Fig. 7, se aplicaron las métricas de
desempeño MAE (Mean Absolute Error), MAPE (Mean
Absolute Percentage Error) y RMSE (Root Mean Square
Error).


(1)


(2)
 󰇛
󰇜

(3)
Donde es el valor real, yi
es el valor estimado para
los diferentes escenarios de la Tabla 1.
Estas métricas fueron seleccionadas debido a su
idoneidad para evaluar el desempeño de modelos
predictivos de regresión. Son ampliamente reconocidas
en la literatura científica y se consideran estándares en el
análisis predictivo por su capacidad para ofrecer una
evaluación cuantitativa y comparativa del rendimiento de
los modelos.
5. ANÁLISIS DE RESULTADOS
Para la generación de los escenarios se utilizaron
datos recopilados por un SM disponibles en [31],
contiene 2075259 mediciones realizadas en una casa
situada en Sceaux (a 7 km de París, Francia) entre
diciembre de 2006 y noviembre de 2010 (47 meses),
registra mediciones cada 1 minuto de tensión (V),
corriente (A), potencia activa (kW) y reactiva (kVAr) en
el SM y otras mediciones del interior del domicilio que
no son considerados en este trabajo.
Figura 9: Diagrama de caja de las métricas MAE, RMSE y MAPE
para los distintos escenarios
La simulación de escenarios de la Tabla 1 con
diferentes longitudes de entrada de datos para cada
160
Lara . et al. / Predicción a corto plazo de sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo
modelo representado en la Fig. 7 se realizó en un clúster
localizado en el Instituto de Energía Eléctrica, dando
como resultado un total de aproximadamente 600 casos
analizados.
En la Fig. 9 se muestran los diagramas de caja de 6 de
los 15 modelos de la Fig. 7, que presentaron las mejores
métricas de MAE, RMSE y MAPE para los distintos
horizontes de predicción indicados en la Tabla 1 y
ventanas de datos de entrada.
La Tabla 2 resume la comparación de los resultados
de la Fig. 9 utilizando las métricas de rendimiento. Cada
modelo está etiquetado con el número correspondiente al
mejor rendimiento en la métrica MAE según se indica en
la Tabla 3, junto con la longitud óptima de la ventana de
entrada de datos (Input) y el horizonte de predicción
analizado (Output). Este proceso se repite para las
métricas RMSE y MAPE.
En resumen, los resultados destacan que las
arquitecturas híbridas muestran un rendimiento superior
en las métricas MAE, RMSE y MAPE en comparación
con las arquitecturas simples. Específicamente, el
modelo "TimeDist - Conv1D – BiRNN" sobresale
respecto a otros modelos, como se describe
detalladamente en la Tabla 3.
La Fig. 10 se presentan los diagramas esquemáticos
de las arquitecturas de ANN y DL correspondientes a los
números de modelo asignados en este estudio, que han
demostrado obtener los mejores resultados, los cuales se
detallan en la Tabla 3.
Estos resultados sugieren que la combinación de
diversas técnicas de DL puede tener un impacto
significativo en la precisión de la predicción
multivariable y de múltiples pasos de Tensión (F_1) y
Corriente (F_2). Esto se puede observar en la Fig. 11a,
que muestra los resultados a escala completa, y en la Fig.
11b, que presenta un acercamiento con los datos de
prueba que no fueron utilizados durante el entrenamiento
del modelo.
.
.
.
.
.
.
.
Reshape
Input Layer
. . . . .
. . . . .
. . . . .
. . . . .
Input Layer
. . . . .
. . . . .
. . . . .
. . . . .
Input Layer
. . . . .
. . . . .
. . . . .
. . . . .
Dense Dense Dense
Dropout
Dense
.
..
..
.
.
.
Output Layer
.
..
..
.
.
.
.
..
..
.
.
.
Concatenate
Hidden Layers
Dense
Dropout
.
.
Dense
1) MLP - Dense
Hidden Layers
.
..
..
.
.
.
Input Layer
.
..
..
.
.
.
.
..
..
.
.
.
Dense
Dropout
Dense
.
..
..
.
.
.
Output Layer
.
..
..
.
.
.
.
..
..
.
.
.
Reshape
Conv1D
Dropout
MaxPooling1D
Flatten
.
.
Conv1D
Dropout
MaxPooling1D
Flatten
Bi-RNN
Dropout
Bi-RNN
Dropout
.
.
4) MLP - Dense
Hidden Layers
.
..
..
.
.
.
Input Layer
.
..
..
.
.
.
.
..
..
.
.
.
Dense
Dropout
Dense
.
..
..
.
.
.
Output Layer
.
..
..
.
.
.
.
..
..
.
.
.
Reshape
Conv1D
MaxPooling1D
Flatten
.
.
Conv1D
MaxPooling1D
Flatten
Bi-RNN
Dropout
Bi-RNN
Dropout
.
.
.
TimeDistributed
5) TimeDist (Conv1D) – BiRNN - Dense
Hidden Layers
.
..
..
.
.
.
Input Layer
.
..
..
.
.
.
.
..
..
.
.
.
Dense
.
..
..
.
.
.
Output Layer
.
..
..
.
.
.
.
..
..
.
.
.
Reshape
Dense
TimeDistributed
Dense
.
.
.
Bi-RNN
Flatten
Dense
Dropout
9) BiRNN - TimeDist - Dense
Hidden Layers
.
..
..
.
.
.
Input Layer
.
..
..
.
.
.
.
..
..
.
.
.
Dense
.
..
..
.
.
.
Output Layer
.
..
..
.
.
.
.
..
..
.
.
.
Reshape
Flatten
Dropout
Bi-RNN
Attention
MaxPooling1D
Conv1D
.
.
.
Bi-RNN
Attention
MaxPooling1D
Conv1D
11), 12), 13) BiRNN - Attention - Dense
Figura 10: Arquitecturas y capas implementadas en la
metodología propuesta
6. CONCLUSIONES
Las redes de distribución inteligentes han
revolucionado la industria eléctrica al permitir un control
y monitorización del suministro eléctrico, donde los
medidores inteligentes proporcionan una gran cantidad
de datos en series temporales, lo que plantea la necesidad
de utilizar técnicas de inteligencia artificial para
procesarlos y generar información valiosa para el sistema
de distribución.
Los resultados obtenidos en este estudio indican que
las arquitecturas de ANN y de DL son herramientas
efectivas para el procesamiento de datos de series
temporales en un SM y asumiendo que las funciones de
a)
b)
Figura 11: Predicción de Tensión (F_1) y Corriente (F_2) con datos de prueba a través del modelo “ TimeDist - Conv1D – BiRNN”
con Res: 5 min. – Act: 30 min a) Escala completa y b) Con acercamiento.
161
Edición No. 21, Issue I, Julio 2024
MDMS requerirán magnitudes de voltaje (V) y corriente
(A) para su ejecución, por lo que las arquitecturas a
comparar fueron de entradas (V, I, kW y kVAr) y salidas
(V y A) multivariables.
Se analizaron diferentes escenarios respecto a la
frecuencia de toma de mediciones y tiempos de
actualización de datos, para cubrir la posibilidad de que
se encuentren implementadas diferentes TIC en la REID.
De esta manera, se identificó la arquitectura de DL que
presentó mejores métricas de rendimiento en los distintos
escenarios de predicción analizados.
Se optimizó la ventana de entrada de datos en el
entrenamiento, y una vez realizada la comparación de las
métricas de rendimiento MAE, MAPE y RMSE para 600
casos, el modelo "TimeDist - Conv1D - BiRNN" mostró
mejores resultados en comparación con otros modelos,
como se muestra en la Tabla 3.
Estos modelos pueden ser utilizados para
generar/completar datos a utilizar como ingreso a las
aplicaciones de un MDMS (Distribution Management
System) como estimación de estado, programas de
respuesta a la demanda y monitoreo de la operación en
tiempo real.
En este trabajo se empleó información que se puede
encontrar en base de datos de acceso libre como son V, I,
kW y kVAr. Sin embargo, los nuevos desafíos surgen con
la integración de datos adicionales provenientes de los
medidores inteligentes en otras aplicaciones del MDMS,
como se ilustra en la Fig. 2. Es crucial realizar un análisis
exhaustivo para identificar las variables pertinentes para
el modelo y considerar la inclusión de variables
exógenas.
Además, dado que los tiempos de envío y
actualización de datos pueden variar incluso dentro de
una misma empresa, las arquitecturas deben asegurar que
la información medida o las predicciones estén
disponibles de manera consistente en una escala temporal
adecuada. Esto implica adaptarse a las necesidades
específicas del operador del sistema y aprovechar la
información adicional proporcionada por los medidores
inteligentes según lo requiera el MDMS.
7. REFERENCIAS BIBLIOGRÁFICAS
[1] Y. Kabalci, “A survey on smart metering and smart
grid communication,” Renew. Sustain. Energy Rev.,
vol. 57, pp. 302–318, May 2016, doi:
10.1016/j.rser.2015.12.114.
[2] S. Chakraborty, S. Das, T. Sidhu, and A. K. Siva,
“Smart meters for enhancing protection and
monitoring functions in emerging distribution
systems,” Int. J. Electr. Power Energy Syst., vol.
127, no. November 2020, p. 106626, May 2021,
doi: 10.1016/j.ijepes.2020.106626.
[3] Y. Wang, Q. Chen, T. Hong, and C. Kang, “Review
of Smart Meter Data Analytics: Applications,
Methodologies, and Challenges,” IEEE Trans.
Smart Grid, vol. 10, no. 3, pp. 3125–3148, May
2019, doi: 10.1109/TSG.2018.2818167.
[4] M. H. Rashid, “AMI Smart Meter Big Data
Analytics for Time Series of Electricity
Consumption,” in 2018 17th IEEE International
Conference On Trust, Security And Privacy In
Computing And Communications/ 12th IEEE
International Conference On Big Data Science And
Engineering (TrustCom/BigDataSE), IEEE, 2018,
pp. 1771–1776. doi:
10.1109/TrustCom/BigDataSE.2018.00267.
[5] F. Dewangan, A. Y. Abdelaziz, and M. Biswal,
“Load Forecasting Models in Smart Grid Using
Smart Meter Information: A Review,” Energies,
vol. 16, no. 3, p. 1404, Jan. 2023, doi:
10.3390/en16031404.
Tabla 2: Comparación de rendimiento de métricas MAE, MAPE y
RMS entre los distintos modelos con respecto a MAE
Tabla 3: Resumen de la comparación de los modelos propuestos
con respecto a las métricas de rendimiento
Escenario
Input -
Output
Nro.
Mod.
Métricas
Res
Act.
MAE
RMSE
MAPE
5 min
15 min
6-3
12
1,10
1,82
16,03
30 min
12-6
11
1,38
2,19
19,59
1 h
12-12
12
1,71
2,58
26,72
6 h
72-72
5
2,98
3,77
66,06
15 min
30 min
2-2
11
1,38
2,13
19,54
1 h
4-4
9
1,71
2,49
27,89
6 h
48-24
5
2,69
3,45
49,43
12 h
48-48
1
3,01
3,69
63,05
30 min
1 h
48-2
13
1,60
2,25
25,51
6 h
48-12
1
2,33
3,04
40,26
12 h
48-24
5
2,41
3,20
36,97
1d
48-48
5
2,44
3,21
38,52
1h
6 h
24-6
9
2,23
2,93
35,62
12 h
48-12
10
2,36
3,04
38,57
1 día
24-24
10
2,31
3,00
36,68
2 día
48-48
5
2,45
3,18
36,93
Nro.
Modelo
MAE
RMSE
MAPE
Total
1
MLP – Dense
2
3
1
6
2
Conv1D – Dense
-
-
-
-
3
Multi - Conv1D – Dense
-
-
-
-
4
Conv1D – BiRNN
2
3
-
5
5
TimeDist - Conv1D - BiRNN
5
5
6
16
6
Conv1D - BiRNN - Attention
-
-
-
-
7
BiRNN – Dense
-
-
-
-
8
Multi - BiRNN – Dense
-
-
-
-
9
BiRNN - TimeDist - Dense
2
2
4
8
10
BiRNN - Conv1D
-
-
-
-
11
BiRNN - Bahdanau - Att. - Conv1D
2
1
4
7
12
BiRNN - Luong - Att. - Conv1D
2
1
1
4
13
BiRNN – MultiHead - Att. - Conv1D
1
1
-
2
14
EncDec – BiRNN
-
-
-
-
15
EncDec - Conv1D - BiRNN
-
-
-
-
162
Lara . et al. / Predicción a corto plazo de sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo
[6] I. K. Nti, M. Teimeh, O. N. Boateng, and A. F.
Adekoya, “Electricity load forecasting : a
systematic review,” J. Electr. Syst. Inf. Technol.,
vol. 8, 2020, doi: 10.1186/s43067-020-00021-8.
[7] H. Habbak, M. Mahmoud, K. Metwally, M. M.
Fouda, and M. I. Ibrahem, “Load Forecasting
Techniques and Their Applications in Smart Grids,”
Energies, vol. 16, no. 3. p. 1480, Feb. 02, 2023. doi:
10.3390/en16031480.
[8] K. E. ArunKumar, D. V. Kalaga, C. Mohan Sai
Kumar, M. Kawaji, and T. M. Brenza,
“Comparative analysis of Gated Recurrent Units
(GRU), long Short-Term memory (LSTM) cells,
autoregressive Integrated moving average
(ARIMA), seasonal autoregressive Integrated
moving average (SARIMA) for forecasting
COVID-19 trends,” Alexandria Eng. J., vol. 61, no.
10, pp. 7585–7603, Oct. 2022, doi:
10.1016/j.aej.2022.01.011.
[9] M. T. Luong, H. Pham, and C. D. Manning,
“Effective approaches to attention-based neural
machine translation,” Conf. Proc. - EMNLP 2015
Conf. Empir. Methods Nat. Lang. Process., pp.
1412–1421, 2015, doi: 10.18653/v1/d15-1166.
[10] D. Bahdanau, K. H. Cho, and Y. Bengio, “Neural
machine translation by jointly learning to align and
translate,” 3rd Int. Conf. Learn. Represent. ICLR
2015 - Conf. Track Proc., pp. 1–5, 2015, doi:
doi.org/10.48550/arXiv.1409.0473.
[11] J. Li, Z. Tu, B. Yang, M. R. Lyu, and T. Zhang,
“Multi-Head Attention with Disagreement
Regularization,” in Proceedings of the 2018
Conference on Empirical Methods in Natural
Language Processing, Stroudsburg, PA, USA:
Association for Computational Linguistics, 2018,
pp. 2897–2903. doi: 10.18653/v1/D18-1317.
[12] A. M. Pirbazari, M. Farmanbar, A. Chakravorty,
and C. Rong, “Short-term load forecasting using
smart meter data: A generalization analysis,”
Processes, vol. 8, no. 4, 2020, doi:
10.3390/PR8040484.
[13] I. Khatri, X. Dong, J. Attia, and L. Qian, “Short-
term Load Forecasting on Smart Meter via Deep
Learning,” 51st North Am. Power Symp. NAPS
2019, no. October 2021, 2019, doi:
10.1109/NAPS46351.2019.9000185.
[14] C. Tarmanini, N. Sarma, C. Gezegin, and O.
Ozgonenel, “Short term load forecasting based on
ARIMA and ANN approaches,” Energy Reports,
vol. 9, pp. 550–557, May 2023, doi:
10.1016/j.egyr.2023.01.060.
[15] M. R. Hossain, A. M. T. Oo, and A. B. M. Shawkat
Ali, “Evolution of smart grid and some pertinent
issues,” in AUPEC 2010 - 20th Australasian
Universities Power Engineering Conference:
“Power Quality for the 21st Century,” 2010.
[Online]. Available:
https://ieeexplore.ieee.org/document/5710797
[16] H. Farhangi, “The path of the smart grid,” IEEE
Power Energy Mag., vol. 8, no. 1, pp. 18–28, Jan.
2010, doi: 10.1109/MPE.2009.934876.
[17] B. Seal, “Advanced Metering Infrastructure (AMI)
Considerations for Distributed Renewables
Integration,” Knoxville, Tennessee 39032, 2009.
[Online]. Available:
https://www.epri.com/#/pages/product/1019585/
[18] M. Kuzlu, M. Pipattanasomporn, and S. Rahman,
“Communication network requirements for major
smart grid applications in HAN, NAN and WAN,”
Comput. Networks, vol. 67, pp. 74–88, Jul. 2014,
doi: 10.1016/j.comnet.2014.03.029.
[19] L. Hu, Z. Wang, X. Liu, A. V. Vasilakos, and F. E.
Alsaadi, “Recent advances on state estimation for
power grids with unconventional measurements,”
IET Control Theory Appl., vol. 11, no. 18, pp.
3221–3232, Dec. 2017, doi: 10.1049/iet-
cta.2017.0629.
[20] D. Syed, A. Zainab, A. Ghrayeb, S. S. Refaat, H.
Abu-Rub, and O. Bouhali, “Smart Grid Big Data
Analytics: Survey of Technologies, Techniques,
and Applications,” IEEE Access, vol. 9, pp. 59564–
59585, 2021, doi:
10.1109/ACCESS.2020.3041178.
[21] G. Dileep, “A survey on smart grid technologies
and applications,” Renew. Energy, vol. 146, pp.
2589–2625, Feb. 2020, doi:
10.1016/j.renene.2019.08.092.
[22] S.-H. Kim, Z. W. Geem, and G.-T. Han,
“Hyperparameter Optimization Method Based on
Harmony Search Algorithm to Improve
Performance of 1D CNN Human Respiration
Pattern Recognition System,” Sensors, vol. 20, no.
13, p. 3697, Jul. 2020, doi: 10.3390/s20133697.
[23] H. Ismail Fawaz, G. Forestier, J. Weber, L.
Idoumghar, and P. A. Muller, “Deep learning for
time series classification: a review,” Data Min.
Knowl. Discov., vol. 33, no. 4, pp. 917–963, Jul.
2019, doi: 10.1007/s10618-019-00619-1.
[24] A. Casolaro, V. Capone, G. Iannuzzo, and F.
Camastra, “Deep Learning for Time Series
Forecasting: Advances and Open Problems,”
Information, vol. 14, no. 11, p. 598, Nov. 2023, doi:
10.3390/info14110598.
[25] Z. Zhang and Y. Dong, “Temperature Forecasting
via Convolutional Recurrent Neural Networks
Based on Time-Series Data,” Complexity, vol.
2020, pp. 1–8, Mar. 2020, doi:
163
Edición No. 21, Issue I, Julio 2024
10.1155/2020/3536572.
[26] C. Y. Yang, P. C. Chen, and W. C. Huang, “Cross-
Domain Transfer of EEG to EEG or ECG Learning
for CNN Classification Models,” Sensors, vol. 23,
no. 5, p. 2458, Feb. 2023, doi: 10.3390/s23052458.
[27] K. Berahmand, F. Daneshfar, E. S. Salehi, Y. Li,
and Y. Xu, “Autoencoders and their applications in
machine learning: a survey,” Artif. Intell. Rev., vol.
57, no. 2, 2024, doi: 10.1007/s10462-023-10662-6.
[28] P. Li, Y. Pei, and J. Li, “A comprehensive survey
on design and application of autoencoder in deep
learning,” Appl. Soft Comput., vol. 138, 2023, doi:
10.1016/j.asoc.2023.110176.
[29] A. Almalaq and G. Edwards, “A review of deep
learning methods applied on load forecasting,” in
Proceedings - 16th IEEE International Conference
on Machine Learning and Applications, ICMLA
2017, IEEE, Dec. 2017, pp. 511–516. doi:
10.1109/ICMLA.2017.0-110.
[30] J. F. Torres, D. Hadjout, A. Sebaa, F. Martínez-
Álvarez, and A. Troncoso, “Deep Learning for
Time Series Forecasting: A Survey,” Big Data, vol.
9, no. 1, pp. 3–21, Feb. 2021, doi:
10.1089/big.2020.0159.
[31] G. Hebrail and A. Berard, “Household Electric
Power Consumption,” UCI Machine Learning
Repository. [Online]. Available:
https://doi.org/10.24432/C58K54
Jorge A. Lara S. es Ingeniero
Electromecánico de la Universidad
de las Fuerzas Armadas - ESPE,
Ecuador. Becario Doctoral del
CONICET en Ingeniería Eléctrica
de la Universidad Nacional de San
Juan (UNSJ), Argentina. Parte del
grupo de I+D de Redes Inteligentes
de Distribución Eléctrica del
Instituto de Energía Eléctrica (IEE-UNSJ), donde
investiga áreas relacionadas con recursos energéticos
distribuidos, uso eficiente de la energía eléctrica, calidad
y aplicación de algoritmos de Data Mining, Machine y
Deep Learning en operación en tiempo real.
Mauricio E. Samper es Doctor en
Ingeniería Eléctrica, egresado de la
Universidad Nacional de San Juan
(UNSJ), Argentina, 2011. Realizó
un posdoctorado en redes
inteligentes en Colorado State
University, USA, 2017.
Investigador adjunto, docente y
consultor del Instituto de Energía
Eléctrica (IEE), UNSJ - CONICET. Especialidad:
planificación de la expansión y operación de sistemas de
distribución, redes inteligentes, recursos energéticos
distribuidos, uso eficiente de la energía eléctrica, análisis
de desempeño, modelos de optimización, calidad y
confiabilidad, evaluación de inversiones y análisis de
riesgo.
D. Graciela Colomé es Doctora en
Ingeniería Eléctrica, egresada de la
Universidad Nacional de San Juan
(UNSJ), Argentina, 2009. Profesora
y Consultora del Instituto de Energía
Eléctrica (IEE), UNSJ - CONICET.
Coordinadora de la carrera de
Ingeniería Eléctrica (2011-2018) y
directora del Departamento de
Posgrado de la Facultad de Ingeniería (2016-2021).
Actualmente es directora de proyectos de investigación y
transferencia de tecnología. Sus principales campos de
investigación son: modelado, simulación, supervisión,
estabilidad y control de sistemas eléctricos de potencia.
164