Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el Sistema Eléctrico Ecuatoriano
Data Mining and Short-Term Projection of Power Demand in the Ecuadorian Electric System
Cómo citar
Descargar cita
Mostrar biografía de los autores
Artículos similares
- Rolando Noroña, Edgar Cajas, Carlos Lozada, Marlon Chamba, Análisis de Estabilidad Transitoria Utilizando el Concepto de Inercia y Minería de Datos , Revista Técnica "energía": Vol. 22 Núm. 1 (2025): Revista Técnica "energía", Edición No. 22, ISSUE I
- Julio Cardenas, Graciela Colomé, Estefania Tapia, Desconexión Adaptable de Generadores para Mejorar la Estabilidad Transitoria en Sistemas con Integración de Generación Renovable , Revista Técnica "energía": Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
- Alex Mullo, José Reinoso, Marlon Chamba, Carlos Lozada, Análisis y Caracterización de la Calidad de Energía utilizando Minería de Datos , Revista Técnica "energía": Vol. 22 Núm. 1 (2025): Revista Técnica "energía", Edición No. 22, ISSUE I
- Wilson Sánchez, Diego Echeverría, Santiago Chamba, Andrés Jacho, Carlos Lozada, Despacho Económico de Energía de la Microrred en las Islas Galápagos Utilizando la Plataforma SimSEE , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- Jorge Lara, Mauricio Samper, Graciela Colomé, Predicción a corto plazo de sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo multivariable y multipaso , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- Sasha Palacios, Metodología para Calcular los Límites de Estabilidad Estática de Ángulo en el Sistema Nacional Interconectado (SNI) Ecuatoriano Usando el Criterio de Áreas Iguales y Mediciones Sincrofasoriales , Revista Técnica "energía": Vol. 22 Núm. 1 (2025): Revista Técnica "energía", Edición No. 22, ISSUE I
- Jorge Leon, Graciela Colomé, Estefanía Tapia, Identificación de Generadores Críticos ante Problemas de Estabilidad Transitoria , Revista Técnica "energía": Vol. 21 Núm. 2 (2025): Revista Técnica "energía", Edición No. 21, ISSUE II
- Gabriel Guañuna, Graciela Colomé, Estefanía Tapia, Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración de Generación Renovable Utilizando Aprendizaje Profundo , Revista Técnica "energía": Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
- Carlos Molina , Vladimir Bonilla, Aplicación de la Metodología CRISP-DM en el Análisis de Gases Disueltos en Aceite Dieléctrico de Transformadores Eléctricos del Sector Eléctrico Ecuatoriano , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- Andrés Pereira, Roberth Saraguro, Carlos Quinatoa, Evaluación de Pérdidas de Potencia Activa en el Sistema Eléctrico de la Empresa eléctrica Quito (EEQ) Aplicando un Algoritmo de Optimización , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
También puede Iniciar una búsqueda de similitud avanzada para este artículo.
Artículos más leídos del mismo autor/a
- Erick Tipanguano, Luis Dután, Fabián Pérez, Adecuaciones al Modelo de Relé de Distancia (ANSI tipo 21) de ATPDraw para Viabilizar el Análisis del Desempeño Dinámico de esta Protección en Esquemas de Apertura y Recierre Monopolar para Líneas de Transmisión , Revista Técnica "energía": Vol. 17 Núm. 1 (2020): Revista Técnica "energía", Edición No. 17, ISSUE I
- Selene Peñafiel, Patricia Otero, Fabián Pérez, Diagnóstico del Estado de Transformadores de Distribución Mediante el Ensayo de Análisis de Respuesta en Frecuencia , Revista Técnica "energía": Vol. 20 Núm. 1 (2023): Revista Técnica "energía", Edición No. 20, ISSUE I
- Daniel Jiménez, Wilson Andino, Mauricio Soria, Fabián Pérez, Coordinación Óptima de Relés de Sobrecorriente Temporizados empleando Algoritmos Heurísticos COA y GSA , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- Alejandro Trejo , Patricia Gavela, Diego Salinas, Análisis de Energía Firme en Autogeneradores Hidroeléctricos Considerando la Red de Transmisión , Revista Técnica "energía": Vol. 18 Núm. 2 (2022): Revista Técnica "energía", Edición No. 18, ISSUE II
En este artículo se presenta una herramienta computacional elaborada en lenguaje de programación Python para minería de datos y proyección a corto plazo de la demanda de potencia eléctrica del Sistema Nacional Interconectado (SNI), utilizando el enfoque predictivo del algoritmo de aprendizaje automático Random Forest.
La implementación de la función Hyperopt para definir los principales hiperparámetros del algoritmo Random Forest junto con la aplicación de la ingeniería de características permiten ajustar un modelo adecuado de aprendizaje automático para las series de datos. Dicho algoritmo es implementado en tareas de mitigación de valores faltantes y valores atípicos para estructurar bases de datos completos y libres de desviaciones.
El procedimiento para minería de datos y proyección de demanda muestra la confiabilidad y versatilidad de utilizar la herramienta computacional obteniendo resultados relevantes, como la disminución de anomalías en las series de datos para mejorar la precisión en las curvas de demanda eléctrica proyectadas.
Visitas del artículo 1472 | Visitas PDF 724
Descargas
[1] R. Medina and E. Montoya, “Estimación estadística de valores faltantes en series históricas de lluvia,” Universidad Tecnológica de Pereira, Pereira, 2008.
[2] S. Jurado, À. 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] K. Berk, Modeling and Forecasting Electricity Demand A Risk Management Perspective. Germany: Springer, 2015.
[4] 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.
[5] 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.
[6] Y. Liu, Python Machine Learning by Example, 2nd ed. Birmingham: Packt, 2017.
[7] L. Igual and S. Seguí, Introduction to Data Science: A Python Apporach to Concepts, Techniques and Applications. Switzerland: Springer, 2017.
[8] L. BREIMAN, “Random Forests,” Machine Learning, vol. 45, pp. 5–32, 2001.
[9] Medium, “A Trip to Random Forest.” Mar. 2018, Accessed: Jun. 28, 2020. [Online]. Available: https://medium.com/greyatom/a-trip-to-random-forest-5c30d8250d6a.
[10] Scikit Learn, “scikit-learn Machine Learninh in Python.” Jun. 28, 2020, Accessed: Jun. 28, 2020. [Online]. Available: https://scikit-learn.org/stable/index.html.
[11] M. Swamynathan, Mastering Machine Learning with Python in Six Steps: A practical Implementation Guide to Predictive Data Analytics Using Python. Bangalore: Apress, 2017.
[12] K. Brent, J. Bergstra, and C. Eliasmith, “Hyperopt-Sklearn,” in Automated Machine Learning: Methods, Systems, Challenges, Waterloo: Springer, 2019.
[13] 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.
[14] 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.
Semestral: Publicaciones en enero y julio
