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
- Alex Villamarín, Angie Bravo, Ariel Chancusig, Contribución del Almacenamiento en Baterías en el Sistema Eléctrico Ecuatoriano para Optimizar su Despacho Económico , Revista Técnica "energía": Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
- Julio Lascano, Luis Chiza, Roberth Saraguro, Carlos Quinatoa, Jessy Tapia, Estimación de la Demanda de una Estación de Carga para Vehículos Eléctricos Mediante la Aplicación de Métodos Probabilísticos , Revista Técnica "energía": Vol. 20 Núm. 1 (2023): Revista Técnica "energía", Edición No. 20, ISSUE I
- Diego Lojano, Juan Palacios, Flujo Óptimo de Sistemas Eléctricos de Potencia con Consideraciones Ambientales , Revista Técnica "energía": Vol. 21 Núm. 2 (2025): Revista Técnica "energía", Edición No. 21, ISSUE II
- Graciela Colomé, Omar Ramos, Diego Echeverría, Metodología de Identificación de Modos Oscilatorios en Datos Tipo Ambiente de Mediciones PMU , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- Nelson Granda, Karen Paguanquiza, Modelos de Respuesta de la Frecuencia para el Sistema Nacional Interconectado Ecuatoriano , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- José Castro, Paúl Soto, Ruth Reategui, Tuesman Castillo, Partición de una Red Eléctrica de Distribución Aplicando Algoritmos de Agrupamiento K-means y DBSCAN , Revista Técnica "energía": Vol. 20 Núm. 1 (2023): Revista Técnica "energía", Edición No. 20, ISSUE I
- Joffre Constante, Augusto Riofrío, Aharon De La Torre, Jaime Cepeda, Metodología para Modelación Estacionaria y Dinámica del S.N.I en HYPERsim, Aplicación del Modelo en Análisis de Transitorios Electromagnéticos para Sistemas de 500 kV , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Edison Novoa, Gabriel Salazar Yépez, Eliana Buitrón, Gabriel Salazar Pérez, Propuesta de una Metodología para la Focalización del Subsidio Eléctrico “Tarifa De La Dignidad” en Usuarios Residenciales de las Empresas Eléctricas del Ecuador , Revista Técnica "energía": Vol. 20 Núm. 1 (2023): Revista Técnica "energía", Edición No. 20, ISSUE I
- Carlos Lozada, David Panchi, Wilson Sánchez, Andrés Jacho, Regresión Lineal para la Identificación del Punto de Máxima Potencia en Microrredes Híbridas Implementado en HYPERSIM , Revista Técnica "energía": Vol. 20 Núm. 2 (2024): Revista Técnica "energía", Edición No. 20, ISSUE II
- Wilson Brito, Wilson Sánchez, Evaluación del desempeño de modelos LSTM y XGBoost en la predicción de la demanda eléctrica del sistema ecuatoriano , Revista Técnica "energía": Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
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 1466 | Visitas PDF 723
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
