Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el Sistema Eléctrico Ecuatoriano
Barra lateral del artículo
Contenido principal del artículo
Resumen
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.
Descargas
Detalles del artículo
Aviso de Derechos de Autor
La Revista Técnica "energía" está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.
Citas
[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.
