Modelo predictivo de recomendación para el despacho energético del complejo Hidroeléctrico Paute

Contenido principal del artículo

Marcelo Monteros
https://orcid.org/0000-0002-8095-8109

Resumen





El presente trabajo propone aprovechar al máximo el recurso hídrico utilizado para la generación de energía eléctrica en el Ecuador. Se ha realizado tres modelos basados en inteligencia artificial para las centrales hidroeléctricas Mazar, Molino y Sopladora que pertenecen al complejo hidroeléctrico Paute-Integral. Para la implementación de los algoritmos predictivos de recomendación, primero se modeló el comportamiento de las centrales Mazar, Molino y Sopladora, posterior a lo cual se procedió a la optimización para maximizar la generación eléctrica acorde a la capacidad de las centrales hidroeléctricas y la hidrología. Finalmente, con los resultados obtenidos, se logra la maximización de la generación eléctrica para las centrales Mazar y Molino. Respecto a la central Sopladora, cuyo despacho energético depende directamente de la generación eléctrica de la central Molino, queda como punto de evaluación medir el impacto producido por la optimización de la central Molino.





Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Monteros , M. (2022). Modelo predictivo de recomendación para el despacho energético del complejo Hidroeléctrico Paute. Revista Técnica "energía", 18(2), PP. 104–112. https://doi.org/10.37116/revistaenergia.v18.n2.2022.478
Sección
TECNOLÓGICOS E INNOVACIÓN

Citas

[1] Asamblea Nacional de la Republica del Ecuador, LEY ORGANICA DEL SERVICIO PÚBLICO DE ENERGÍA ELECTRICA, Quito, Pichincha: LEY 0 REGISTRO OFICIAL SUPLEMENTO 418, 2015.
[2] CELEC, «www.celec.gob.ec,» 31 12 2015. [En línea]. Available: www.celec.gob.ec.
[3] O. Barboza, «Automatización de previsión de demanda horaria de potencia,» Revista Científica de la UCSA, pp. 4-14, 2014.
[4] I. F. Sinaluisa Lozano, A. F. Morocho Caiza y C. Marquez Zurita, «Predicción de demanda de energía eléctrica mediante redes neuronales artificiales,» Risti, pp. 505-519, 2019.
[5] N. Huang, L. Guobo y X. Dianguo, «A Permutation Importance-Based Feature Selection Method for Short-Term Electricity Load Forecasting Using Random Forest,» Energies, 2016.
[6] J. Zalamea, «POLÍTICAS DE DESPACHO PARA EL COMPLEJO HIDROELÉCTRICO PAUTE,» ECUACIER, 2012.
[7] G. T. Doran, «There's a S.M.A.R.T. way to write management's goals and objectives,» Management Review (AMA FORUM), vol. 70, pp. 35-36, 1981.
[8] CONELEC, Estudio y Gestion de la Demanda Electrica, Quito, Provincia, 2013.
[9] ARCONEL, Estadística Anual y Multianual del Sector Eléctrico Ecuatoriano, Quito, Pichincha, 2018.
[10] CELEC EP;, «Plan Estratégico 2017-2021,» Cuenca, 2019.
[11] CELEC EP, «Plan Estratégico 2017-2021,» Cuenca, 2019.
[12] G. Argüello, INFORME OPERATIVO ANUAL, 2019.

Artículos similares

También puede {advancedSearchLink} para este artículo.