Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 30 Núm. 56 (2021)
Abril-Junio 2021 (Publicación Continua)

Articulos

Predicción de perfiles de consumo eléctrico usando polinomios potenciales de grado uno y redes neuronales artificiales en la infraestructura de medición inteligente

https://doi.org/10.19053/01211129.v30.n56.2021.12772

Publicado 2021-06-02

Pablo Urgilés
Universidad Politécnica Salesiana

Juan Inga-Ortega
Universidad Politécnica Salesiana

Arturo Peralta
Universidad Politécnica Salesiana

Andrés Ortega
Universidad Tecnológica ECOTEC

Resumen

Este trabajo analiza métodos y algoritmos de predicción del comportamiento de consumo eléctrico basados en redes neuronales, usando datos obtenidos de la infraestructura de medición avanzada (AMI) de una institución educativa. También, se ha realizado un contraste entre el uso de redes neuronales convencionales (ANN), redes neuronales basadas en wavelets (WNN) y los polinomios potenciales de grado uno (P1P). Se analiza la correlación de cada método de predicción, así como el comportamiento del error cuadrático medio (MSE) para finalmente establecer si existe un desbalance en el coste computacional a través del análisis de Big-O y el tiempo de ejecución. Los resultados cuantitativos del error MSE están por debajo del 0,05% para predicciones con ANN y usan un alto costo computacional. Para P1P se presentan errores alrededor del 1,2% mostrando como método de predicción de bajo consumo computacional pero aplicable de forma principal para un análisis a corto plazo. Este trabajo se da en respuesta a la necesidad de establecer una plataforma que permita aprovechar la estructura de medición inteligente, a través de la predicción de perfil de consumo eléctrico con el objetivo de elaborar una planificación de mantenimiento y gestión de la demanda eléctrica para reducir costos de operación desde el consumidor final hasta el gestor de la distribución de energía eléctrica. Para el análisis de las proyecciones sobre el perfil de carga eléctrica se consideran las características estadísticas del consumo para seleccionar los algoritmos de predicción según la cantidad de días a proyectar, usando los datos de cualquiera de los medidores inteligentes, que pueden ser monitoreados en una red eléctrica orientada a las Smart Grids.

Palabras clave

AMI, medición inteligente, P1P, predicción de consumo eléctrico, WNN

PDF (English) XML (English)

Biografía del autor/a

Pablo Urgilés

Roles: Investigación, Metodología, Diseño Experimental, Escritura - borrador original, Curación de datos.

Juan Inga-Ortega

Roles: Supervisión, Diseño Experimental, Curación de datos , Escritura - borrador original.

Arturo Peralta

Roles: Metodología, Diseño Experimental, Validación, Escritura - revisión y edición.

Andrés Ortega

Roles: Metodología, Validación, Escritura - revisión and edición.

Citas

  1. A. M. Lastre Aleaga, E. F. Méndez Garcés, A. Cordovés García, “Sistema automatizado para la predicción de flujo de carga en subestaciones eléctricas mediante redes neuronales artificiales,” Enfoque UTE, vol. 6, no. 3, pp. 20–35, 2015. https://doi.org/10.29019/enfoqueute.v6n3.66 DOI: https://doi.org/10.29019/enfoqueute.v6n3.66
  2. B. Shahid, Z. Ahmed, A. Faroqi, R. M. Navid-ur-Rehman, “Implementation of smart system based on smart grid smart meter and smart appliances,” in Smart Grids Iranian Conference (ICSG 2012), 2012, pp. 278.
  3. J. Inga, E. Inga, C. Gómez, R. Hincapié, “Evaluación de la Infraestructura de Medición y la Respuesta de la Demanda,” Revista Técnica “energía”, vol. 12, no. 1, 2016, pp. 262-269. https://doi.org/10.37116/revistaenergia.v12.n1.2016.51 DOI: https://doi.org/10.37116/revistaenergia.v12.n1.2016.51
  4. J. Zheng, D. W. Gao, L. Lin, “Smart meters in smart grid: An overview,” in IEEE Green Technology Conference, 2013, pp. 57–64. https://doi.org/10.1109/GreenTech.2013.17 DOI: https://doi.org/10.1109/GreenTech.2013.17
  5. P. L. Hernández, J. Montes De Oca, M. Carro, S. J. Fernández, “Optimización del mantenimiento preventivo, utilizando las técnicas de diagnóstico integral. Resultados finales y evaluación económica,” Ingeniería Energética, vol. XXIX, no. 2, pp. 14–25, 2008.
  6. O. A. Alsayegh, “Annual energy consumption prediction using particle filters,” in Proceedings Seventh International Symposium on Signal Processing and Its Applications, pp. 571–574, 2003. https://doi.org/10.1109/ISSPA.2003.1224941 DOI: https://doi.org/10.1109/ISSPA.2003.1224941
  7. H. H. Chang, W. Y. Chiu, T. Y. Hsieh, “Multipoint fuzzy prediction for load forecasting in green buildings,” in 16th International Conference on Control, Automation and Systems (ICCAS), 2016, pp. 562–567. https://doi.org/10.1109/ICCAS.2016.7832375 DOI: https://doi.org/10.1109/ICCAS.2016.7832375
  8. C. A. Pérez Rivera, J. A. Britto Montoya, G. A. Isaza Echeverry, “Aplicación de redes neuronales para la detección de intrusos en redes y sistemas de información,” Scientia et Technica, vol. 11, no. 27, pp. 225–230, 2005.
  9. B. M. del Brío, C. Serrano Cinca, “Fundamentos de las redes neuronales artificiales: hardware y software,” Scire Representación y Organización del Conocimiento, vol. 1, no. 1, pp. 103–125, 1995. DOI: https://doi.org/10.54886/scire.v1i1.1036
  10. P. Marquez, D. Pinos, I.-O. Juan, “Performance comparison in network traffic prediction for polynomial regression to P1P versus ARIMA and MWM,” in IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), 2018, pp. 77–82. https://doi.org/10.1109/EIConRus.2018.8317034 DOI: https://doi.org/10.1109/EIConRus.2018.8317034
  11. J. W. H. Shi, J. Yang, M. Ding, “A short-term wind power prediction method based on wavelet decomposition and bp neural network,” Automation of Electric Power Systems, vol. 35, no. 16, pp. 44–48, 2011.
  12. N. M. Pindoriya, S. N. Singh, S. K. Singh, “An adaptive wavelet neural network-based energy price forecasting in electricity markets,” IEEE Transactions on Power Systems, vol. 23, no. 3, pp. 14–23, 2008. https://doi.org/10.1109/TPWRS.2008.922251 DOI: https://doi.org/10.1109/TPWRS.2008.922251
  13. Y. Sun, N. Zhang, X. Lu, H. Yang, and Z. Yue, “Power consumption prediction of submerged arc furnace based on multi-input layer wavelet neural network,” in International Conference on Mechanic Automation and Control Engineering, 2010, pp. 3586–3589. https://doi.org/10.1109/MACE.2010.5535410 DOI: https://doi.org/10.1109/MACE.2010.5535410
  14. D. Pinos-Mendez, J. Inga, “Compressed Sensing and P1P in Electrical Consumption Prediction,” in International Conference on Information Systems and Computer Science (INCISCOS), 2018, pp. 158–164. https://doi.org/10.1109/INCISCOS.2018.00030 DOI: https://doi.org/10.1109/INCISCOS.2018.00030
  15. M. F. Bouami, Desarrollo y optimización de nuevos modelos de redes neuronales basadas en funciones de base radial, Master Thesis, Universidad de Granada, Spain, 2005.
  16. W. Song, B. Zhang, W. Xiaorong, “Compressive Sensing for Smart Grid Wireless Network,” Ad Hoc & Sensor Wireless Networks, vol. 20, no. 3, pp. 179–193, 2012.
  17. S. Medina Hurtado, J. García Aguado, “Predicción de Demanda de energía en Colombia mediante un sistema de inferencia difuso neuronal,” Energética, no. 33, pp. 15–24, 2005.
  18. X. Serrano-Guerrero, R. Prieto-Galarza, E. Huilcatanda, J. Cabrera-Zeas, G. Escriva-Escriva, “Election of variables and short-term forecasting of electricity demand based on backpropagation artificial neural networks,” in IEEE International Autumn Meeting on Power, Electronics and Computing, 2017, pp. 1–5. https://doi.org/10.1109/ROPEC.2017.8261630 DOI: https://doi.org/10.1109/ROPEC.2017.8261630
  19. R. Pino, D. De La Fuente, J. Parreño, P. Priore, “Aplicación de redes neuronales artificiales a la previsión de series temporales no estacionarias o no invertibles,” Qüestiio, vol. 26, no. 3, pp. 461–482, 2002.
  20. J. Inga-Ortega, E. Inga-Ortega, C. Gomez, R. Hincapie, “Electrical load curve reconstruction required for demand response using compressed sensing techniques,” in IEEE PES Innovative Smart Grid Technologies Conference - Latin America (ISGT Latin America), 2017, pp. 1–6. DOI: https://doi.org/10.1109/ISGT-LA.2017.8126731
  21. H. Li, S. Gong, L. Lai, Z. Han, R. C. Qiu, D. Yang, “Efficient and Secure Wireless Communications for Advanced Metering Infrastructure in Smart Grids,” IEEE Transactions on Smart Grid, vol. 3, no. 3, pp. 1540–1551, 2012. https://doi.org/10.1109/TSG.2012.2203156 DOI: https://doi.org/10.1109/TSG.2012.2203156
  22. D. I. Cabrera, Diseño de una Red Neuronal Artifical para la Predicción de la demanda Eléctrica, Master Thesis, Universidad Nacional de Loja, Spain, 2014.
  23. R. Hecht-Nielsen, “Theory of the backpropagation neural network,” in Neural Networks for Perception, Elsevier, 1992, pp. 65–93. DOI: https://doi.org/10.1016/B978-0-12-741252-8.50010-8
  24. N. K. Treadgold, T. D. Gedeon, “A cascade network algorithm employing progressive RPROP,” Lecture Notes in Computer Science, vol. 1240, pp. 733–742, 1997. https://doi.org/10.1007/bfb0032532 DOI: https://doi.org/10.1007/BFb0032532
  25. S. Ruder, “An overview of gradient descent optimization algorithms,” arXiv, 2016. https://arxiv.org/abs/1609.04747
  26. I. Ahmad, S. Ullah Swati, S. Mohsin, “Intrusions Detection Mechanism by Resilient Back Propagation (RPROP),” European Journal of Scientific Research, vol. 17, no. 4, pp. 523–531, 2007.
  27. A. Ranganathan, “The Levenberg-Marquardt Algorithm,” Tutoral LM Algorithm, vol. 11, no. 1, pp. 101–110, 2004.
  28. P. Ponce Cruz, Inteligencia Artificial con aplicaciones a la ingeniería, 1st ed. México: Alfaomega, 2010.
  29. B. M. Wilamowski, H. Yu, “References from online meetings,” IEEE Transactions on Neural Networks and Learning Systems, vol. 21, no. 6, pp. 930–937, 2010. DOI: https://doi.org/10.1109/TNN.2010.2045657
  30. A. K. Alexandridis, A. D. Zapranis, Wavelet Neural Networks with Applications in Financial Engineering, Chaos, and Classification, 2014. DOI: https://doi.org/10.1002/9781118596272

Descargas

Los datos de descargas todavía no están disponibles.