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

Abstract

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.

Keywords

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