Tesis - Ingeniería en Electricidad

Permanent URI for this collection

https://repositorio.utc.edu.ec/handle/27000/5307

Browse

Browsing Tesis - Ingeniería en Electricidad by Author "Benalcazar Cisneros, Dylan Ariel"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Pronóstico de generación de una mini central hidroeléctrica mediante aprendizaje automático utilizando software de código abierto.
    (Ecuador: Latacunga: Universidad Técnica de Cotopaxi; (UTC), 2024-03) Benalcazar Cisneros, Dylan Ariel; Tandalla Cando, Jordan Leonel; Salazar Achig, Edgar Roberto
    En este proyecto de investigación, se presentó el desafío de prever la generación de energía en la Mini Central Hidroeléctrica Catazacón mediante técnicas de aprendizaje automático y software de código abierto. El objetivo principal fue comparar modelos de pronóstico para determinar la mayor precisión en las predicciones de generación. En este proyecto de investigación se emplearon un total de 87647 datos recopilados a lo largo de cinco años históricos los cuales fueron divididos en 80% de datos para el entrenamiento el modelo y el 20% de datos para prueba. Estos datos fueron utilizados con el propósito de integrarlos en Modelos de Aprendizaje Automático, entre los que se incluyen la Regresión Lineal Simple, las Unidades Recurrentes Cerradas GRU y las Redes Neuronales LSTM los mismos que fueron implementados en el software de código abierto Python. Los resultados mostraron que la aplicación de estos modelos brindaba predicciones útiles y orientadas a decisiones informadas, contribuyendo significativamente a la planificación y gestión eficiente de los recursos energéticos. Adicionalmente, se llevó a cabo la evaluación de los resultados de predicción en diversos horizontes temporales. Se destacó que el Modelo de Unidades Recurrentes Cerradas GRU exhibió una mayor cercanía con la curva de Potencia real. Durante este proceso de evaluación, se analizaron varias métricas, dando como resultado un Error de Porcentaje Medio Absoluto (MAPE) del 1.42% en el caso diario, 1.61% en el caso semanal y 1.82% en el caso mensual.