Pronóstico de generación de una mini central hidroeléctrica mediante aprendizaje automático utilizando software de código abierto.
| dc.contributor.advisor | Salazar Achig, Edgar Roberto | |
| dc.contributor.author | Benalcazar Cisneros, Dylan Ariel | |
| dc.contributor.author | Tandalla Cando, Jordan Leonel | |
| dc.date.accessioned | 2024-03-01T20:26:14Z | |
| dc.date.available | 2024-03-01T20:26:14Z | |
| dc.date.issued | 2024-03 | |
| dc.description | In this research Project, it was present the challange to see the energy generator in the Catacazon Mini Hydroelectric power plant by learning technique automatic and open source software. the main objective was to compare forescast models to determine the accuracy about generation predictions. In this research Project, it was taken 87647 data collected over 5 years which were divide into 80% data in order to of model training and 20% data for testing. This datas were used for the porpuse to add learning technique automatic, between Simple Linear Regression, GRU Closed Recurrent Units and LSTM Neural Networks, which were added in the open source software Python. The results were showed that the applied of these models give useful predictions and focus to inform decision, helping significantly to the planification and efficient gestion about energy sources. Besides, it was taken the evaluation of the prediction results in differents temporal horizon. It was focused in the GRU Closed Recurrent Units Model showing a great close to the real Power curve. During this evaluation proces, it was analized several metrics as result a mistake of Absolute Percentage (MAPE) of 1.42% daily case, 1.61% weekly case and 1.82% monthly case. | es_ES |
| dc.description.abstract | 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. | es_ES |
| dc.format.extent | 109 páginas | es_ES |
| dc.identifier.citation | Benalcazar Cisneros, Dylan Ariel y Tandalla Cando, Jordan Leonel (2024); Pronóstico de generación de una mini central hidroeléctrica mediante aprendizaje automático utilizando software de código abierto. UTC. Latacunga. 109 p. | es_ES |
| dc.identifier.other | PI-002719 | |
| dc.identifier.uri | http://repositorio.utc.edu.ec/handle/27000/11984 | |
| dc.language.iso | spa | es_ES |
| dc.publisher | Ecuador: Latacunga: Universidad Técnica de Cotopaxi; (UTC) | es_ES |
| dc.rights | openAccess | es_ES |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | es_ES |
| dc.subject | APRENDIZAJE AUTOMÁTICO | es_ES |
| dc.subject | HIDROELÉCTRICA | es_ES |
| dc.subject | PYTHON | es_ES |
| dc.subject | PREDICCIÓN DE GENERACIÓN | es_ES |
| dc.subject.other | ELECTRICIDAD | es_ES |
| dc.title | Pronóstico de generación de una mini central hidroeléctrica mediante aprendizaje automático utilizando software de código abierto. | es_ES |
| dc.type | bachelorThesis | es_ES |