Modelos de predicción de caudales para una mini central hidroeléctrica.

Simple item page
dc.contributor.advisorFreire, Luigi
dc.contributor.authorBonilla Correa, Brayan Alexander
dc.date.accessioned2024-02-19T14:09:54Z
dc.date.available2024-02-19T14:09:54Z
dc.date.issued2023-11
dc.descriptionIn this paper, a comparison between two systems implemented in Jupyter Notebook with the Python computation kernel is presented. They use machine learning to predict the flow rate. The models were trained and evaluated using data from the year 2022. The first system uses the ARIMA method and shows an error of 4.55% in flow prediction. A high similarity is observed between the actual and predicted flow curves for each month. The second system uses the RNA-GRU method and shows a MAPE error of 4.62% in the flow prediction. As with ARIMA, there is a significant resemblance between the actual and predicted flow curves for each month. Bar graphs were generated representing the dispersion of the predicted values compared to the expected values. These graphs allow us to evaluate the average errors of the forecasts. In this case, it is evident that the ARIMA method has a lower error compared to the GRU method. This paper demonstrates the ability of both systems implemented in Jupyter Notebook to predict the flow rate.es_ES
dc.description.abstractEn este artículo, se presenta una comparación entre dos sistemas implementados en Jupyter Notebook con el núcleo de cálculo de Python. Estos utilizan machine learning para predecir el caudal. Los modelos se entrenaron y evaluaron utilizando datos del año 2022. El primer sistema utiliza el método ARIMA y muestra un error del 4,55% en la predicción del caudal. Se observa una alta similitud entre las curvas del caudal real y pronosticado en cada mes. El segundo sistema utiliza el método RNA-GRU y presenta un error MAPE del 4,62% en la predicción del caudal. Al igual que con ARIMA, se observa un parecido significativo entre las curvas del caudal real y pronosticado en cada mes. Se generaron gráficos de barras que representan la dispersión de los valores pronosticados en comparación con los valores esperados. Estos gráficos permiten evaluar los errores promedio de los pronósticos. En este caso, se evidencia que el método ARIMA tiene un error inferior en comparación con el método GRU. Este artículo demuestra la capacidad de ambos sistemas implementados en Jupyter Notebook para predecir el caudal.es_ES
dc.format.extent17 páginases_ES
dc.identifier.citationBonilla Correa, Brayan Alexander (2023), Modelos de predicción de caudales para una mini central hidroeléctrica. UTC. Latacunga. 17 p.es_ES
dc.identifier.otherMUTC-001761
dc.identifier.urihttp://repositorio.utc.edu.ec/handle/27000/11617
dc.language.isospaes_ES
dc.publisherEcuador: Latacunga: Universidad Técnica de Cotopaxi (UTC9es_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectJUPYTER NOTEBOOKes_ES
dc.subjectPYTHONes_ES
dc.subjectCAUDALes_ES
dc.subject.otherELECTRICIDADes_ES
dc.titleModelos de predicción de caudales para una mini central hidroeléctrica.es_ES
dc.typemasterThesises_ES
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
MUTC-001761.pdf
Size:
826.93 KB
Format:
Adobe Portable Document Format
Description:
PROYECTOS DE GRADO A TEXTO COMPLETO
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Tesis - Maestría en Electricidad Mención Sistemas Eléctricos de Potencia