Communities
Select a community to browse its collections.
Recent Submissions
Item
Desarrollo de un sistema automatizado para la gestión eficiente del bombeo de agua desmineralizada en una planta de tratamiento de agua
(Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2025-07-31) Juiña Conlago, Christian Andres; Toaza Iza, Jimmy Xavier
Este análisis aborda la creación de un sistema automatizado para gestionar eficazmente el bombeo de agua desmineralizada en una planta de tratamiento, con el objetivo de superar las deficiencias de un sistema manual que causa pérdidas de eficiencia y riesgos operativos. Esta propuesta contempla la implementación de sensores de nivel y presión, reguladores de frecuencia, controladores lógicos programables (PLC) y una interfaz SCADA, lo que facilita la monitorización en tiempo real y una operación más sostenible. Además, la simulación del sistema se realiza en MATLAB/Simulink, utilizando modelos de control PI y PID para contrastar su rendimiento. Se examinaron perturbaciones como fallos de bombas, inyecciones imprevistas y fugas simuladas para evaluar la reacción del sistema automatizado ante situaciones críticas. Finalmente, se demostró que los controladores PI y PID logran una estabilización eficaz del nivel de agua, reduciendo las pérdidas y optimizando el uso de energía. El PID mostró una reacción más precisa, manteniendo la estabilidad incluso ante cambios bruscos.
Item
Predicción de radiación solar mediante los métodos decisión Tree y Random Forest
(Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2025-01-16) Tucumbi Pallo, Mayra Lisbeth; Guano Chimborazo, Jefferson Andrés; Salazar Achig, Edgar Roberto
La presente investigación se centra en la predicción de la radiación solar, que es importante para la producción de energía en sistemas térmicos y solares. Para ello se utilizó software de código abierto (Python) y una metodología que implica la creación, implementación y prueba de modelos específicos de aprendizaje automático de bosque aleatorio (RF) y árbol de decisión (DT). Las métricas utilizadas para identificar la efectividad de los modelos en la predicción de la radiación solar fueron el coeficiente (R2), el error cuadrático medio (MSE) y el error medio absoluto (MAE). La evaluación de los dos métodos se presenta en tres casos: durante uno, dos y siete días. Los resultados muestran que el modelo RF tiene mejores resultados que el DT, con valores MAE y MSE de 36,96 y 4238,77, respectivamente, y un coeficiente de determinación de 0,96. El estudio enfatiza la importancia de seleccionar el modelo apropiado en función del horizonte de predicción para estimar la disponibilidad solar y mejorar la planificación del sistema de energía solar y térmica. Redacte el resumen o síntesis claramente estructurada, que deje claro el objetivo general, describa sintéticamente el problema, los métodos, los resultados, aportes y las conclusiones.
Item
Redes neuronales para la predicción de la demanda en sistemas de distribución primaria de energía.
(Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2025-07-31) Diaz Avilez, Abimael Esteban; Pruna Molina, Jhon Alexander; Proaño Maldonado, Xavier Alfonso
Se desarrolló un modelo predictivo para analizar los perfiles de carga en redes de distribución eléctrica mediante redes neuronales artificiales. Se empleó una metodología mixta de análisis de datos, que combina enfoques cualitativos y cuantitativos. La recopilación de datos se realizó a intervalos de 15 minutos, generando 5856 registros de kilovatios (kW), kilovoltamperios (kVA) y kilovoltamperios reactivos (kVAr). El modelo se dividió en un 70 % de datos para entrenamiento (4099,2 registros) y un 30 % para validación (1756,8 registros). La arquitectura del modelo consta de tres capas: una capa de entrada, capas ocultas para análisis y una capa de salida. Se utilizó un modelo secuencial con una capa de entrada LSTM de 200 neuronas y una capa de salida densa con una sola neurona. El optimizador Adam y la medida de pérdidas mse se utilizaron para el entrenamiento. La función de activación utilizada fue lineal. Finalmente, el modelo demostró un error de pronóstico de ±3,57 % para el modelo 2 y de ±4,38 % para el modelo 3, lo que lo hace eficaz para la planificación eléctrica.
Item
“Estudio de técnicas y tecnologías para implementar mantenimiento predictivo en sistemas eléctricos industriales”
(Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2025-08-04) Llanganate Morales, Francisco Alejandro; López Llerena, Jordy Alexander; Rueda Flores, Walter Paul
El artículo científico "Estudio de técnicas y tecnologías para implementar mantenimiento predictivo en sistemas eléctricos industriales" aborda la importancia del mantenimiento predictivo en el ámbito industrial, especialmente en sistemas eléctricos. Se analizan diversas técnicas y tecnologías que permiten anticipar fallos y optimizar el rendimiento de los equipos. El mantenimiento predictivo se fundamenta en la recolección y análisis de datos en tiempo real, lo que posibilita identificar patrones y tendencias que indican el estado de los sistemas eléctricos. Con el propósito de cumplir con el objetivo de estudio, se aplicó un análisis de las fuentes de información documentales, que permita conceptualizar y fundamentar la importancia del mantenimiento predictivo. Finalmente, se concluye que la implementación de un programa de mantenimiento predictivo no solo mejora la confiabilidad de los sistemas eléctricos industriales, sino que también genera un impacto positivo en la sostenibilidad y rentabilidad de las operaciones industriales. Se recomienda una planificación adecuada y capacitación del personal para maximizar los beneficios de estas tecnologías.
Item
” implementación de un sistema fotovoltaico residencial OFF-GRID con predicción energética”
(Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2025-07-29) Herrera Robayo, David Ramiro; Lovato Caiza, Washington Gregorio; Castillo Fiallos, Jessica Nataly
This study presents the implementation of an OFF-GRID residential photovoltaic system for a type D house located in Chimborazo Province, Ecuador, where there is no access to the conventional power grid. Two predictive models were used to estimate solar radiation: second-degree polynomial regression and a decision tree, using hourly data from the NASA POWER portal covering the years 2019 to 2024. The decision tree model showed better performance in terms of accuracy, with a Mean Squared Error (MSE) of 0.212 and a Coefficient of Determination (R²) of 0.8561, compared to the polynomial model which achieved an MSE of 0.6359 and R² of 0.6599. The prediction estimated a maximum solar radiation of 416.21 W/m² at 12:00 PM in January. These results are crucial for designing efficient solar energy systems in rural areas without grid access. The research demonstrates that machine learning models offer significant advantages for predicting complex phenomena such as solar radiation, enabling better planning for renewable energy use and improving the quality of life in isolated communities