Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032
Los modelos de estimación de demanda son utilizados por organismos encargados de la planeación energética, cuya función objetivo está centrada en garantizar el suministro de usuarios a partir de los recursos disponibles en generación, transporte e interconexión. Típicamente los modelos de planificac...
- Autores:
-
Cervantes Bolívar, Brian
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2018
- Institución:
- Corporación Universidad de la Costa
- Repositorio:
- REDICUC - Repositorio CUC
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.cuc.edu.co:11323/1058
- Acceso en línea:
- https://hdl.handle.net/11323/1058
https://repositorio.cuc.edu.co/
- Palabra clave:
- Cascade-Forward Back Propagation
Redes neuronales
Pronóstico de demanda de potencia máxima
Modelo de estimación de demanda a largo plazo
Cascade-Forward Back Propagation
Neural networks
Peak power demand forecast
Long-term demand estimation model
- Rights
- openAccess
- License
- Atribución – No comercial – Compartir igual
id |
RCUC2_e944a453b65c583be01de34ab8a7be78 |
---|---|
oai_identifier_str |
oai:repositorio.cuc.edu.co:11323/1058 |
network_acronym_str |
RCUC2 |
network_name_str |
REDICUC - Repositorio CUC |
repository_id_str |
|
dc.title.eng.fl_str_mv |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 |
title |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 |
spellingShingle |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 Cascade-Forward Back Propagation Redes neuronales Pronóstico de demanda de potencia máxima Modelo de estimación de demanda a largo plazo Cascade-Forward Back Propagation Neural networks Peak power demand forecast Long-term demand estimation model |
title_short |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 |
title_full |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 |
title_fullStr |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 |
title_full_unstemmed |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 |
title_sort |
Pronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032 |
dc.creator.fl_str_mv |
Cervantes Bolívar, Brian |
dc.contributor.advisor.spa.fl_str_mv |
Silva Ortega, Jorge Ivan |
dc.contributor.author.spa.fl_str_mv |
Cervantes Bolívar, Brian |
dc.contributor.coasesor.spa.fl_str_mv |
Palacio Bonil, Alan Rafael |
dc.subject.eng.fl_str_mv |
Cascade-Forward Back Propagation Redes neuronales Pronóstico de demanda de potencia máxima Modelo de estimación de demanda a largo plazo Cascade-Forward Back Propagation Neural networks Peak power demand forecast Long-term demand estimation model |
topic |
Cascade-Forward Back Propagation Redes neuronales Pronóstico de demanda de potencia máxima Modelo de estimación de demanda a largo plazo Cascade-Forward Back Propagation Neural networks Peak power demand forecast Long-term demand estimation model |
description |
Los modelos de estimación de demanda son utilizados por organismos encargados de la planeación energética, cuya función objetivo está centrada en garantizar el suministro de usuarios a partir de los recursos disponibles en generación, transporte e interconexión. Típicamente los modelos de planificación a largo plazo utilizan técnicas de optimización no lineal considerando un error no superior al 5%. El modelo de referencia utilizado por la UPME en Colombia alcanza un error medio del 1.6%. No obstante, los modelos no lineales presentan restricciones para anticipar variaciones no características de las curvas de comportamiento, lo cual aumenta la probabilidad de una predicción errónea. Basado en lo anterior, la presente investigación propone un modelo de proyección de demanda de energía eléctrica utilizando redes neuronales que permita planear y responder al crecimiento del sistema. El estudio comienza documentando las metodologías actuales para el pronóstico de demanda de potencia máxima, así como las deficiencias actuales en los pronósticos utilizados. Como resultado se obtiene un nuevo modelo con la aplicación de redes neuronales utilizando el algoritmo Cascade-Forward Back Propagation en el software MATLAB R2017a. Se consideró como caso de estudio el Área Caribe del Sistema Interconectado Nacional (SIN) colombiano, los resultados obtenidos son exportados al software DigSILENT Power Factory 15.1.para someter el caso de estudio a prueba. Durante el proceso de comparación del modelo, se identificó que los datos obtenidos reflejan las características de comportamiento de la demanda con un margen de error aceptable igual al 0.5% comparados con los modelos de referencia utilizados. Finalmente se proponen recomendaciones técnicas y operativas para garantizar la seguridad en la operación del Área Caribe. |
publishDate |
2018 |
dc.date.accessioned.none.fl_str_mv |
2018-11-15T20:22:53Z |
dc.date.available.none.fl_str_mv |
2018-11-15T20:22:53Z |
dc.date.issued.none.fl_str_mv |
2018-04-09 |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
acceptedVersion |
dc.identifier.uri.spa.fl_str_mv |
https://hdl.handle.net/11323/1058 |
dc.identifier.instname.spa.fl_str_mv |
Corporación Universidad de la Costa |
dc.identifier.reponame.spa.fl_str_mv |
REDICUC - Repositorio CUC |
dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.cuc.edu.co/ |
url |
https://hdl.handle.net/11323/1058 https://repositorio.cuc.edu.co/ |
identifier_str_mv |
Corporación Universidad de la Costa REDICUC - Repositorio CUC |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.spa.fl_str_mv |
Atribución – No comercial – Compartir igual |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Atribución – No comercial – Compartir igual http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Eléctrica |
institution |
Corporación Universidad de la Costa |
bitstream.url.fl_str_mv |
https://repositorio.cuc.edu.co/bitstreams/90b93852-d206-4c51-aa0f-a787ce681b3f/download https://repositorio.cuc.edu.co/bitstreams/db4e50e8-fa34-4703-b6df-4a995164b073/download https://repositorio.cuc.edu.co/bitstreams/e28d56d1-f752-4107-8af0-42e4c381ef11/download https://repositorio.cuc.edu.co/bitstreams/c6653003-e2a8-415c-8008-3978247ae346/download |
bitstream.checksum.fl_str_mv |
7f71c15d67ec7f15a688d1008333b55e 8a4605be74aa9ea9d79846c1fba20a33 13a3416f460b77b8f2c470f221042c6b 7274a38cbb56e207a46deb61408dc3ef |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio de la Universidad de la Costa CUC |
repository.mail.fl_str_mv |
repdigital@cuc.edu.co |
_version_ |
1811760709122392064 |
spelling |
Silva Ortega, Jorge IvanCervantes Bolívar, BrianPalacio Bonil, Alan Rafael2018-11-15T20:22:53Z2018-11-15T20:22:53Z2018-04-09https://hdl.handle.net/11323/1058Corporación Universidad de la CostaREDICUC - Repositorio CUChttps://repositorio.cuc.edu.co/Los modelos de estimación de demanda son utilizados por organismos encargados de la planeación energética, cuya función objetivo está centrada en garantizar el suministro de usuarios a partir de los recursos disponibles en generación, transporte e interconexión. Típicamente los modelos de planificación a largo plazo utilizan técnicas de optimización no lineal considerando un error no superior al 5%. El modelo de referencia utilizado por la UPME en Colombia alcanza un error medio del 1.6%. No obstante, los modelos no lineales presentan restricciones para anticipar variaciones no características de las curvas de comportamiento, lo cual aumenta la probabilidad de una predicción errónea. Basado en lo anterior, la presente investigación propone un modelo de proyección de demanda de energía eléctrica utilizando redes neuronales que permita planear y responder al crecimiento del sistema. El estudio comienza documentando las metodologías actuales para el pronóstico de demanda de potencia máxima, así como las deficiencias actuales en los pronósticos utilizados. Como resultado se obtiene un nuevo modelo con la aplicación de redes neuronales utilizando el algoritmo Cascade-Forward Back Propagation en el software MATLAB R2017a. Se consideró como caso de estudio el Área Caribe del Sistema Interconectado Nacional (SIN) colombiano, los resultados obtenidos son exportados al software DigSILENT Power Factory 15.1.para someter el caso de estudio a prueba. Durante el proceso de comparación del modelo, se identificó que los datos obtenidos reflejan las características de comportamiento de la demanda con un margen de error aceptable igual al 0.5% comparados con los modelos de referencia utilizados. Finalmente se proponen recomendaciones técnicas y operativas para garantizar la seguridad en la operación del Área Caribe.Demand estimation models are used by organizations which are in charge of energy planning. Their primary function is focused on guaranteeing the supply of users from the available resources in generation, transport and interconnection. Long-term planning models typically use non-linear optimization techniques considering an error of no more than 5%. The reference model used by UPME in Colombia is limited to an average error of 1.6%. Non-linear models, however, are constrained in their ability to anticipate uncharacteristic variations in behavioral curves, which increases the probability of an erroneous prediction. Therefore on the above, this research proposes a model for forecasting the demand of electricity by using neural networks to plan for and respond to non-characteristic variations. The study first documents current methodologies for the prediction of maximum power demand, as well as the current deficiencies in the used forecasts, A new model is then formulated with the application of neural networks using the algorithm Cascade-Forward Back propagation in the software MATLAB R2017a. The Caribbean Area of the Colombian National Interconnected System (SIN) was considered as a case study. The results obtained are exported to the software DigSILENT Power Factory 15.1 to identify possible technical restrictions and propose improvements. During the model comparison process, it was identified that the data obtained reflects the characteristics of demand behavior with an acceptable margin of error equal to 0.5%.Cervantes Bolívar, Brian-5c4a640e-d71a-4053-8344-76f9fb5d933c-0spaAtribución – No comercial – Compartir igualinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Cascade-Forward Back PropagationRedes neuronalesPronóstico de demanda de potencia máximaModelo de estimación de demanda a largo plazoCascade-Forward Back PropagationNeural networksPeak power demand forecastLong-term demand estimation modelPronostico del crecimiento de demanda de energía eléctrica en el área caribe colombiana para proyectar la generación por seguridad de 2018 a 2032Trabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionIngeniería EléctricaPublicationORIGINAL1042427676.pdf1042427676.pdfapplication/pdf3536674https://repositorio.cuc.edu.co/bitstreams/90b93852-d206-4c51-aa0f-a787ce681b3f/download7f71c15d67ec7f15a688d1008333b55eMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.cuc.edu.co/bitstreams/db4e50e8-fa34-4703-b6df-4a995164b073/download8a4605be74aa9ea9d79846c1fba20a33MD53THUMBNAIL1042427676.pdf.jpg1042427676.pdf.jpgimage/jpeg25262https://repositorio.cuc.edu.co/bitstreams/e28d56d1-f752-4107-8af0-42e4c381ef11/download13a3416f460b77b8f2c470f221042c6bMD55TEXT1042427676.pdf.txt1042427676.pdf.txttext/plain217634https://repositorio.cuc.edu.co/bitstreams/c6653003-e2a8-415c-8008-3978247ae346/download7274a38cbb56e207a46deb61408dc3efMD5611323/1058oai:repositorio.cuc.edu.co:11323/10582024-09-17 10:44:31.17open.accesshttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.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 |