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...

Full description

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.coTk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo=