Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.

En este trabajo se utilizan dos técnicas de inteligencia artificial para pronosticar la demanda mensual de energía eléctrica en Colombia con el objetivo de determinar el error de la predicción y puedan ser comparados posteriormente con otros modelos tradicionales pronóstico de series de tiempo. Una...

Full description

Autores:
Medina Hurtado, Santiago
García Aguado, Josefina
Tipo de recurso:
Article of journal
Fecha de publicación:
2005
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/36336
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/36336
http://bdigital.unal.edu.co/26420/
Palabra clave:
Demanda de energía
Redes neuronales
Redes neurodifusas
ANFIS.
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
id UNACIONAL2_a12727768a994465111d53dabbc91747
oai_identifier_str oai:repositorio.unal.edu.co:unal/36336
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
spelling Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Medina Hurtado, Santiago42e30d11-220f-4404-a6c6-f024abb55465300García Aguado, Josefina9d1e1a6e-ae38-4333-ba23-6513cdcf5e903002019-06-28T01:16:52Z2019-06-28T01:16:52Z2005https://repositorio.unal.edu.co/handle/unal/36336http://bdigital.unal.edu.co/26420/En este trabajo se utilizan dos técnicas de inteligencia artificial para pronosticar la demanda mensual de energía eléctrica en Colombia con el objetivo de determinar el error de la predicción y puedan ser comparados posteriormente con otros modelos tradicionales pronóstico de series de tiempo. Una disminución importante en los errores de predicción, traería beneficios económicos para todos los agentes que operan en el sector eléctrico. Las redes neurales Artificiales (RNA) y los sistemas de inferencia Borroso Adaptativo – ANFIS son actualmente ampliamente utilizados en problemas de pronóstico en muchos campos de la ciencia y la tecnología con buen desempeño, para nuestro caso estos modelos fueron alimentados con variables explicativas de la demanda. Se utilizo una RNA completamente interconectada con propagación hacia delante de tres capas y se probaron dos algoritmos de aprendizaje para la red encontrándose resultados significativamente diferentes en el error de predicción así como en el tiempo de entrenamiento. El modelo ANFIS utilizado fue de tipo Takawi-Sugeno de orden cero y fue alimentado con las componentes principales de las variables de entrada definidas. Los resultados fueron comparados mediante la función error Raíz del error Medio Cuadrático (RMSE) y el porcentaje de error absoluto medio (MAPE) encontrándose un mejor desempeño de la RNA.application/pdfspaUniversidad Nacional de Colombia Sede Manizaleshttp://revistas.unal.edu.co/index.php/energetica/article/view/24008Universidad Nacional de Colombia Revistas electrónicas UN EnergéticaEnergéticaEnergética; núm. 33 (2005); 15-24 Energética; núm. 33 (2005); 15-24 2357-612X 0120-9833Medina Hurtado, Santiago and García Aguado, Josefina (2005) Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal. Energética; núm. 33 (2005); 15-24 Energética; núm. 33 (2005); 15-24 2357-612X 0120-9833 .Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.Artículo de revistainfo:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/ARTDemanda de energíaRedes neuronalesRedes neurodifusasANFIS.ORIGINAL24008-84098-1-PB.pdfapplication/pdf435122https://repositorio.unal.edu.co/bitstream/unal/36336/1/24008-84098-1-PB.pdf819fc7b8481b2c524d6307ca9f4a685eMD51THUMBNAIL24008-84098-1-PB.pdf.jpg24008-84098-1-PB.pdf.jpgGenerated Thumbnailimage/jpeg7107https://repositorio.unal.edu.co/bitstream/unal/36336/2/24008-84098-1-PB.pdf.jpg1148de68467f1430fa5a94c6b3d4a5daMD52unal/36336oai:repositorio.unal.edu.co:unal/363362023-01-09 23:02:41.605Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co
dc.title.spa.fl_str_mv Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
title Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
spellingShingle Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
Demanda de energía
Redes neuronales
Redes neurodifusas
ANFIS.
title_short Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
title_full Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
title_fullStr Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
title_full_unstemmed Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
title_sort Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal.
dc.creator.fl_str_mv Medina Hurtado, Santiago
García Aguado, Josefina
dc.contributor.author.spa.fl_str_mv Medina Hurtado, Santiago
García Aguado, Josefina
dc.subject.proposal.spa.fl_str_mv Demanda de energía
Redes neuronales
Redes neurodifusas
ANFIS.
topic Demanda de energía
Redes neuronales
Redes neurodifusas
ANFIS.
description En este trabajo se utilizan dos técnicas de inteligencia artificial para pronosticar la demanda mensual de energía eléctrica en Colombia con el objetivo de determinar el error de la predicción y puedan ser comparados posteriormente con otros modelos tradicionales pronóstico de series de tiempo. Una disminución importante en los errores de predicción, traería beneficios económicos para todos los agentes que operan en el sector eléctrico. Las redes neurales Artificiales (RNA) y los sistemas de inferencia Borroso Adaptativo – ANFIS son actualmente ampliamente utilizados en problemas de pronóstico en muchos campos de la ciencia y la tecnología con buen desempeño, para nuestro caso estos modelos fueron alimentados con variables explicativas de la demanda. Se utilizo una RNA completamente interconectada con propagación hacia delante de tres capas y se probaron dos algoritmos de aprendizaje para la red encontrándose resultados significativamente diferentes en el error de predicción así como en el tiempo de entrenamiento. El modelo ANFIS utilizado fue de tipo Takawi-Sugeno de orden cero y fue alimentado con las componentes principales de las variables de entrada definidas. Los resultados fueron comparados mediante la función error Raíz del error Medio Cuadrático (RMSE) y el porcentaje de error absoluto medio (MAPE) encontrándose un mejor desempeño de la RNA.
publishDate 2005
dc.date.issued.spa.fl_str_mv 2005
dc.date.accessioned.spa.fl_str_mv 2019-06-28T01:16:52Z
dc.date.available.spa.fl_str_mv 2019-06-28T01:16:52Z
dc.type.spa.fl_str_mv Artículo de revista
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/article
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.spa.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/ART
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/36336
dc.identifier.eprints.spa.fl_str_mv http://bdigital.unal.edu.co/26420/
url https://repositorio.unal.edu.co/handle/unal/36336
http://bdigital.unal.edu.co/26420/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.spa.fl_str_mv http://revistas.unal.edu.co/index.php/energetica/article/view/24008
dc.relation.ispartof.spa.fl_str_mv Universidad Nacional de Colombia Revistas electrónicas UN Energética
Energética
dc.relation.ispartofseries.none.fl_str_mv Energética; núm. 33 (2005); 15-24 Energética; núm. 33 (2005); 15-24 2357-612X 0120-9833
dc.relation.references.spa.fl_str_mv Medina Hurtado, Santiago and García Aguado, Josefina (2005) Predicción de demanda de energía en colombia mediante un sistema de inferencia difuso neuronal. Energética; núm. 33 (2005); 15-24 Energética; núm. 33 (2005); 15-24 2357-612X 0120-9833 .
dc.rights.spa.fl_str_mv Derechos reservados - Universidad Nacional de Colombia
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial 4.0 Internacional
Derechos reservados - Universidad Nacional de Colombia
http://creativecommons.org/licenses/by-nc/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Nacional de Colombia Sede Manizales
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/36336/1/24008-84098-1-PB.pdf
https://repositorio.unal.edu.co/bitstream/unal/36336/2/24008-84098-1-PB.pdf.jpg
bitstream.checksum.fl_str_mv 819fc7b8481b2c524d6307ca9f4a685e
1148de68467f1430fa5a94c6b3d4a5da
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089196054249472