Pronóstico de la Demanda Diaria del Sistema Nacional Interconectado Utilizando Redes Neuronales

##plugins.themes.bootstrap3.article.main##

José Oscullo

Lenin Haro



Resumen

Abstract: Proper projection of demand for electric power system (SEP) is the first step in determining the characteristics of the quality of electricity service provided to the consumer, becoming one of the most important requirements for the planning of economic operation optimal levels of quality for the SEP. For the time operating a SEP, tell in advance with the demand as closely to the real needs of consumers, so that adequate control on the balance between the generation offered by the generation plants and the required load is reached by users at every moment of the operation of SEP, and so thus ensuring the supply of the product "electricity" quality standards for each user of electricity. There are several methodologies adopted by the SEP for the projection, this paper presents a model using a neural network, which allows to obtain the projected demand; in which efficient nonlinear models that have the capacity to learn, identify and approximate the characteristics of a data set is used. To evaluate the performance of the model is implemented in MATLAB® model that uses data demand schedules the National Interconnected System (SNI) for a weekday, one weekend and one-day holiday; to which two methods of training the neural network in order to obtain the demand forecast was implemented. By optimizing the adaptability function of the neural network to which it is applied two optimization techniques first and second order.

 

Resumen: Un adecuado pronóstico de la demanda de un sistema eléctrico de potencia (SEP) es el primer paso en la determinación de las características de la calidad del servicio eléctrico proporcionado al consumidor, constituyéndose como uno de los requisitos más importantes para la planificación de la operación económica en niveles de calidad óptimos para el SEP. Para la operación horaria de un SEP, contar de forma anticipada con la demanda lo más ajustada a los requerimientos reales de los consumidores, con lo que se alcance un adecuado control en el balance entre la generación ofertada por las centrales de generación y la carga demandada por los usuarios en cada instante de la operación del SEP, y así de esta forma asegurar el abastecimiento del producto "energía eléctrica" con estándares de calidad para cada usuario del servicio eléctrico. Existe varias metodologías adoptadas por los SEP para obtener el pronóstico, este trabajo presenta un modelo mediante el uso de una red neural, la cual permita obtener el pronóstico de la demanda; en la cual se utiliza modelos no lineales eficientes que poseen la capacidad de aprender, identificar y aproximar las características de una serie de datos. Para evaluar el desempeño del modelo se ha implementado un modelo en MATLAB®, que utiliza datos horarios de demanda del Sistema Nacional Interconectado (SNI) para un día laborable, uno de fin de semana y un día de feriado; a los cuales se aplicó dos métodos de entrenamiento a la red neural con el fin de obtener el pronóstico de la demanda. Mediante la optimización de la función de adaptabilidad de la red neural a la cual se le aplica dos técnicas de optimización de primero y segundo orden.


 


Descargas

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Biografías de los autores/as

José Oscullo, Escuela Politécnica Nacional

José Oscullo Profesor Auxiliar Tiempo Completo Nivel 1 Grado 1 Facultad de Ingenieria Eléctrica y Eléctrónica.

Lenin Haro, Operador Nacional de Electricidad CENACE

Nació en Ibarra, Ecuador, sus estudios secundarios los realizó en el Instituto Tecnológico Superior Central Técnico, recibió su título de ingeniero eléctrico en la Escuela Politécnica Nacional en septiembre de 2010, está desarrollando sus estudios en la Maestría en Eficiencia Energética en la Escuela Politécnica Nacional. Su campo de investigación se encuentra basado en el estudio de Energías Renovables, la incorporación de generación distribuida en los sistemas de potencia, estudios del impacto de la expiación de generación en el Sistema Nacional Interconectado de Ecuador

Citas

Floreano D, Mattiussi C. (2008) Bio-Inspired Artificial Intelligence: Theories, Methods, and Technologies (Intelligent Robotics and Autonomous Agents). The MIT Press, pp. 70-95.

Freeman, J. y Skapura, D. (2010) Redes Neuronales: Algoritmos, aplicaciones y técnicas, 1er ed. Coplublicación de Addison-Wesley Iberoamerica, S.A. y Ediciones Diaz de Santos, pp. 230-175.

George F (2008) Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Addison Wesley; (6th ed), pp. 20-75.

Haykin, S. (1999) Neural Netwoks: A Comprehensive Foundation, (2nd ed) Prentice Hall, pp. 123-135.

Herrera, L (2007) Pronóstico de Demanda de muy Corto Plazo Utilizando Inteligencia Artificial. Quito, Ecuador Tesis EPN.

Jacek, M. (1992) Introduction to Artificial Neural Networks, West Publishing Company, New York, pp 18, 26-30,53-54.

Jones Tim (2005) A Application Programming. Charles River Media; (2nd ed), pp. 30-55.

Kovács Z. (1996) Redes Neurais Artificias: Fundamentos y Aplicações 2nd ed, São Paulo, pp. 64-93.

Ministerio Coordinador de Sectores Estratégicos (MICSE) (2014). Balance Energético Nacional Año base 2013, Quito, Ecuador.

Mohamed El-Sharkawi y Niebur (1996) A Tutorial Course on Artifitial Neural Networks with applications to power systems, 1st ed., Power engineering society, Ed. Washintong D.C.: IEEE, vol. 1.

Operador Nacional de Electricidad (CENACE) (2014) Informe Anual, pp. 1-12.

Ortiz, P (2011) Pronóstico de la Demanda de Energía Eléctrica a Corto Plazo Utilizando una Red Neuronal Óptima. México D.F, México Tesis IPN.

Vicepresidencia de la República (2015) Estrategia Nacional Para el Cambio de la Matriz Productiva, 1era ed, Quito, Ecuador.