Desarrollo de software de predicción de carga de energía basado en Machine Learning

La presente investigación se centra en el desarrollo de un sistema de predicción de carga de energía eléctrica para validar el comportamiento energético utilizando redes neuronales convolucionales (CNN), redes neuronales artificiales (ANN) y la memoria de corto y largo plazo (LSTM). Se emplean métricas como el Error Porcentual Absoluto Medio (MAPE) y el coeficiente de determinación (R2) para evaluar la precisión de las predicciones. La metodología utilizada en la investigación es mixta, combinando enfoques cuantitativos y cualitativos. Se sigue la metodología CRISP-DM, que consta de diferentes etapas como comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. El enfoque de investigación es experimental, donde se manipulan y monitorean variables de acuerdo a las métricas establecidas. Además, el estudio se desarrolla en un contexto descriptivo, presentando y analizando las variables relevantes. El objetivo principal del trabajo es desarrollar un sistema de predicción de carga de energía eléctrica utilizando las redes neuronales CNN, ANN y LSTM, y evaluar su desempeño utilizando las métricas MAPE y R2. El propósito es mejorar la capacidad de predicción de la carga de energía eléctrica y proporcionar resultados confiables y precisos. Se realizan pruebas y experimentos para comparar el rendimiento de los diferentes modelos y técnicas utilizadas. Se busca identificar el modelo más eficiente y efectivo en la predicción de la carga de energía eléctrica.

• Egile nagusia: Cuadros García, Paquita Alejandra (author)
• Formatua: masterThesis
• Argitaratua: 2023
• Gaiak: APRENDIZAJE AUTOMATICO; RED NEURONAL; PREDICCION DE CARGA ELECTRICA; SOFTWARE; PHYTON
• Sarrera elektronikoa: http://repositorio.utmachala.edu.ec/handle/48000/21624