1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Maestría en Ciencia de Datos

Título :	Predicción y visualización de la demanda Eléctrica del Campus Gustavo Galindo ESPOL
Autor :	Córdova García, José , Director Porras Carrión, Francisco Xavier
Palabras clave :	Energía Visualización Modelo Predicciones
Fecha de publicación :	2024
Editorial :	ESPOL.FIEC
Citación :	Porras Carrión, F. X. (2024). Predicción y visualización de la demanda Eléctrica del Campus Gustavo Galindo ESPOL. [Proyecto de Titulación]. ESPOL.FIEC .
Descripción :	La predicción de la demanda Eléctrica es esencial para la correcta planeación de recursos, adquisición de energía Eléctrica a bajo costo, dimensionamiento de sistemas de transmisión, adquisición de equipos con consumo más eficiente, inversión en nuevas alternativas de generación con un mínimo impacto en el medio ambiente. El presente trabajo tiene como objetivo Desarrollar una herramienta de Visualización y de predicción de la demanda Eléctrica del campus Gustavo Galindo de la ESPOL usando técnicas de aprendizaje de máquina. Para la predicción de la demanda de Energía Eléctrica, se evaluó modelos de aprendizaje profundo con redes recurrentes en sus tres variantes principales es decir Red neuronal recurrente o RNN, red LSTM o Modelo de largo y corto plazo y GRU o modelo de unidad de compuertas recurrentes para determinar cuál de estas ofrece un mejor comportamiento a la hora de predecir una serie temporal multivariante. El prototipo de herramienta de visualización desarrollado cumple con los aspectos fundamentales de una herramienta de este tipo, es decir es interactivo y es fiel reflejo del comportamiento de los datos. Al unir ambos componentes se obtuvo un prototipo de herramienta tanto para predecir como para visualizar e interactuar con la información. Se concluye la factibilidad en el uso de modelos de aprendizaje de máquina profundo en sus variantes de redes recurrentes, el prototipo de herramienta de visualización propuesto es sencillo y cumple con dos preceptos principales los cueles son: fiel representación de los datos y permite la interacción con dichos datos.
metadata.dc.description.abstractenglish:	The prediction of the Electricity demand is essential for the correct planning of resources, acquisition of Electric energy at low cost, dimensioning of transmission systems, acquisition of equipment with more efficient consumption, new generation alternatives with a minimum impact on the environment. The objective of this work is to develop a tool for the Visualization and prediction of the Electricity demand of the Gustavo Galindo campus of ESPOL using machine learning techniques. For the prediction of Electric Power demand, deep learning models were used with recurrent networks in their three main variants, that is, Recurrent Neural Network or RNN, LSTM network or Long and short-term model and GRU or recurrent gate unit model. to determine which of these offers the best performance when predicting a multivariate time series. The proposed visualization tool prototype complies with the fundamental aspects of a tool of this type, that is, it is interactive and is a true reflection of the behavior of the data. By joining both components, a prototype of a tool was obtained both to predict and to visualize and interact with the information. The feasibility in the use of deep machine learning models in their recurrent network variants is concluded, the proposed visualization tool prototype is simple and complies with two main precepts, faithful representation of the data and allows interaction. Keywords: Recurrent networks, predictions, Energy, visualization, model, consumption.
URI :	http://www.dspace.espol.edu.ec/handle/123456789/63219
metadata.dc.identifier.codigoproyectointegrador:	POSTG090
Aparece en las colecciones:	Tesis de Maestría en Ciencia de Datos

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.