Show simple item record

dc.creatorCervantez Bolivar, Brian
dc.date.accessioned2018-11-03T16:21:11Z
dc.date.available2018-11-03T16:21:11Z
dc.date.issued2018-04-17
dc.identifier.urihttp://hdl.handle.net/11323/273
dc.descriptionIngeniería Eléctricaspa
dc.description.abstractLos 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.spa
dc.description.abstractDemand 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%.eng
dc.language.isospaeng
dc.publisherINGE CUC
dc.rightsAtribución – No comercial – Compartir igualeng
dc.subjectCascade-Forward Back Propagationeng
dc.subjectRedes neuronaleseng
dc.subjectpronóstico de demanda de potencia máximaeng
dc.subjectmodelo de estimación de demanda a largo plazoeng
dc.titlePRONOSTICO DEL CRECIMIENTO DE DEMANDA DE ENERGÍA ELÉCTRICA EN EL ÁREA CARIBE COLOMBIANA PARAPROYECTAR LA GENERACIÓN POR SEGURIDAD DE 2018 A 2032eng
dc.typeThesiseng
dc.contributor.tutorSilva Ortega, Jorge Ivan
dc.contributor.coasesorPalacio Bonil, Rafael Alan


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record