Método para descubrir patrones espacio-temporales de comportamiento de usuarios eléctricos utilizando herramientas de aprendizaje automático
- Autores: Mario Alberto Flor Ambrosi
- Directores de la Tesis: Sergio Herraiz Jaramillo (dir. tes.), Iván Contreras Fernández-Dávila (codir. tes.)
- Lectura: En la Universitat de Girona ( España ) en 2021
- Idioma: español
- Tribunal Calificador de la Tesis: Jose Ignacio Hidalgo Perez (presid.), Remei Calm Puig (secret.), Luis Sáinz Sapera (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnología por la Universidad de Girona
- Materias:
- Enlaces
- Tesis en acceso abierto en: TDX
- Resumen
Esta tesis presenta un enfoque novedoso para descubrir conocimientos prácticos y explorar modelos basados en datos a partir de datos registrados por medidores inteligentes residenciales. El marco propuesto está respaldado por una arquitectura de aprendizaje automático basada en la aplicación de métodos de minería de datos y análisis espacial para extraer clústeres restringidos espacialmente de perfiles característicos de carga eléctrica. Además, utiliza estos clústeres para realizar pronósticos de carga a corto plazo utilizando redes neuronales recurrentes. El enfoque analiza una base de datos con medidas de 1000 contadores inteligentes recopilados durante 4 años en Ecuador. Los resultados de la metodología propuesta nos llevaron a obtener precisos perfiles de carga de los patrones de consumo típicos y a extraer información de vecinos para mejorar el desempeño de la previsión de consumo de energía residencial.
