Mostrar el registro sencillo del ítem
Desarrollo de un modelo híbrido basado en inteligencia artificial para el despacho de energía en una microrred
| dc.contributor.advisor | Sepúlveda Mora, Sergio Basilio | |
| dc.contributor.advisor | Castro Correa, Jhon Alejandro | |
| dc.contributor.author | Castro Correa, Paola Andrea | |
| dc.contributor.author | Rojas Ortega, Sebastian | |
| dc.date.accessioned | 2024-04-01T16:42:41Z | |
| dc.date.available | 2024-04-01T16:42:41Z | |
| dc.date.issued | 2023-04-24 | |
| dc.identifier.uri | https://repositorio.ufps.edu.co/handle/ufps/6779 | |
| dc.description.abstract | El presente trabajo de grado tuvo como fin desarrollar un algoritmo de inteligencia artificial para controlar de manera automática el despacho de energía dentro de una microrred de energías renovables. La investigación planteó una metodología estructurada para dar cumplimiento a los objetivos propuestos en el documento, mediante este trabajo se obtuvo un algoritmo ensamblado que combina árboles de decisión (DT), refuerzo de gradientes extremo (XGBoost) y un regresor lineal múltiple (MLR) para realizar predicciones de la producción de energía solar, producción de energía eólica y demanda eléctrica dentro de una microrred teniendo en cuenta los datos históricos de la serie de tiempo, obteniendo un error porcentual absoluto medio de 5.17%, 5.64% y 0.52% respectivamente. Estas predicciones fueron utilizadas para el desarrollo de un algoritmo que administra la energía dentro de la microrred basándose en una serie de reglas como la profundidad de descarga de las baterías o el recorte de picos en la demanda energética, se analizó el desempeño del sistema en materia económica y obtuvo un error absoluto medio de 0.004USD/kWh con respecto al comportamiento real del sistema y el predicho por el algoritmo. | spa |
| dc.description.tableofcontents | Lista de Tablas ........................................................................................................................................... IX Lista de Figuras ............................................................................................................................... XI Lista de Anexos .............................................................................................................................. XV Introducción ..................................................................................................................................... 16 1. Descripción del problema............................................................................................................. 17 1.1 Planteamiento del problema ................................................................................................... 17 1.2 Justificación ............................................................................................................................ 19 1.2.1 Beneficios tecnológicos. .................................................................................................. 20 1.2.2 Beneficios económicos. ................................................................................................... 21 1.2.3 Beneficios sociales. .......................................................................................................... 21 1.2.4 Beneficios institucionales. ............................................................................................... 22 1.3 Delimitaciones ........................................................................................................................ 22 1.3.1 Conceptual. ...................................................................................................................... 22 1.3.2 Espacial. ........................................................................................................................... 22 1.3.3 Temporal. ......................................................................................................................... 23 2. Objetivos ...................................................................................................................................... 24 2.1 Objetivo general ..................................................................................................................... 24 2.2 Objetivos específicos .............................................................................................................. 24 3. Marco referencial ......................................................................................................................... 25 3.1 Antecedentes ........................................................................................................................... 25 3.1.1 Referentes regionales. ...................................................................................................... 25 3.1.2 Referentes nacionales. ...................................................................................................... 26 3.1.3 Referentes internacionales. .............................................................................................. 27 3.2 Marco teórico .......................................................................................................................... 28 3.2.1 Energías renovables. ........................................................................................................ 28 3.2.1.1 Energía solar fotovoltaica.......................................................................................... 29 3.2.1.2 Energía eólica ............................................................................................................ 30 3.2.2 Demanda eléctrica. ........................................................................................................... 31 3.2.3 Microrredes. ..................................................................................................................... 32 3.2.3.1 Microrredes on-grid................................................................................................... 32 3.2.4 Series temporales. ............................................................................................................ 33 3.2.5 California Independent Operator (CAISO). ..................................................................... 33 3.2.6 National Renewable Energy Laboratory (NREL). ........................................................... 34 3.2.7 Software para simulación de microrredes. ....................................................................... 34 3.2.7.1 HOMER Grid. ........................................................................................................... 34 3.2.8 Python para el pronóstico de series temporales. .............................................................. 34 3.2.9 Algoritmos estadísticos. ................................................................................................... 35 3.2.9.1 Algoritmo SARIMA. ................................................................................................. 35 3.2.10 Algoritmos predictivos. .................................................................................................. 36 3.2.10.1 Algoritmo Regresión lineal múltiple (MLR). ......................................................... 37 3.2.10.2 Algoritmo de Árboles de decisión (DT). ................................................................. 38 3.2.10.3 Algoritmo de K-vecinos más cercanos (KNN). ...................................................... 39 3.2.10.4 Algoritmo Extreme Gradient Boosting (XGBoost). ............................................... 42 3.2.11 Redes neuronales. ....................................................................................................... 43 3.2.11.1 Redes neuronales recurrentes. ................................................................................. 45 3.3 Marco legal ............................................................................................................................. 46 3.3.1 Ley 603 de 2000: Distribución de licencias y derechos de autor. ................................... 47 3.3.2 Ley 1273 de 2009: Manipulación de bases de datos en sistemas informáticos. .............. 47 3.3.3 Ley 23 de 1982: Ley de protección de los derechos de autor. ......................................... 47 4. Diseño metodológico.................................................................................................................... 48 4.1 Selección y depuración de bases de datos .............................................................................. 48 4.1.1 Búsqueda de bases de datos más utilizadas. .................................................................... 48 4.1.2 Comparación y selección de las bases de datos. .............................................................. 50 4.1.3 Adquisición de los datos. ................................................................................................. 53 4.1.4 Limpieza del conjunto de datos seleccionado. ................................................................. 56 4.2 Exploración y caracterización preliminar de los datos ........................................................... 59 4.2.1 Tendencia de la producción y la demanda eléctrica. ....................................................... 59 4.2.2 Influencia de las estaciones del año. ................................................................................ 61 4.2.3 Estacionalidad en la serie temporal.................................................................................. 63 4.2.4 Transformación de los datos. ........................................................................................... 66 4.3 Identificación de variables de entrada y salida ....................................................................... 67 4.3.1 Revisión de variables significativas en antecedentes....................................................... 67 4.3.2 Autocorrelación en la serie temporal. .............................................................................. 68 4.3.3 Correlación entre variables. ............................................................................................. 72 4.4 Selección de las herramientas de desarrollo y simulación ..................................................... 73 4.4.1 Lenguaje de programación utilizado en las predicciones. ............................................... 73 4.4.2 Librerías de aprendizaje automático. ............................................................................... 75 4.4.3 Software de simulación de la microrred. ......................................................................... 76 4.5 Definición e implementación de los modelos de aprendizaje automático.............................. 77 4.5.1 División de los datos. ....................................................................................................... 78 4.5.2 Definición de la lógica de los algoritmos. ....................................................................... 80 4.5.3 Métricas utilizadas ..........................................................................................................81 4.6 Evaluación del desempeño de los modelos en la microrred ................................................... 83 4.6.1 Funcionamiento de Homer Grid. ..................................................................................... 83 4.6.2 Energía eólica en Homer Grid. ........................................................................................ 84 4.6.3 Algoritmo de despacho. ................................................................................................... 84 5. Resultados .................................................................................................................................... 85 5.1 Base de datos para algoritmos de aprendizaje automático ..................................................... 85 5.2 Comparación de los algoritmos utilizados.............................................................................. 88 5.3 Integración de los modelos de predicción .............................................................................. 96 5.4 Predicción usando redes neuronales ....................................................................................... 99 5.5 Algoritmo de despacho de energía eléctrica ......................................................................... 103 5.6 Evaluación del desempeño del algoritmo de despacho ........................................................ 105 6. Conclusiones .............................................................................................................................. 108 7. Recomendaciones ....................................................................................................................... 111 Referencias ..................................................................................................................................... 112 Anexos ............................................................................................................................................ 120 | spa |
| dc.format.extent | 129 páginas. ilustraciones, (Trabajo completo) 5.855 KB | spa |
| dc.format.mimetype | application/pdf | spa |
| dc.language.iso | spa | spa |
| dc.publisher | Universidad Francisco de Paula Santander | spa |
| dc.rights | Derechos Reservados - Universidad Francisco de Paula Santander, 2023 | eng |
| dc.source | https://catalogobiblioteca.ufps.edu.co/descargas/tesis/TG_1161627_1161624.pdf | spa |
| dc.title | Desarrollo de un modelo híbrido basado en inteligencia artificial para el despacho de energía en una microrred | spa |
| dc.type | Trabajo de grado - Pregrado | spa |
| dcterms.references | D. F. Ariza Melo, “Microrredes: Una alternativa sostenible para la universalización de la energía eléctrica.,” Universidad Santiago de Cali, Cali, 2020. | spa |
| dcterms.references | CENER, “Introducción a las Microrredes,” CENER. https://www.cener.com/introduccion-alas-microrredes/ (accessed Jan. 10, 2022). | spa |
| dcterms.references | J. J. C acón uadalix, “ as microrredes como erramienta de gestión energética,” BBVA, Feb. 17, 2015. https://www.bbvaopenmind.com/ciencia/medioambiente/las-microrredescomo-herramienta-de-gestion-energetica/ (accessed Jan. 10, 2022). | spa |
| dcterms.references | . Rodríguez Urrego, M. alderrama Mendoza, H. arcía eón, and P. C. Ocampo, “ a gestión para cadena de suministro de sistemas de energía solar fotovoltaica en Colombia y su situación actual,” Av. Investig. en Ing., vol. 15, no. 1, pp. 112–130, Dec. 2018, doi: 10.18041/1794-4953/avances.1.1368. | spa |
| dcterms.references | M. H. adii, A. uillen, and J. . Abreu, “Renewable Energies and Energy Conservation,” Daena Int. J. Good Conscienc., vol. 11, no. 1, pp. 141–155, Apr. 2016. | spa |
| dcterms.references | IDEAM. O , “Calidad del aire,” IDEAM, 2015. http://www.ideam.gov.co/web/contaminacion-y-calidad-ambiental/calidad-del-aire (accessed Jan. 10, 2022). | spa |
| dcterms.references | CIER, “Tarifas eléctricas para grandes usuarios en atinoamérica,” Energía Estratégica, Jan. 29, 2020. https://www.energiaestrategica.com/comparan-tarifas-electricas-paragrandes-usuarios-en-latinoamerica-paraguay-tienen-las-mas-economicas-guatemala-lasmas-caras/ (accessed Jan. 10, 2022). | spa |
| dcterms.references | T. Gonzáles and J. Valencia, Integración de las energías renovables no convencionales en Colombia, 1st ed., vol. 1. Bogotá: Ministerio de Minas y Energía, 2015. | spa |
| dcterms.references | a República, “Interconexiones en Colombia,” LR, Feb. 07, 2015. https://www.larepublica.co/economia/cuatro-cabeceras-en-colombia-siguen-sin-suministrode-energia-electrica-2217626 (accessed Jan. 10, 2022). | spa |
| dcterms.references | . Ñustes and S. Rivera, “Colombia: Territorio de inversión en fuentes no convencionales de energía renovable para la generación eléctrica,” Rev. Ing. Investig. y Desarro., vol. 17, no. 1, pp. 37–48, 2017. | spa |
| dcterms.references | CRE , “ eneración distribuida y autogeneración a pequeña y gran escala en las zonas no interconectadas,” ogota, 2018. | spa |
| dcterms.references | CRE , “Actualización de las reglas de autogeneración a pequeña escala y generación distribuida,” Comisión de Regulación de Energía y Gas, Nov. 22, 2021. . | spa |
| dcterms.references | J. E. Pérez Cardenas, “ a calidad del aire en Colombia: Un problema de salud para todos,” Rev. Biosalud, vol. 16, no. 2, pp. 5–6, 2017, doi: 10.17151/biosa.2017.16.2.1 | spa |
| dcterms.references | S. F. Posada alcárcel, “Análisis de imágenes satelitales de observación de la Tierra y datos geoespaciales a través de Mac ine earning,” Universidad de los Andes, 2020. | spa |
| dcterms.references | G. F. Di Candia Jaimes, B. O. Calderón, S. A. Castro, B. Medina, and D. Guevara, “Análisis del Recurso Eólico disponible en la ciudad de Cúcuta usando Aprendizaje Automático,” in Actas Del Vi Congreso Investigación, Desarrollo E Innovación De La Universidad Internacional De Ciencia Y Tecnología Idi - Unicyt 2021, Jan. 2022, pp. 724738, doi: 10.47300/978-9962-738-04-6-41. | spa |
| dcterms.references | N. Quijano et al., “Microrredes Aisladas en la uajira: Diseño e Implementación,” Rev. Ing., no. 48, Jan. 2019, doi: 10.16924/revinge.48.7. | spa |
| dcterms.references | J. D. Garzón-Hidalgo and A. J. Saavedra-Montes, “Una metodología de diseño de micro redes para zonas no interconectadas de Colombia,” TecnoLógicas, vol. 20, no. 39, May 2017, doi: 10.22430/22565337.687. | spa |
| dcterms.references | Z. ang, A. Negas , and D. S. Kirsc en, “Optimal sc eduling of energy storage under forecast uncertainties,” IET Gener. Transm. Distrib., vol. 11, no. 17, pp. 4220–4226, 2017, doi: 10.1049/iet-gtd.2017.0037. | spa |
| dcterms.references | A. Hirsc , Y. Parag, and J. uerrero, “Microgrids: A review of technologies, key drivers, and outstanding issues,” Renew. Sustain. Energy Rev., vol. 90, pp. 402–411, 2018, doi: 10.1016/j.rser.2018.03.040. | spa |
| dcterms.references | S. . Sepúlveda Mora and S. Hegedus, “Design of a Resilient and Eco-friendly Microgrid for a Commercial uilding,” Aibi Rev. Investig. Adm. e Ing., vol. 9, no. 1, pp. 8–18, 2021, doi: 10.15649/2346030x.919. | spa |
| dcterms.references | S. B. Sepúlveda-Mora and S. Hegedus, “Making t e case for time-of-use electric rates to boost the value of battery storage in commercial buildings with grid connected PV systems,” Energy, vol. 218, p. 119447, 2021, doi: 10.1016/j.energy.2020.119447. | spa |
| dcterms.references | S. Medina Rincón and A. K. enegas Camargo, “Energías renovables un futuro optimo para Colombia,” Punto de Vista, vol. 9, no. 13, pp. 1–16, 2018. | spa |
| dcterms.references | H. arcía, A. Corredor, . Calderón, and M. ómez, “Análisis costo beneficio de energías renovables no convencionales en Colombia,” ogotá, 2013. | spa |
| dcterms.references | J. Gómez Ramírez, “ a energía solar fotovoltaica en Colombia: potenciales, antecedentes y perspectivas,” Universidad Santo Tomás, 2018. | spa |
| dcterms.references | Global Wind Energy Council ( EC), “ Global ind Report 2021,” 2021. https://gwec.net/wp-content/uploads/2021/03/GWEC-Global-Wind-Report-2021.pdf (accessed Jan. 31, 2022). | spa |
| dcterms.references | A. Anand and L. Suganthi, “Forecasting of Electricity Demand by Hybrid ANN-PSO Models,” Int. J. Energy Optim. Eng., vol. 6, no. 4, pp. 66–83, Oct. 2017, doi: 10.4018/IJEOE.2017100105. | spa |
| dcterms.references | ENERGY.GOV , “How Microgrids ork,” Department of Energy, 2014. https://www.energy.gov/articles/how-microgrids-work (accessed Jan. 10, 2022). | spa |
| dcterms.references | J. Zhu, S. Huang, Y. Liu, H. Lei, and B. Sang, "Optimal energy management for grid- connected microgrids via expected-scenario-oriented robust optimization," Energy, vol. 216, p. 119224, Feb. 2021, doi: 10.1016/j.energy.2020.119224. | spa |
| dcterms.references | M. Ghofrani and M. Alolayan, "Time Series and Renewable Energy Forecasting," in Time Series Analysis and Applications, InTech, 2018. | spa |
| dcterms.references | "California Independent System Operator (CAISO)," 2023. http://www.caiso.com/about/Pages/default.aspx (accessed Jan. 30, 2022). | spa |
| dcterms.references | "National Renewable Energy Laboratory (NREL)," 2023, https://www.nrel.gov/ (accessed Jan. 30, 2022). | spa |
| dcterms.references | HOMER Energy, "HOMER Grid," 2023, https://www.homerenergy.com/index.html (accessed Jan. 31, 2022). | spa |
| dcterms.references | Python, "Python Documentation," 2022. https://docs.python.org/3/ (accessed Jan. 15, 2022). | spa |
| dcterms.references | S. Athiyarath, M. Paul, and S. Krishnaswamy, "A Comparative Study and Analysis of Time Series Forecasting Techniques," SN Comput. Sci., vol. 1, no. 3, p. 175, May 2020, doi: 10.1007/s42979-020-00180-5. | spa |
| dcterms.references | H. Mishra and S. Tripathi, "A Comparative Study of Data Clustering Techniques," Int. Res. J. Eng. Technol., vol. 04, no. 05, pp. 1392-1398, May 2017. | spa |
| dcterms.references | H. Chhabra, "A Comparative Study of Arima and Sarima Models to Forecast Lockdowns Due to Covid-19," Res. Sq., Sep. 2022, doi: https://doi.org/10.21203/rs.3.rs-2069129/v1. | spa |
| dcterms.references | E. Junqué de Fortuny, D. Martens, and F. Provost, "Predictive Modeling With Big Data: Is Bigger Really Better?," Big Data, vol. 1, no. 4, pp. 215-226, Dec. 2013, doi: 10.1089/big.2013.0037. | spa |
| dcterms.references | I. Peláez, "Modelos de regresión: lineal simple y regresión logística," Rev. Seden, vol. 14, pp. 195-214, 2016. | spa |
| dcterms.references | M. F. Akay, O. Bozkurt, E. Cetin, and I. Yarim, "Multiple linear regression-based physical fitness prediction models for Turkish secondary school students," New Trends Issues Proc. Humanit. Soc. Sci., vol. 5, no. 4, pp. 58-64, Sep. 2018, doi: 10.18844/prosoc.v5i4.3704. | spa |
| dcterms.references | P. R. Pandurangan, "A Comparative Study of Data Mining Algorithms for Decision Tree Approaches using WEKA Tool," Adv. Nat. Appl. Sci., vol. 11, pp. 230-241, Jul. 2017. | spa |
| dcterms.references | Y. Muliono and F. Tanzil, "A Comparison of Text Classification Methods k-NN, Naïve Bayes, and Support Vector Machine for News Classification," J. Inform. J. Pengemb. IT, vol. 3, no. 2, pp. 157-160, May 2018, doi: 10.30591/jpit.v312.828. | spa |
| dcterms.references | T. Chen and C. Guestrin, "XGBoost: A Scalable Tree Boosting System,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Aug. 2016, pp. 785-794, doi: 10.1145/2939672.2939785. | spa |
| dcterms.references | R. Wilmer and M. Bertha, "Generalidades de las redes neuronales artificiales," in Redes neuronales artificiales aplicadas al reconocimiento de patrones, Editorial Utmach, 2018. | spa |
| dcterms.references | Z. Lipton, J. Berkowitz, and C. Elkan, "A Critical Review of Recurrent Neural Networks for Sequence Learning," May 2015, doi: https://doi.org/10.48550/arXiv:1506.00019. | spa |
| dcterms.references | R. Staudemeyer and E. Morris, "Understanding LSTM - a tutorial into Long Short-Term Memory Recurrent Neural Networks," Sep. 2019, doi: https://doi.org/10.48550/arXiv.1909.09586. | spa |
| dcterms.references | El Congreso de Colombia, "Ley 603 De 2000, 2000, https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=13960. | spa |
| dcterms.references | El Congreso de Colombia, "Ley 1273 De 2009," 2009, https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=34492. | spa |
| dcterms.references | El Congreso de Colombia, "Ley 23 De 1982, 1982. http://derechodeautor.gov.co:8080/documents/10181/182597/23.pdf/a97b8750-8451-4529- ab87-bb82160dd226. | spa |
| dcterms.references | M. A. Cohen and D. S. Callaway, "Effects of distributed PV generation on California's distribution system, Part 1: Engineering simulations," Sol. Energy, vol. 128, pp. 126–138, Apr. 2016, doi: 10.1016/j.solener.2016.01.002. | spa |
| dcterms.references | Devashish and A. Thakur, "A Comprehensive Review on Wind Energy Systems for Electric Power Generation: Current Situation and Improved Technologies to Realize Future Development," Int. J. Renew. Energy Res., vol. 7, no. 4, pp. 1786-1805, 2017. | spa |
| dcterms.references | L. Corona, A. Mochon, and Y. Saez, "Electricity market integration and impact of renewable energy sources in the Central Western Europe region: Evolution since the implementation of the Flow-Based Market Coupling mechanism," Energy Reports, vol. 8, pp. 1768-1788, Nov. 2022, doi: 10.1016/j.egyr.2021.12.077. | spa |
| dcterms.references | International Energy Agency, "World Energy Outlook 2022," 2022. Accessed: Apr. 01, 2022. [Online]. Available: https://www.iea.org/reports/world-energy-outlook-2022. | spa |
| dcterms.references | International Renewable Energy Agency, "Renewable power generation costs in 2021," 2021. Accessed: Apr. 01, 2022. [Online]. Available: https://www.irena.org/publications/2022/Jul/Renewable-Power-Generation-Costs-in-2021. | spa |
| dcterms.references | F. Vadillo, "Una introducción a la interpolación polinomial," Valencia, España, Jan, 2021. | spa |
| dcterms.references | B. J. Albertus, "Confronting the Duck Curve: How to Address Over-Generation of Solar Energy," Office of energy efficiency and renewable energy, Oct. 12, 2017. https://www.energy.gov/eere/articles/confronting-duck-curve-how-address-over-generation- solar-energy (accessed Apr. 02, 2022). | spa |
| dcterms.references | T. D.K., P. B.G, and F. Xiong, "Auto-detection of epileptic seizure events using deep neural network with different feature scaling techniques," Pattern Recognit. Lett., vol. 128, pp. 544-550, Dec. 2019, doi: 10.1016/j.patrec.2019.10.029. | spa |
| dcterms.references | California Public Utilities Commission, "Net Energy Metering Rulemaking," Jan. 2016. Accessed: Apr. 02, 2022. [Online]. Available: https://docs.cpuc.ca.gov/PublishedDocs/Published/G000/M158/K181/158181678.pdf. | spa |
| dcterms.references | Comisión de Regulación de Energía y Gas, "Resolución CREG 030 de 2018," Bogotá, Feb. 2018. Accessed: Apr. 02, 2022. [Online]. Available: http://apolo.creg.gov.co/Publicac.nsf/1c09d18d2d5ffb5b05256eee00709c02/83b41035c2c4 474f05258243005a1191/$FILE/Creg030-2018.pdf. | spa |
| dcterms.references | K. J. Iheanetu, "Solar Photovoltaic Power Forecasting: A Review," Sustainability, vol. 14, no. 24, p. 17005, Dec. 2022, doi: 10.3390/su142417005. | spa |
| dcterms.references | K. Vaibhav and V. Singh, "Solar Power forecasting: The State-Of-The-Art," J. CPRI, vol. 10, Jun. 2014. | spa |
| dcterms.references | S. Amely Jumaat, F. Crocker, M. Helmy Abd Wahab, N. Hanis Mohammad Radzi, and M. Fakri Othman, "Prediction of Photovoltaic (PV) Output Using Artificial Neutral Network (ANN) Based on Ambient Factors," J. Phys. Conf. Ser., vol. 1049, p. 012088, Jul. 2018, doi: 10.1088/1742-6596/1049/1/012088. | spa |
| dcterms.references | F. Kosanoglu, "Wind Speed Forecasting with a Clustering-Based Deep Learning Model," Appl. Sci., vol. 12, no. 24, p. 13031, Dec. 2022, doi: 10.3390/app122413031. | spa |
| dcterms.references | A. Augustyn and J. Kamiński, "A review of methods applied for wind power generation forecasting," Energy Policy J., vol. 2, no. 2, pp. 139-150, 2018, doi: 10.24425/122767. | spa |
| dcterms.references | M. Lei, L. Shiyan, J. Chuanwen, L. Hongling, and Z. Yan, "A review on the forecasting of wind speed and generated power," Renew. Sustain. Energy Rev., vol. 13, no. 4, pp. 915- 920, May 2009, doi: 10.1016/j.rser.2008.02.002. | spa |
| dcterms.references | A. Singh and D. Chaturvedi, "Load Forecasting Techniques and Methodologies: A Review," 2012. | spa |
| dcterms.references | R. Weron, "Electricity price forecasting: A review of the state-of-the-art with a look into the future," Int. J. Forecast., vol. 30, no. 4, pp. 1030-1081, Oct. 2014, doi: 10.1016/j.ijforecast.2014.08.008. | spa |
| dcterms.references | S. Pawar, P. Mole, S. Phadtare, D. Aghor, and P. Vadtile, "Electricity Forecasting Using Machine Learning: A Review," 2021, pp. 127-134. | spa |
| dc.contributor.corporatename | Universidad Francisco de Paula Santander | spa |
| dc.description.degreelevel | Pregrado | spa |
| dc.description.degreename | Ingeniero(a) Electrónico(a) | spa |
| dc.publisher.faculty | Facultad de Ingeniería | spa |
| dc.publisher.place | San José de Cúcuta | spa |
| dc.publisher.program | Ingeniería Electrónica | spa |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
| dc.rights.creativecommons | Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) | spa |
| dc.subject.lemb | Informática -- Inteligencia artificial | |
| dc.subject.lemb | Redes neuronales | |
| dc.subject.proposal | Microrredes | spa |
| dc.subject.proposal | Despacho de energía | spa |
| dc.subject.proposal | Inteligencia artificial | spa |
| dc.subject.proposal | Redes neuronales | spa |
| dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | spa |
| dc.type.content | Text | spa |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis | spa |
| dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |
| oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
| oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
| dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
| dc.contributor.jury | López Bustamante, Oriana Alexandra | |
| dc.contributor.jury | ILlera Bustos, Mario Joaquin |
