Mostrar el registro sencillo del ítem
Modelo predictivo de consumos de energía eléctrica aplicando redes neuronales artificiales.
| dc.contributor.advisor | Sandoval Martínez, Gloria Esmeralda | |
| dc.contributor.advisor | Cardozo Sarmiento, Darwin Orlando | |
| dc.contributor.author | Galvis Plata, Jorman Hernando | |
| dc.date.accessioned | 2024-05-02T16:46:49Z | |
| dc.date.available | 2024-05-02T16:46:49Z | |
| dc.date.issued | 2022 | |
| dc.identifier.uri | https://repositorio.ufps.edu.co/handle/ufps/7116 | |
| dc.description.abstract | En el presente proyecto de grado, se representa la aplicación de las redes neuronales artificiales (RNA) para el modelado de una variable de gran importancia en el análisis de eficiencia energética: el consumo total de potencia activa, así mismo su predicción, informe y grafica a través de una interfaz. Por una parte, se ha propuesto dos modelos de RNA para la predicción programadas en Matlab, la primera arquitectura es basada en el aprendizaje automático, la red retroalimentada de dos capas y la segunda arquitectura basada en el aprendizaje profundo, la red de memoria a corto y largo plazo. Por otra parte, el diseño de una interfaz capaz recopilar datos fiables de consumo total de potencia activa, enviar esta información a la RNA seleccionada, ilustrar sus predicciones, y asimismo su precisión comparada con datos reales. | spa |
| dc.description.tableofcontents | Resumen 13 1. Introducción 14 2. Objetivos. 16 2.1. Objetivo General. 16 2.2. Objetivos Específicos. 16 3. Estado del Arte 17 4. Desarrollo del Modelo Basado en Redes Neuronales Artificiales y la Interfaz en Matlab. 22 4.1. Obtención de la Base de Datos. 22 4.2. Caracterización de las Variables de Entrada y Salida (Inputs/Targets). 23 4.3. Identificación de las Propiedades de las Redes neuronales Artificiales. 27 4.3.1.Modelos Neuronales y Algoritmos de Aprendizaje Seleccionados. 27 4.3.2.Criterio de Parada. 31 4.3.3.Implementación de las Redes Neuronales con Matlab 32 4.3.4.Modelos de Redes Neuronales con Neural Network Toolbox. 33 4.3.5.Modelos de Redes Neuronales con Matlab Edit. 36 4.3.6.Diseño la Interfaz Gráfica de Predicción. 39 4.3.7.Indicador de Calidad del Comportamiento de las Redes. 42 5.Análisis de Resultados. 43 5.1. Selección del Modelo Final de la RNA. 43 5.2. Demostración de la Aplicación Final de la Interfaz de Predicción de Consumos de Potencia Activa por Medio de Redes Neuronales 46 Conclusiones 48 Recomendaciones 50 Trabajos Futuros 51 Referencias 52 Anexos 60 | spa |
| dc.format.extent | 87 páginas. ilustraciones,(Trabajo completo) 6.264 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 | eng |
| dc.source | https://catalogobiblioteca.ufps.edu.co/descargas/tesis/1091178.pdf | spa |
| dc.title | Modelo predictivo de consumos de energía eléctrica aplicando redes neuronales artificiales. | spa |
| dc.type | Trabajo de grado - Pregrado | spa |
| dcterms.references | Aguirre, W.A.L. (2019). Espectroscopia con infrarrojo y técnicas de Machine learning y Deep learning para la detección y clasificación de frutas para la agroindustria. Caso: arándanos - Empresa Talsa - 2018. (Tesis de Maestría, Universidad Privada Antenor Orrego). Repositorio Digital de la UPAO. https://hdl.handle.net/20.500.12759/5106. | spa |
| dcterms.references | Berzal, F. (2018). Redes neuronales & deep learning: Volumen I. Independently published. | spa |
| dcterms.references | Cabeza, L.F., Rincón, L., Vilaríno, V., Pérez, G., Castell, A. (2014). Life cycle assessment (LCA) and life cycle energy analysis (LCEA) of buildings and the building sector: a review. Renew. Sunstein. Energy Rev. 29, 394–416 | spa |
| dcterms.references | Cao, Z., Liu, Gang, Duan, H., Xi, F., Liu, Guiwen, Yang, W. (2019). Unravelling the mystery of Chinese building lifetime: a calibration and verification based on dynamic material flow analysis. Appl. Energy 38, 442–452. | spa |
| dcterms.references | Carbajal-Hernández, J. J., Sánchez-Fernández, L. P., Hernández-Bautista, I., & HernándezLópez, J. (2017). Modelo basado en redes neuronales artificiales para la evaluación de la calidad del agua en sistemas de cultivo extensivo de camarón. Tecnología y ciencias del agua, 8(5), 71-89. Epub 30 de julio de 2021.https://doi.org/10.24850/j-tyca-2017-05-05. | spa |
| dcterms.references | Castro, A. J., & Mejía G., M. I. (2022). (Tesis de Grado, Universidad de Guayaquil). Repositorio Digital UG. http://repositorio.ug.edu.ec/handle/redug/60210. | spa |
| dcterms.references | Commission E. COMMUNICATION from the commission A clean planet for all. (2018). EURLex -52018DC0773 - EN - EUR-Lex. https://eur-lex.europa.eu/legalcontent/EN/TXT/?uri=CELEX%3A52018DC0773. | spa |
| dcterms.references | Commission E. COMMUNICATION from the commission clean energy for all Europeans. (2016). EUR-Lex -52016DC0860 - EN - EUR-Lex. https://eur-lex.uropa.eu/legalcontent/en/TXT/?uri¼CELEX:52016DC0860. | spa |
| dcterms.references | Condeixa, K., Haddad, A., Boer, D. (2017). Material flow analysis of the residential building stock at the city of Rio de Janeiro. J. Clean. Prod. 149, 1249–1267. | spa |
| dcterms.references | Dixit, M.K. (2017). Life cycle embodied energy analysis of residential buildings: a review of literature to investigate embodied energy parameters. Renew. Sustain. Energy Rev. 79, 390–413. | spa |
| dcterms.references | Donoso O., C. (2018). Phased long short term memory para clasificación de objetos variables muestreados irregularmente. (Tesis de Grado, Universidad de Concepción). Repositorio Digital UC. http://repositorio.udec.cl/jspui/handle/11594/3340. | spa |
| dcterms.references | Du, M., Wang, B., Zhang, N. (2018). National research funding and energy efficiency: evidence from the national science foundation of China. Energy Policy 120 (December 2017), 335–346. | spa |
| dcterms.references | Fazeli, R., Davidsdottir, B. (2017). Energy performance of dwelling stock in Iceland: system dynamics approach. J. Clean. Prod. 167, 1345–1353. | spa |
| dcterms.references | Flores Claros, I.F., Herrera Calderon, J.A. (2018). Modelo Predictivo de la Demanda de Energía Eléctrica en el Campus Central de la Universidad de El Salvador. Tesis de Ingeniería Eléctrica. Universidad de El Salvador | spa |
| dcterms.references | Geng, S., Wang, Y., Zuo, J., Zhou, Z., Du, H., Mao, G. (2017). Building life cycle assessment research: a review by bibliometric analysis. Renew. Sustain. Energy Rev. 76, 176–184. | spa |
| dcterms.references | Guo, Q., Wu, Y., Ding, Y., Feng, W., Zhu, N. (2016). Measures to enforce mandatory civil building energy efficiency codes in China. J. Clean. Prod. 119, 152–166. | spa |
| dcterms.references | Hasan, A.S.M.J., Tuhin, R.A., Ullah, M., Sakib, T.H., Thollander, P., Trianni, A. (2021). A comprehensive investigation of energy management practices with in energy intensive industries in Bangladesh. Energy, 232, 120932. | spa |
| dcterms.references | Isasi-Viñuela, P., y Galván-León, I.M. (2004). Redes de neuronas artificiales. Un enfoque práctico. Pearson Prentice Hall. Madrid | spa |
| dcterms.references | Jin,X.W., Cai, S.Z., Li, H., and Karniadakis, G.E. (2021). NSFnets (Navier-Stokes flow nets): Physics-informed neural networks for the incompressible Navier-Stokes equations, J. Comput. Phys., 426, 109951. | spa |
| dcterms.references | Kangas, H.L., Lazarevic, D., Kivimaa, P. (2018). Technical skills, disinterest, and non-functional regulation: barriers to building energy efficiency in Finland viewed by energy service companies. Energy Policy 114, 63–76. | spa |
| dcterms.references | Koskim€aki, P.L., (2012). Africa could take a leap to energy efficiency: what lessons could SubSaharan countries learn from European energy efficiency policy implementation Energy Sustain. Dev. 16 (2), 189–196. | spa |
| dcterms.references | Malinauskaite J, Jouhara H, Ahmad L, Milani M, Montorsi L, Venturelli M. (2019). Energy efficiency in industry: EU and national policies in Italy and the UK. Energy. 172:255.69 | spa |
| dcterms.references | Malinauskaite, J., Jouhara, H., Egilegor, B., Al-Mansour, F., Ahmad, L., Pusnik, M. (2020). Energy efficiency in the industrial sector in the EU, Slovenia, and Spain, Energy, Volume 208,118398. | spa |
| dcterms.references | Mathworks. (2022). Levenberg-Marquardt backpropagation (r2022a). Recuperado el Agosto 16, 2022 de https://la.mathworks.com/help/deeplearning/ref/trainlm.html. | spa |
| dcterms.references | Mathworks. (2022). Training options for Adam optimizer (r2022a). Recuperado el Agosto 16, 2022 de https://la.mathworks.com/help/deeplearning/ref/nnet.cnn.trainingoptionsadam.html?s_tid =srchtitle_adam_1. | spa |
| dcterms.references | Maziar, R., Perdikaris P. and Karniadakis, G.E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations, J. Comput. Phys., 378, 686–707 | spa |
| dcterms.references | Mining and Energy Planning Unit [Unidad de planeación Minero Energ ́etica - UPME]. (2016). Plan de acción indicativo de eficiencia energética PAI-PROURE 2017-2022, 157. | spa |
| dcterms.references | Mining and Energy Planning Unit [Unidad de planeación Minero Energ ́etica - UPME]. (2020). Incentivos Eficiencia Energética - Normatividad. | spa |
| dcterms.references | Ministry of Housing City and Territory [Ministerio de Vivienda Ciudad y Territorio]. (2015). Resolucion Nro 0549 de 2015. Minist. Vivienda Ciudad y Territ | spa |
| dcterms.references | Mosquera, R., Castrillón, O. D., & Parra, L. (2018). Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos utilizando Técnicas de Inteligencia Artificial. Información tecnológica, 29(4), 267-280. https://dx.doi.org/10.4067/S0718- 07642018000400267. | spa |
| dcterms.references | Mostafa, N., Ramadan, H. S. M., Elfarouk, O. (2022). Renewable energy management in smart grids by using big data analytics and machine learning, Machine Learning with Applications, Volume 9, 100363, https://doi.org/10.1016/j.mlwa.2022.100363 . | spa |
| dcterms.references | Ocampo, E. M. T., Giraldo, D. A. M., & Isaza, H. S. (2004). Pronóstico de ventas usando redes neuronales. Scientia et technica, 10(26), 25-30. | spa |
| dcterms.references | Packwood, D., Nguyen, L.T. H., Cesana, P., Zhang, G., Staykov, A., Fukumoto, Y., Nguyen, D. H. (2022). Machine Learning in Materials Chemistry: An Invitation, Machine Learning with Applications, Volume, 100265, https://doi.org/10.1016/j.mlwa.2022.100265. | spa |
| dcterms.references | Pang, G.F., D’Elia, M., Parks, M., Karniadakis G.E. (2020). nPINNs: Nonlocal physicsinformed neural networks for a parametrized nonlocal universal Laplacian operator, Algorithms and applications, J. Comput. Phys., 422, 109760. | spa |
| dcterms.references | Pang, G.F., Lu, L., Karniadakis, G.C. (2019). fPINNs: Fractional physics-informed neural networks, SIAM J. Sci. Comput., 41, A2603–A2626. | spa |
| dcterms.references | Pérez del Barrio, A., Fernández-Miranda, P.M., Sanz B., P., Lloret I., L., Rodríguez G., D. (2022). Inteligencia artificial en Radiología: introducción a los conceptos más importantes. Radiología, Volume 64, Issue 3, Pages 228-236, https://doi.org/10.1016/j.rx.2022.03.003. | spa |
| dcterms.references | Ren, Y.M., Alhajeri, M.S., Luo, J., Chen, J.L., Abdullah, F., Wu, Z., Christofides, P.D. (2022). A Tutorial Review of Neural Network Modeling Approaches for Model Predictive Control. Computers & Chemical Engineering, 30, 107956. | spa |
| dcterms.references | Rincón, L., Castell, A., Pérez, G., Sol ́e, C., Boer, D., Cabeza, L.F. (2013). Evaluation of the environmental impact of experimental buildings with different constructive systems using Material Flow Analysis and Life Cycle Assessment. Appl. Energy 109, 544–552. | spa |
| dcterms.references | Rodríguez González, Joselyn, & Ugalde Saborio, Edgar. (2021). Impacto de la estandarización y escalado: factor para predicción de costos en proyectos a través de una red neuronal artificial. Ingeniare. Revista chilena de ingeniería, 29(2), 265- 275. https://dx.doi.org/10.4067/S0718-33052021000200265 | spa |
| dcterms.references | Rodriguez O., K. A., & Monsalve E., D. E. (2019). Algoritmo de una red neuronal profunda para la predicción de riesgos de morbilidad materna extrema (MME) en la ESE Clínica de Maternidad Rafael Calvo (Tesis de Grado, Universidad del Sinú, seccional Cartagena). Repositorio Digital UniSinú. http://repositorio.unisinucartagena.edu.co:8080/xmlui/handle/123456789/89. | spa |
| dcterms.references | Sahlol, D.G., Elbeltagi, E., Elzoughiby, M., Abd Elrahman, M. (2020). Sustainable building materials assessment and selection using system dynamics. J. Build. Eng. 35, 101978. | spa |
| dcterms.references | Sheng, J., and Yang, C. (2021). PFNN: A penalty-free neural network method for solving aclass of second-order boundary-value problems on complex geometries, J. Comput. Phys., 428, 110085. | spa |
| dcterms.references | Sinh, M.P., Singh, G. (2021). Two phase learning technique in modular neural network for pattern classification of handwritten Hindi alphabets. Machine Learning Applications, 6, 100174. | spa |
| dcterms.references | Sudha, C., Suresh, D., Nagesh, A. (2022). Accurate data aggregation created by neural network and data classification processed through machine learning in wireless sensor networks, 58 Theoretical Computer Science, Volume 925, Pages 25-36, https://doi.org/10.1016/j.tcs.2022.04.020. | spa |
| dcterms.references | Tumbaz, M.N.M., Moğulkoç, H.T. (2018). Profiling energy efficiency tendency: a case for Turkish households. Energy Policy 119 (January), 441–448. https://doi.org/10.1016/j.enpol.2018.04.064. | spa |
| dcterms.references | Union Oj of the E. Directive (EU) 2018/2002 OF the EUROPEAN parliament and OF the council – of 11 December 2018 - amending Directive 2012/27/EU on energy efficiency; 2018. | spa |
| dcterms.references | Union Oj of the E. DIRECTIVE 2012/27/EU OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL of 25 October 2012 on energy efficiency, amending Directives 2009/125/EC and 2010/30/EU and repealing Directives 2004/8/ECand 2006/32/EC. EUR-Lex - 32012L0027 - EN – EUR Lex; 2012. https://eur-lex.europa.eu/legalcontent/EN/TXT/?uri¼celex%3A32012L0027. | spa |
| dcterms.references | Urrego, C. A. C. (2022). Pronóstico de las exportaciones de productos del sector agropecuario y la industria manufacturera de Colombia basado en series de tiempo. (Tesis de Maestría, Universidad de Guanajuato). Repositorio Digital de UG. http://repositorio.ugto.mx/handle/20.500.12059/6484. | spa |
| dcterms.references | Vivas, H. Martínez, H. J., & Pérez, R. (2014). Método secante estructurado para el entrenamiento del perceptrón multicapa. Revista de Ciencias, 18(2), 131-150. Retrieved August 11, 2022, from http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0121- 19352014000200010&lng=en&tlng=es. | spa |
| dcterms.references | Xue, Y., Jiang, P., Neri, F., & Liang, J. (2021). A multi objective evolutionary approach based on graph-in-graph for neural architecture search of convolutional neural networks. International Journal of Neural Systems, 31, 2150035. | spa |
| dc.contributor.corporatename | Universidad Francisco de Paula Santander | spa |
| dc.description.degreelevel | Pregrado | spa |
| dc.description.degreename | Ingeniero(a) Electromecánico(a) | spa |
| dc.publisher.faculty | Facultad de Ingeniería | spa |
| dc.publisher.place | San Jose de Cúcuta | spa |
| dc.publisher.program | Ingeniería Electromecánica | 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 | Redes Neuronales Artificiales | |
| dc.subject.lemb | Modelos Predictivos | |
| dc.subject.lemb | Consumo de energía eléctrica | |
| dc.subject.lemb | Machine learning | |
| dc.subject.lemb | Deep learning | |
| 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 | Julian Ferreira Jaimes | |
| dc.contributor.jury | Moreno García, Francisco Ernesto |
