Modelación de la demanda máxima en función de la cantidad de clientes
Palabras clave:
clientes, demanda máxima, error, modelación, red neuronal artificial.Resumen
Se realizó una modelación para determinar la demanda máxima en función de la cantidad de clientes en circuitos de distribución primaria de la provincia Holguín. Se tuvo en cuenta una modelación matemática, haciendo uso de la herramienta Cuervexpert 1.3, y una modelación mediante redes neuronales artificiales haciendo uso del software Matlab R2018b, a través del código nntool. En la modelación matemática se obtuvo una curva polinómica con un error estándar de 1,311 y un coeficiente de correlación entre las variables entrada y salida (demanda máxima y cantidad de clientes, respectivamente) de 0,833, mientras que la red neuronal artificial presenta una neurona en la primera y segunda capa oculta, ambas con función logsig, mientras que la capa de salida quedó constituida por una neurona con función transferencia pureline, con error medio cuadrático de 1,23·10-3 y un coeficiente de correlación de 0,840. Ambos modelos obtenidos ofrecen resultados satisfactorios en la modelación de la característica demanda máxima contra cantidad de clientes y ser aplicada a circuitos en localidades donde, entre otras circunstancias, las condiciones económicas no permitan la colocación de equipos de mediciones o existan limitaciones en cuanto al acceso a la información.Descargas
Citas
AL-MUSAYLH, M. S.; DEO, R. C.; ADAMOWSKI, J. F. & LI, Y. 2018. Short-term electricity demand forecasting with MARS, SVR and ARIMA models using aggregated demand data in Queensland, Australia. Advanced Engineering Informatics 35: 1-16. doi: https://doi.org/10.1016/j.aei.2017.11.002.
BEDI, J. & TOSHNIWA, D. 2018. Empirical Mode Decomposition Based Deep Learning for Electricity Demand Forecasting. IEEE Acces 6: 49144-49156. doi: http://10.1109/ACCESS.2018.2867681.
BEDI, J. & TOSHNIWAL, D. 2019. Deep learning framework to forecast electricity demand. Applied Energy 238: 1312-1326. doi: https://doi.org/10.1016/j.apenergy.2019.01.113.
CARRILLO, E. R. V.; SOMOZA, J. C. & BOUDET, D. R. 2017. Potencial de mitigación de dióxido de carbono en el consumo de electricidad del sector residencial en Cuba. Revista Cubana de Meteorología 23(3): 341-348.
CASTRO, C. M.; SEVERIANO, R. S. & SPERANDIO, M. 2019. Sensitivity Analysis of the Brazilian Methodology of Calculation of Technical Losses in the Electric Energy Distribution System. Paper presented at the 2019 IEEE PES Innovative Smart Grid Technologies Conferences-Latin America (ISGT Latin America), Gramado, Brazil.
DARMANIS, M.; ÇAKAN, M.; MOUSTRIS, K. P.; KAVADIAS, K. A. & NIKAS, K. P. 2020. Utilisation of Mass and Night Ventilation in Decreasing Cooling Load Demand. Sustainability 12(18): 7826.
FENG, Z.; NIU, W.; WANG, W.; ZHOU, J. & CHENG, C. 2019. A mixed integer linear programming model for unit commitment of thermal plants with peak shaving operation aspect in regional power grid lack of flexible hydropower energy. Energy 175: 618-629. doi: https://doi.org/10.1016/j.energy.2019.03.117.
GALARZA, J.; CONDEZO, D.; SAENZ, B. & HUARAC, D. 2021. Evaluación de la red de distribución: conexión del vehículo eléctrico híbrido enchufable. Revista Tecnología en Marcha 34(4): 50-62. doi: http://10.18845/tm.v34i4.5384.
GHADAMI, N.; GHEIBI, M.; KIAN, Z., FARAMARZ, M. G.; NAGHEDI, R., EFTEKHARI, M. ; ... & TIAN, G. 2021. Implementation of solar energy in smart cities using an integration of artificial neural network, photovoltaic system and classical Delphi methods. Sustainable Cities and Society 74: 103149. doi: https://doi.org/10.1016/j.scs.2021.103149.
HERNÁNDEZ, D. A.; HERRERA, F. M. V.; VILARAGUT, M. L. & SOUSA, V. S. 2021. Modelado y simulación de una microrred autónoma. Ingeniería Energética 42(2): 36-47.
HUNG, Y. C. & MICHAILIDIS, G. 2019. Modeling and Optimization of Time-of-Use Electricity Pricing Systems. IEEE Transactions on Smart Grid 10(4): 4116-4127. doi: 10.1109/TSG.2018.2850326.
JANG, Y.; BYON, E.; JAHANI, E. & CETIN, K. 2020. On the long-term density prediction of peak electricity load with demand side management in buildings. Energy and BUILDINGS 228: 110450. DOI: HTTPS://DOI.ORG/10.1016/J.ENBUILD.2020.110450.
KAVADIAS, K. A.; APOSTOLOU, D. & KALDELLIS, J. K. 2018. Modelling and optimisation of a hydrogen-based energy storage system in an autonomous electrical network. Applied Energy 227: 574-586. doi: https://doi.org/10.1016/j.apenergy.2017.08.050.
KIM, T. Y. & CHO, S. B. 2019. Predicting residential energy consumption using CNN-LSTM neural networks. Energy 182: 72-81. doi: https://doi.org/10.1016/j.energy.2019.05.230.
LEBOTSA, M. E.; SIGAUKE, C.; BERE, A.; FILDES, R. & BOYLAN, J. E. 2018. Short term electricity demand forecasting using partially linear additive quantile regression with an application to the unit commitment problem. Applied Energy 222: 104-118. doi: https://doi.org/10.1016/j.apenergy.2018.03.155.
LI, R.; WEI, W.; MEI, S.; HU, Q. & WU, Q. 2019. Participation of an Energy Hub in Electricity and Heat Distribution Markets: An MPEC Approach. IEEE Transactions on Smart Grid 10(4): 3641-3653. doi: 10.1109/TSG.2018.2833279
LU, R. & HONG, S. H. 2019. Incentive-based demand response for smart grid with reinforcement learning and deep neural network. Applied Energy, 236, 937-949. doi: https://doi.org/10.1016/j.apenergy.2018.12.061.
MORADI, M.; NAZARI, M.; MOHAMMADI, B.; GALAVANI, S. & RABIEE, A. 2020. A Two-Stage Mathematical Programming Approach for the Solution of Combined Heat and Power Economic Dispatch. IEEE Systems Journal 14(2), 2873-2881. doi: 10.1109/JSYST.2019.2958179.
MURALITHARAN, K.; SAKTHIVEL, R. & VISHNUVARTHAN, R. 2018. Neural network based optimization approach for energy demand prediction in smart grid. Neurocomputing 273: 199-208. doi: https://doi.org/10.1016/j.neucom.2017.08.017.
PEÑA, J. A.; VIEGO, R. F.; GÓMEZ, R. S. & PADRÓN, E. P. 2019. Pronóstico del Consumo Pico para la Gestión Energética de la Universidad de Cienfuegos. Universidad y Sociedad 11(4): 220-228.
PING, H. K., & CHIOU, J. H. 2018. An Electricity Price Forecasting Model by Hybrid Structured Deep Neural Networks. Sustainability 10(1280): 1-17. doi: http://dx.doi.org/10.3390/su10041280.
POPOV, V.; PRYKHNO, V. & PRYKHNO, D. 2019. Development of the Method of Determining the Power and Electricity Losses in Distribution Network of Shop Electrical Supply. In 2019 IEEE 6th International Conference on Energy Smart Systems (ESS) 104-107). IEEE.
RUNGE, J. & ZMEUREANU, R. 2019. Forecasting Energy Use in Buildings Using Artificial Neural Networks: A Review. Energies 12(3254): 1-27. doi: http://dx.doi.org/10.3390/en12173254.
SHIRZADI, N.; NIZAMI, A.; KHAZEN, M. & NIK-BAKHT, M. 2021. Medium-Term Regional Electricity Load Forecasting through Machine Learning and Deep Learning. Designs 5(2): 27.
SIGAUKE, C., & NEMUKULA, M. M. 2020. Modelling extreme peak electricity demand during a heatwave period: a case study. Energy Systems 11(1), 139-161. doi: 10.1007/s12667-018-0311-y
ZAHID, M.; AHMED, F.; JAVAID, N.; ABID, R. A.; ZAINAB, H. S. K., JAVAID, A., . . . ILAHI, M. 2019. Electricity Price and Load Forecasting using Enhanced Convolutional Neural Network and Enhanced Support Vector Regression in Smart Grids. Electronics 8(2): 122 doi: http://dx.doi.org/10.3390/electronics8020122.
ZHANG, S.; CHENG, H.; WANG, D.; ZHANG, L.; LI, F. & YAO, L. 2018. Distributed generation planning in active distribution network considering demand side management and network reconfiguration. Applied Energy 228: 1921-1936. doi: https://doi.org/10.1016/j.apenergy.2018.07.054.
Publicado
Cómo citar
Número
Sección
Esta obra está bajo una Licencia Creative Commons Reconocimiento-NoComercial 4.0 Internacional
La Revista Ciencia & Futuro es una revista de acceso abierto, todo el contenido está disponible gratuitamente sin cargo para el usuario o su institución. Los usuarios pueden leer, descargar, copiar, distribuir, imprimir, buscar o vincular los textos completos de los artículos, o utilizarlos para cualquier otro fin lícito, sin pedir permiso previo al editor o al autor. Todo lo anterior, de acuerdo con la definición de BOAI de acceso abierto.
Los autores que publican en esta revista están de acuerdo con los siguientes términos: Licencia Creative Commons Atribución-NoComercial permite que el beneficiario de la licencia tenga el derecho de copiar, distribuir, exhibir y representar la obra y hacer obras derivadas para fines no comerciales siempre y cuando reconozca y cite la obra de la forma especificada por el autor o el licenciante. Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista. Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access) (en inglés). Lo anterior debe realizarse siempre sobre el artículo ya publicado por Ciencia & Futuro.
Los autores mantienen el control sobre la integridad de sus trabajos y el derecho a ser adecuadamente reconocidos y citados.
A los editores se les otorgan derechos no exclusivos para publicar y distribuir.
