Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta

Autores
Zanek, Franco; Xamena, Eduardo; Rodríguez, Diego
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Los pronósticos de demanda de electricidad son extremadamente importantes para los proveedores de energía y otros participantes en la generación, transmisión, distribución y mercados de energía eléctrica. Los modelos precisos para el pronóstico de carga de energía eléctrica son  esenciales para la operación y planificación de una ciudad, localidad o región de interés. Además de desempeñar un papel muy importante en el campo de la programación, análisis de contingencia, análisis de flujo de carga, planificación y mantenimiento del sistema eléctrico. Es por eso que en este artículo se presenta un modelo basado en redes neuronales artificiales (ANN) con el fin de poder predecir la de-manda eléctrica horaria, discriminada por mes. Si bien en la literatura existen modelos que ayudan a resolver el problema, al aplicarlo para esta situación se presentaron demasiadas divergencias entre los valores arrojados y los valores reales. Este estudio se lleva a cabo a partir de los datos, para Salta Capital en la provincia de Salta. Los resultados así obtenidos fueron comparados con valores de consumo reales para medir la eficiencia de los modelos definidos.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
red neuronal artificial
curva de carga eléctrica
predicción horaria
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/151693
Acceder
id SEDICI_9a1e46c5b543819367c4964497b6c649
oai_identifier_str oai:sedici.unlp.edu.ar:10915/151693
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de SaltaZanek, FrancoXamena, EduardoRodríguez, DiegoCiencias Informáticasred neuronal artificialcurva de carga eléctricapredicción horariaLos pronósticos de demanda de electricidad son extremadamente importantes para los proveedores de energía y otros participantes en la generación, transmisión, distribución y mercados de energía eléctrica. Los modelos precisos para el pronóstico de carga de energía eléctrica son  esenciales para la operación y planificación de una ciudad, localidad o región de interés. Además de desempeñar un papel muy importante en el campo de la programación, análisis de contingencia, análisis de flujo de carga, planificación y mantenimiento del sistema eléctrico. Es por eso que en este artículo se presenta un modelo basado en redes neuronales artificiales (ANN) con el fin de poder predecir la de-manda eléctrica horaria, discriminada por mes. Si bien en la literatura existen modelos que ayudan a resolver el problema, al aplicarlo para esta situación se presentaron demasiadas divergencias entre los valores arrojados y los valores reales. Este estudio se lleva a cabo a partir de los datos, para Salta Capital en la provincia de Salta. Los resultados así obtenidos fueron comparados con valores de consumo reales para medir la eficiencia de los modelos definidos.Sociedad Argentina de Informática e Investigación Operativa2022-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf62-74http://sedici.unlp.edu.ar/handle/10915/151693spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/download/265/216info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-22T17:19:58Zoai:sedici.unlp.edu.ar:10915/151693Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-22 17:19:58.41SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
title Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
spellingShingle Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
Zanek, Franco
Ciencias Informáticas
red neuronal artificial
curva de carga eléctrica
predicción horaria
title_short Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
title_full Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
title_fullStr Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
title_full_unstemmed Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
title_sort Definición de una red neuronal para simular el consumo eléctrico horario de la Ciudad de Salta
dc.creator.none.fl_str_mv Zanek, Franco
Xamena, Eduardo
Rodríguez, Diego
author Zanek, Franco
author_facet Zanek, Franco
Xamena, Eduardo
Rodríguez, Diego
author_role author
author2 Xamena, Eduardo
Rodríguez, Diego
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
red neuronal artificial
curva de carga eléctrica
predicción horaria
topic Ciencias Informáticas
red neuronal artificial
curva de carga eléctrica
predicción horaria
dc.description.none.fl_txt_mv Los pronósticos de demanda de electricidad son extremadamente importantes para los proveedores de energía y otros participantes en la generación, transmisión, distribución y mercados de energía eléctrica. Los modelos precisos para el pronóstico de carga de energía eléctrica son  esenciales para la operación y planificación de una ciudad, localidad o región de interés. Además de desempeñar un papel muy importante en el campo de la programación, análisis de contingencia, análisis de flujo de carga, planificación y mantenimiento del sistema eléctrico. Es por eso que en este artículo se presenta un modelo basado en redes neuronales artificiales (ANN) con el fin de poder predecir la de-manda eléctrica horaria, discriminada por mes. Si bien en la literatura existen modelos que ayudan a resolver el problema, al aplicarlo para esta situación se presentaron demasiadas divergencias entre los valores arrojados y los valores reales. Este estudio se lleva a cabo a partir de los datos, para Salta Capital en la provincia de Salta. Los resultados así obtenidos fueron comparados con valores de consumo reales para medir la eficiencia de los modelos definidos.
Sociedad Argentina de Informática e Investigación Operativa
description Los pronósticos de demanda de electricidad son extremadamente importantes para los proveedores de energía y otros participantes en la generación, transmisión, distribución y mercados de energía eléctrica. Los modelos precisos para el pronóstico de carga de energía eléctrica son  esenciales para la operación y planificación de una ciudad, localidad o región de interés. Además de desempeñar un papel muy importante en el campo de la programación, análisis de contingencia, análisis de flujo de carga, planificación y mantenimiento del sistema eléctrico. Es por eso que en este artículo se presenta un modelo basado en redes neuronales artificiales (ANN) con el fin de poder predecir la de-manda eléctrica horaria, discriminada por mes. Si bien en la literatura existen modelos que ayudan a resolver el problema, al aplicarlo para esta situación se presentaron demasiadas divergencias entre los valores arrojados y los valores reales. Este estudio se lleva a cabo a partir de los datos, para Salta Capital en la provincia de Salta. Los resultados así obtenidos fueron comparados con valores de consumo reales para medir la eficiencia de los modelos definidos.
publishDate 2022
dc.date.none.fl_str_mv 2022-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/151693
url http://sedici.unlp.edu.ar/handle/10915/151693
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/download/265/216
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
62-74
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846783621470355456
score 12.982451

Publicaciones similares