Predicción de la demanda eléctrica de los edificios de la Facultad de Derecho y Edificio E de la UDEP mediante el uso de redes neuronales LSTM y TCN

Simple item page
dc.contributor.advisorFiestas Chévez, Josées
dc.contributor.authorGuerrero Meza, José Renatoes
dc.contributor.authorRenteros Parra, Bruno Eduardoes
dc.contributor.otherUniversidad de Piura. Facultad de Ingeniería. Departamento de Ingeniería Mecánica Eléctrica.es
dc.coverage.spatialPiura, Perúes
dc.date.accessioned2022-10-20T21:32:35Z
dc.date.available2022-10-20T21:32:35Z
dc.date.issued2022-10-20es
dc.date.submitted2022-09es
dc.description.abstractEl objetivo de la tesis es comparar dos modelos de predicción de series temporales haciendo uso de modelos de redes neuronales LSTM (Long-Short Term Memory) y TCN (Temporal Convolutional Neural Network) y con el mejor modelo, diseñar una interfaz gráfica para la predicción de la demanda eléctrica de un día entero de los edificios de la Facultad de Derecho y Edificio E de la Universidad de Piura. Con tal fin se determina el perfil de consumo de los edificios mencionados para el estudio en la Universidad de Piura, se analizan los datos históricos de demanda eléctrica y definen las características que permitirán tener una predicción acertada. Asimismo, se entrenan los algoritmos con los datos históricos, modificando los hiperparámetros hasta obtener modelos precisos. Seguidamente, se analizan los resultados y compara el desempeño de ambos modelos. Asimismo, se explica el desarrollo de una interfaz gráfica que permite al usuario obtener la predicción de la demanda eléctrica de un día entero, en una resolución treintaminutal, a partir de un archivo con datos del día anterior. Finamente, se elige el modelo más destacado e implementa en una interfaz gráfica amigable con el usuario. Se concluye que los resultados demuestran que ambos modelos son bastante buenos en la predicción de la demanda eléctrica; sin embargo, el modelo TCN se mostró ligeramente superior en cuanto a velocidad de entrenamiento y precisión. Este modelo obtuvo un tiempo medio de 4.54 segundos por época y un MAPE de 8.4%, comparados a los 5.92 segundos por época y 10.4% de MAPE del modelo LSTM. Se concluye asimismo que con la interfaz gráfica se entrega una herramienta amigable con el usuario, que permite la predicción de la demanda eléctrica, evidenciando la importancia de la implementación de la inteligencia artificial en la industria eléctrica y sus grandes beneficios.es
dc.format.extent4,01 MBes
dc.format.mimetypeapplication/pdfes
dc.identifier.citationGuerrero, J. y Renteros, B. (2022). Predicción de la demanda eléctrica de los edificios de la Facultad de Derecho y Edificio E de la UDEP mediante el uso de redes neuronales LSTM y TCN (Tesis para optar el título de Ingeniero Mecánico-Eléctrico). Universidad de Piura. Facultad de Ingeniería. Programa Académico de Ingeniería Mecánico-Eléctrica. Piura, Perú.es
dc.identifier.urihttps://hdl.handle.net/11042/5673
dc.languageEspañoles
dc.language.isospaes
dc.publisherUniversidad de Piuraes
dc.publisher.countryPEes
dc.relation.publishversion1es
dc.relation.requiresAdobe Readeres
dc.rightsinfo:eu-repo/semantics/openAccesses
dc.rights.holderJosé Renato Guerrero Meza, Bruno Eduardo Renteros Parraes
dc.rights.licenseCreative Commons Atribución-NoComercial-SinDerivar 4.0 Internacionales
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/es
dc.sourceUniversidad de Piuraes
dc.sourceRepositorio Institucional Pirhua - UDEPes
dc.subjectEdificios universitarios -- Iluminación -- Control automáticoes
dc.subjectRedes neuronales (Computadores) -- Aplicaciónes
dc.subjectControl predictivo -- Investigacioneses
dc.subject.ddc629.83es
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.03es
dc.titlePredicción de la demanda eléctrica de los edificios de la Facultad de Derecho y Edificio E de la UDEP mediante el uso de redes neuronales LSTM y TCNes
dc.typeinfo:eu-repo/semantics/bachelorThesises
renati.advisor.dni80543428
renati.advisor.orcidhttps://orcid.org/0000-0002-2909-4448es
renati.author.dni73247675
renati.author.dni71263893
renati.discipline713076es
renati.jurorIpanaqué Alama, Williames
renati.jurorManrique Silupú, José Josées
renati.jurorFiestas Chévez, Josées
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales
renati.typehttps://purl.org/pe-repo/renati/type#tesises
thesis.degree.disciplineIngeniería Mecánico-Eléctricaes
thesis.degree.grantorUniversidad de Piura. Facultad de Ingenieríaes
thesis.degree.nameIngeniero Mecánico-Eléctricoes
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
IME_2211.pdf
Size:
4.01 MB
Format:
Adobe Portable Document Format
Description:
Archivo%20principal
Download
Collections
Área de Electrónica y Automatización - Tesis