Predicción de curva de carga Industrial con Redes Neuronales.

Abstract

En vista del futuro referente al consumo de energía eléctrica, las industrias que nazcan y/o vengan a nuestro país necesitarían una buena predicción de consumo, evitándose pérdidas millonarias en solo lo que a energía respecta. Con lo expuesto, se llevará a cabo la aplicación del método de redes neuronales para la predicción de la curva de carga para el estudio del comportamiento energético de la industria, compararlo con el histórico de consumo previo en años anteriores excluyendo 2020 por la pandemia y proyectarlo para el futuro. El resultado de este estudio será satisfactorio en caso de que la comparativa con el comportamiento previo tenga un error no mayor al 10 %. El modelo desarrollado se basa en el método de aprendizaje backpropagation y abarca la problemática de la estimación que debe su complejidad a la cantidad de variables involucradas en el consumo de energía eléctrica. Esta estimación se ha realizado teniendo en cuenta los principales factores que influyen en la amplitud y forma de una curva de carga de un transformador de distribución. La red extrae los patrones de comportamiento de las distintas combinaciones de entradas gracias a un registro de datos históricos utilizados en el entrenamiento. Como solución al problema se implementó un algoritmo de estimación en Matlab®, software capaz de estimar la demanda utilizando redes neuronales con el método de backpropagation enlazado al perceptrón multicapas con una función de activación tipo sigmoidal logística. Todo esto a partir de datos de entrada como son la hora de consumo, temperatura media del día y demanda. Demostrando ser una herramienta válida para los involucrados en las etapas de planeamiento y mantenimiento de una red de distribución.