ELECCION Y ENTRENAMIENTO DE LA RED NEURONAL PARA LA PREDICCION DE LA DEMANDA DE POTENCIA EN SUB ESTACIONES ALIMENTADORAS DE LA EPEC

MARCELO SMREKAR; SUAREZ MATIAS; SAFFE, JORGE; GONZALO MOYA; RODRIGUEZ ANDRES; LUIS GIOVINE; CLAUDIO PUERTOLAS; JORGE DEAN

Congreso; Congreso Internacional de Distribución Eléctrica; 2022

Con vistas en el horizonte de sistemas de gestión de redes eléctricas inteligentes completamente automatizadas,para optimizar la demanda, prever picos y adecuarse a la generación distribuida se hace necesario elconocimiento de la demanda de energía y potencia en todos los nodos de la red. El estudio de la demandaeléctrica y de su predicción tienen gran cantidad de antecedentes en la bibliografía tanto en las estrategias deestimación como en las técnicas y modelos para la predicción. La carga del sistema eléctrico es un procesoaleatorio continuo, con muchas variables e influenciado por varios factores. Parte de esta investigación es justificarel método de pronóstico elegido para realizar la estimación de la serie de demandas. Éstas presentan diferentesniveles de estacionalidad y cuentan con numerosas variables exógenas involucradas: clima, cambios tecnológicosy sociales que producen quiebres y cambios de patrones en las series. La estrategia de modelado fueevolucionando desde los modelos paramétricos lineales pasando por los paramétricos no lineales hasta llegar alos modelos no paramétricos de la estadística computacional. Últimamente se han popularizado los modelos deaprendizaje artificial, aprendizaje profundo e inteligencia artificial. En líneas generales, hay consenso en labibliografía en que el método de Redes Neuronales Artificiales (RNA) es adecuado para la estimación de lademanda de carga. En este trabajo se justifica la elección de la herramienta estadística para predecir la demanda,se realiza una optimización para comparar el desempeño de distintas RNA y se construyen modelos óptimos para la predicción de la demanda eléctrica en Estaciones Alimentadoras de una red de transmisión eléctrica utilizandolos paquetes Keras y Tensorflow de Python.