English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

This investigation is focused on the prediction of the electrical demand in short time. For this purpose, the “demand profiles” and the real time signal of the electrical demand of the Empresa Eléctrica Quito S.A. are used in order to determine which profile is expected to happen during the day. In this sense, this study uses the Hidden Markov Model for forecasting the electrical demand in short time. This approach first applies a learning/training process using data from the Sistema de Información Validada Operativa (SIVO). Later, a discovery process of demand profiles is performed in order to determine the most expected profile to happen during the day. This approach establishes an “expected demand area” that shall be a reference for the definitive behavior of the electrical demand. This methodology was applied over the EEQ system and evaluated during 30 days. The final tool successes 86% of the cases and the actual value of the electrical demand in real time is inside of the band of the expected demand area. The purpose of this work is to build an application that assist operators of the National Interconnected System, NIS, to make the decisions in short time, optimizing the resources for generation. Index terms prediction of electrical demand, machine learning, hidden markov model, artificial intelligence. Resumen La investigación del presente trabajo está centrada en determinar el pronóstico de la demanda de potencia eléctrica en corto plazo. Para ello, se utilizó y se comparó los “perfiles de demanda” y la señal en tiempo real de la demanda eléctrica de la Empresa Eléctrica Quito S.A, EEQ, para llegar a determinar el perfil más esperado en el día. En este sentido, se utilizó el Modelo Oculto de Markov (Hidden Markov Model, HMM) para el pronóstico de la demanda en horizonte de tiempo de corto plazo. Para esto, primeramente se realizó un proceso de aprendizaje/entrenamiento al modelo con la base de datos Sistema de Información Validada Operativa, SIVO. Posteriormente, se realizó el proceso de descubrimiento de perfiles de demanda, que permitirá en pasos posteriores encontrar el perfil más esperado a ocurrir durante el día. La propuesta establece un “área de demanda esperada” que se convierte en una referencia que define el comportamiento de la demanda lo largo del día. Se realizó una evaluación en un periodo de 30 días de la metodología aplicada al sistema de la EEQ, y se observó que la herramienta acierta en un 86% de los casos y el valor de demanda en tiempo real se encuentra dentro de la banda de demanda esperada. El propósito de este trabajo es brindar una aplicación a los operadores del Sistema Nacional Interconectado, SNI, del Operador Nacional, CENACE, que permita tomar decisiones en el periodo de corto plazo optimizando los recursos de generadores existentes. Palabras clave Predicción de Demanda, Machine Learning, Modelo de Markov, artificial intelligence.

revista técnica energía (en línea)/revista técnica energía,

Metodología basada en Cadenas de Markov para la Predicción de la Demanda y Toma de Decisiones en el corto plazo. Caso de Estudio: Empresa Eléctrica Quito