Prediction of Electricity Consumption Profiles Using Potential Polynomials of Degree One and Artificial Neural Networks in Smart Metering Infrastructure

Este trabajo analiza métodos y algoritmos para la predicción del comportamiento del consumo eléctrico basados en redes neuronales utilizando datos obtenidos de la Infraestructura de Medición Avanzada (AMI) de una institución educativa. Además, se ha realizado un contraste entre el uso de redes neuronales convencionales (ANN), redes neuronales basadas en wavelet (WNN) y polinomios potenciales de grado uno (P1P). Se analiza la correlación de cada método de predicción, así como el comportamiento del Mean Square Error (MSE), para finalmente establecer si existe un desequilibrio en el costo computacional a través del análisis Big-O y el tiempo de ejecución. Los resultados cuantitativos del MSE están por debajo del 0,05% para las predicciones ANN y utilizan un alto coste computacional. Para P1P se presentan errores en torno al 1,2%, mostrándose como un método de predicción de bajo consumo computacional pero principalmente aplicable para un análisis a corto plazo. Este trabajo se da como respuesta a la necesidad de establecer una plataforma para aprovechar la estructura de medición inteligente a través de la predicción del perfil de consumo eléctrico, con el objetivo de desarrollar un plan de mantenimiento y gestión de la demanda eléctrica para reducir los costos operativos desde el final consumidor al operador de la red de distribución. Para el análisis de proyecciones sobre el perfil de carga eléctrica se consideran las características estadísticas del consumo para seleccionar los algoritmos de predicción de acuerdo a la cantidad de días a proyectar utilizando datos de cualquiera de los medidores inteligentes, los cuales pueden ser monitoreados en una red eléctrica. orientado a las Redes Inteligentes.