Regresión Simbólica aplicada a la Predicción del Consumo Eléctrico a Corto Plazo en el Nivel de Subestación

  • Victor Adrian Jimenez Grupo de Investigación en Tecnologías Informáticas Avanzadas, Universidad Tecnológica Nacional, Facultad Regional Tucumán, Argentina http://orcid.org/0000-0001-9804-1051
  • Gonzalo Emmanuel Lescano Centro de Investigación de Atmósfera Superior y Radiopropagación, Universidad Tecnológica Nacional, Facultad Regional Tucumán, Argentina
  • Adrián L. E. Will Grupo de Investigación en Tecnologías Informáticas Avanzadas, Universidad Tecnológica Nacional, Facultad Regional Tucumán, Argentina
Palabras clave: Programación Genética Lineal, Regresión Simbólica, Predicción del consumo eléctrico, Subestaciones Transformadoras

Resumen

El modelado de datos es un problema fundamental en diversas áreas del conocimiento. La Regresión Simbólica es una técnica que permite encontrar una relación matemática para describir un conjunto de datos experimentales. A diferencia de los métodos tradicionales de modelado, la Programación Genética permite encontrar una expresión matemática susceptible de ser analizada e interpretada. Multi-Expression Programming es una variante de Programación Genética, que presenta múltiples ventajas, haciéndola apta para su uso en casos reales. En este trabajo proponemos aplicar dicha variante para descubrir modelos de predicción, un día hacia adelante, del consumo eléctrico de subestación transformadora en Tucumán, Argentina. Para analizar el comportamiento del algoritmo y ajustar parámetros, se realizaron pruebas utilizando Benchmarks conocidos. Se concluye que Multi-Expression Programming es adecuada para encontrar modelos en problemas complejos, y en el caso de predicción de consumo eléctrico se logró un nivel de error similar al obtenido con otras técnicas.

Descargas

La visualización de estadísticas de descarga del artículo pronto estará disponible

Biografía del autor

Victor Adrian Jimenez, Grupo de Investigación en Tecnologías Informáticas Avanzadas, Universidad Tecnológica Nacional, Facultad Regional Tucumán, Argentina

Victor A. Jimenez es Ingeniero en Computación, graduado en la Facultad de Ciencias Exactas y Tecnología de la Universidad Nacional de Tucumán, Argentina, en 2012.

Es un investigador y miembro del Grupo de Investigación en Tecnologías Informáticas Avanzadas (GITIA) desde 2013. Actualmente, está finalizando su doctorado relacionado al análisis de datos aplicado a la gestión y optimización de las redes de distribución eléctrica. Su principal intereses son los Algoritmos Evolutivos y sus aplicaciones industriales.

Gonzalo Emmanuel Lescano, Centro de Investigación de Atmósfera Superior y Radiopropagación, Universidad Tecnológica Nacional, Facultad Regional Tucumán, Argentina

Gonzalo E. Lescano es un estudiante avanzado de la carrera de Ingeniería en Sistemas de Información de la Universidad Tecnológica Nacional, Facultad Regional Tucumán (UTN-FRT), Argentina.

Es becario de investigación en el Centro de Investigación de Atmósfera Superior y Radiopropagación de la UTN-FRT.  Su actividad principal consiste en el procesamiento de la información experimental, desarrollo de software para tratamiento de datos atmosféricos y para equipos de mediciones.

Adrián L. E. Will, Grupo de Investigación en Tecnologías Informáticas Avanzadas, Universidad Tecnológica Nacional, Facultad Regional Tucumán, Argentina

Adrian Will obtuvo su título de licenciado en Matemáticas en la Universidad Nacional de Córdoba, Argentina en 1992. Luego obtuvo su doctorado en Matemáticas en la misma universidad en 1998.

Actualmente es profesor adjunto en el Departamento de Sistemas de la Universidad Tecnológica Nacional, Facultad Regional Tucumán, y es director del Grupo de Investigación en Tecnologías Informáticas Avanzadas (GITIA). Sus temas de investigación son los algoritmos evolutivos, redes neuronales artificiales y sus aplicaciones industriales.

Publicado
2020-12-03
Cómo citar
Jimenez, V., Lescano, G., & Will, A. (2020). Regresión Simbólica aplicada a la Predicción del Consumo Eléctrico a Corto Plazo en el Nivel de Subestación. Revista Tecnología Y Ciencia, (39), 85-102. https://doi.org/10.33414/rtyc.39.85-102.2020