Resumen

PEUJIO-JIOTSOP-FOZE, Wellcome  y  HERNANDEZ-DEL-VALLE, Adrián. Previsión de carga eléctrica automatizada a unas horas adelantadas con el modelo (LSTM) al nivel subestacional: subestación de Newcastle. Contad. Adm [online]. 2023, vol.68, n.1, pp.77-96.  Epub 14-Ene-2025. ISSN 0186-1042.  https://doi.org/10.22201/fca.24488410e.2023.3356.

Hoy en día la energía eléctrica es de vital importancia en nuestras vidas, todo país necesita de este recurso para desarrollar su economía, las fábricas, los negocios y los hogares son la base de la estructura económica de un país. En la ciudad de Newcastle al igual que en otras ciudades están en constante desarrollo creciendo día a día en cuanto a industrias, hogares y negocios, estos elementos son los que consumen toda la electricidad producida en Newcastle. A pesar de que Australia cuenta con subestaciones estratégicamente ubicadas que cumplen la función de abastecer todas las cargas existentes con energía de calidad, de vez en cuando la carga superará la capacidad de estas subestaciones y no podrá abastecer las cargas que surgirán en el futuro a medida que la ciudad crezca. Para encontrar una solución a este problema, utilizamos un modelo de aprendizaje profundo para mejorar la precisión. En este trabajo, se prueba una red neuronal recurrente de memoria a corto plazo (LSTM) en un conjunto de datos de 30 minutos disponible públicamente que contiene datos de potencia real medidos para subestaciones de zonas individuales, en los datos del área de suministro de Ausgrid. El rendimiento del modelo se compara exhaustivamente con 4 configuraciones diferentes del modelo LSTM. El enfoque LSTM propuesto con 2 capas ocultas y 50 neuronas supera a las otras configuraciones con un error medio absoluto (MAE) de 0,0050 en la tarea de previsión de carga a corto plazo para subestaciones.

Palabras llave : aprendizaje profundo; previsión; carga eléctrica; LSTM; subestación.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )