- -

Modelo de predicción de demanda de energía eléctrica mediante técnicas Set-Membership

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Modelo de predicción de demanda de energía eléctrica mediante técnicas Set-Membership

Show simple item record

Files in this item

dc.contributor.author Diaz, Jimena es_ES
dc.contributor.author Vuelvas, Jose es_ES
dc.contributor.author Ruiz, Fredy es_ES
dc.contributor.author Patiño, Diego es_ES
dc.date.accessioned 2019-09-24T09:29:11Z
dc.date.available 2019-09-24T09:29:11Z
dc.date.issued 2019-09-20
dc.identifier.issn 1697-7912
dc.identifier.uri http://hdl.handle.net/10251/126298
dc.description.abstract [EN] This work presents a model for the short-term forecast of electric load, based on Set-Membership techniques. The model is formed by a periodic component and an adaptive non-linear autoregressive component. The identifications set of the non-linear model is increased at each estimation step. The model is evaluated in a case study with more than 13.000 samples of hourly sampled energy demand, registered during three years at a rural town in Colombia. The performance of the estimator is evaluated and confronted to a linear autoregressive model and a standard Set-Membership model with fixed identification set. Results show that the proposed estimator is able to predict demand with an RMS error below 2.5% for validation data, using just a 5% of the available dataset for the model identification. es_ES
dc.description.abstract [ES] En este artículo se propone un modelo para la predicción de demanda de energía eléctrica a corto plazo empleando técnicas de estimación Set Membership. El modelo está compuesto por una componente periódica y una componente no-lineal auto-regresiva generada por un modelo no-paramétrico adaptable que incorpora datos recientes al conjunto de identificación en cada iteración del algoritmo. El modelo es evaluado en un caso de estudio con mas de 13,000 muestras de demanda horaria a lo largo de tres años, registradas en un municipio rural de Colombia. El desempeño del estimador se compara con un modelo lineal auto-regresivo y un modelo Set Membership con conjunto de identificación fijo. Los resultados muestran que el estimador propuesto logra predecir la demanda de energía con un error RMS inferior al 2.5 % en datos de validación, empleando solo un 5 % de los datos disponibles para la construcción del modelo. es_ES
dc.description.sponsorship Este trabajo fue financiado por el Fondo de Ciencia, Tecnología e Innovación del Sistema General de Regalías (SGR),Gobernación de Cundinamarca (Colombia), convenio especial de cooperación No. SCTeI 016 de 2015. El trabajo de Jimena Díaz fue financiado por una beca del Departamento Cundinamarca-Fundación CEIBA a través del Proyecto Fortalecimiento del Departamento de Cundinamarca en sus Capacidades de Investigación en Ciencia, Tecnología e Innovación. es_ES
dc.language Español es_ES
dc.publisher 1697-7912
dc.relation FCTeI del SGR/SCTeI 016 de 2015
dc.relation.ispartof Revista Iberoamericana de Automática e Informática.
dc.rights Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) es_ES
dc.subject Gestión y demanda energética es_ES
dc.subject Filtrado adaptativo es_ES
dc.subject Identificación de sistemas es_ES
dc.subject Electric load management es_ES
dc.subject Adaptive filtering es_ES
dc.subject System identification es_ES
dc.title Modelo de predicción de demanda de energía eléctrica mediante técnicas Set-Membership es_ES
dc.title.alternative A Set-Membership approach to short-term electric load forecasting es_ES
dc.type Artículo es_ES
dc.date.updated 2019-09-24T06:57:24Z
dc.identifier.doi 10.4995/riai.2019.9819
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Diaz, J.; Vuelvas, J.; Ruiz, F.; Patiño, D. (2019). Modelo de predicción de demanda de energía eléctrica mediante técnicas Set-Membership. Revista Iberoamericana de Automática e Informática. 16(4):467-479. https://doi.org/10.4995/riai.2019.9819 es_ES
dc.relation.publisherversion https://doi.org/10.4995/riai.2019.9819 es_ES
dc.description.upvformatpinicio 467 es_ES
dc.description.upvformatpfin 479 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 16
dc.description.issue 4
dc.identifier.eissn 1697-7920
dc.contributor.funder Centro de Estudios Interdisciplinarios Básicos y Aplicados
dc.contributor.funder Fondo de Ciencia, Tecnología e Innovación del Sistema General de Regalías, Colombia
dc.relation.references Acosta, A., González, A., Zamarreno, J., Álvarez, V., 2011. Modelo para la predicción energética de una instalación hotelera. Revista Iberoamericana de Automática e Informática Industrial RIAI 8 (4), 309 - 322. https://doi.org/10.1016/j.riai.2011.09.001 es_ES
dc.relation.references Alam, A., Upadhyay, S., Murthy, C. H., Reddy, M. J. B., Jana, K. C., Mohanta, D. K., 2012. Reliability evaluation of solar photovoltaic microgrid. In: Environment and Electrical Engineering (EEEIC), 2012 11th International Conference on. pp. 490-495. https://doi.org/10.1109/EEEIC.2012.6221427 es_ES
dc.relation.references Alfares, H. K., Nazeeruddin, M., 2002. Electric load forecasting: Literature survey and classification of methods. International Journal of Systems Science 33 (1), 23-34. https://doi.org/10.1080/00207720110067421 es_ES
dc.relation.references Bordons, C., Torres, F. G., Valverde, L., 2015. Gestión Óptima de la energía en microrredes con generación renovable. Revista Iberoamericana de Automática e Informática Industrial RIAI 12 (2), 117 - 132. https://doi.org/10.1016/j.riai.2015.03.001 es_ES
dc.relation.references Castano, J., Ruiz, F., 2013. Set membership identification of an excimer lamp for fast simulation. Control Engineering Practice 21 (1), 96 - 104. https://doi.org/10.1016/j.conengprac.2012.09.013 es_ES
dc.relation.references Dang, H. Q., 2014. Time series outlier detection in spacecraft data. Ph.D. thesis, Knowledge Engineering Group, TU Darmstadt. es_ES
dc.relation.references Dwijayanti, S., Hagan, M., 2013. Short Term Load Forecasting Using a Neural Network Based Time Series Approach. 2013 1st International Conference on Artificial Intelligence, Modelling and Simulation (1), 17-22. https://doi.org/10.1109/AIMS.2013.11 es_ES
dc.relation.references Hanmandlu, M., Chauhan, B. K., 2011. Load forecasting using hybrid models. IEEE Transactions on Power Systems 26 (1), 20-29. https://doi.org/10.1109/TPWRS.2010.2048585 es_ES
dc.relation.references He, Y., Xu, Q.,Wan, J., Yang, S., 2016. Short-term power load probability density forecasting based on quantile regression neural network and triangle kernel function. Energy 114, 498-512. https://doi.org/10.1016/j.energy.2016.08.023 es_ES
dc.relation.references Hu, Z., Bao, Y., Xiong, T., Chiong, R., 2015. Hybrid filter-wrapper feature selection for short-term load forecasting. Engineering Applications of Artificial Intelligence 40, 17-27. https://doi.org/10.1016/j.engappai.2014.12.014 es_ES
dc.relation.references Kapgate, D., Mohod, S., 2014. Hybrid wavenet model for short term electrical load forecasting. In: 2014 Conference on IT in Business, Industry and Government (CSIBIG). No. 1. pp. 1-8. https://doi.org/10.1109/CSIBIG.2014.7057008 es_ES
dc.relation.references Lopes, J. P., Hatziargyriou, N., Mutale, J., Djapic, P., Jenkins, N., 2007. Integrating distributed generation into electric power systems: A review of drivers, challenges and opportunities. Electric Power Systems Research 77 (9), 1189 - 1203. https://doi.org/10.1016/j.epsr.2006.08.016 es_ES
dc.relation.references Mikati, M., Santos, M., Armenta, C., 2012. Modelado y simulación de un sistema conjunto de energía solar y eólica para analizar su dependencia de la red eléctrica. Revista Iberoamericana de Automática e Informática Industrial RIAI 9 (3), 267 - 281. https://doi.org/10.1016/j.riai.2012.05.010 es_ES
dc.relation.references Milanese, M., Novara, C., 2004. Set Membership identification of nonlinear systems. Automatica 40 (6), 957-975. https://doi.org/10.1016/j.automatica.2004.02.002 es_ES
dc.relation.references Milanese, M., Novara, C., Nov 2005. Set membership prediction of nonlinear time series. IEEE Transactions on Automatic Control 50 (11), 1655-1669. https://doi.org/10.1109/TAC.2005.858693 es_ES
dc.relation.references Nose-Filho, K., Lotufo, A. D. P., Minussi, C. R., 2011b. Short-Term Multinodal Load Forecasting Using a Modified General Regression Neural Network. IEEE Transactions on Power Delivery 26 (4), 2862-2869. https://doi.org/10.1109/TPWRD.2011.2166566 es_ES
dc.relation.references Oliveira, M. O., Marzec, D. P., Bordin, G., Bretas, a. S., Bernardon, D., 2011. Climate change e_ect on very short-term electric load forecasting. 2011 IEEE Trondheim PowerTech 190, 1-7. https://doi.org/10.1109/PTC.2011.6019249 es_ES
dc.relation.references Parkpoom, S., Harrison, G., Bialek, J., 2004. Climate change impacts on electricity demand. 39th International Universities Power Engineering Conference, 2004. UPEC 2004. 3 (Table I), 1342-1346 es_ES
dc.relation.references Sadaei, H. J., Enayatifar, R., Abdullah, A. H., Gani, A., 2014. Short-term load forecasting using a hybrid model with a refined exponentially weighted fuzzy time series and an improved harmony search. International Journal of Electrical Power & Energy Systems 62 (from 2005), 118-129. https://doi.org/10.1016/j.ijepes.2014.04.026 es_ES
dc.relation.references Singh, N. K., Singh, A. K., Tripathy, M., 2015. A comparative study of BPNN, RBFNN and ELMAN neural network for short-term electric load forecasting: A case study of Delhi region. 9th International Conference on Industrial and Information Systems, ICIIS 2014. https://doi.org/10.1109/ICIINFS.2014.7036502 es_ES
dc.relation.references Ueckerdt, F., Brecha, R., Luderer, G., 2015. Analyzing major challenges of wind and solar variability in power systems. Renewable Energy 81, 1 - 10. https://doi.org/10.1016/j.renene.2015.03.002 es_ES
dc.relation.references Yalcinoz, T., Eminoglu, U., 2005. Short term and medium term power distribution load forecasting by neural networks. Energy Conversion and Management 46 (9-10), 1393-1405. https://doi.org/10.1016/j.enconman.2004.07.005 es_ES


This item appears in the following Collection(s)

Show simple item record