Aplicación de La Red Neuronal Artificial Feedforward Backpropagation para la predicción de demanda de energía eléctrica en la Empresa Eléctrica Riobamba S.A.

Esta investigación propone un modelo basado en la red neuronal Artificial Feedforward Back propagation capaz de predecir la demanda de energía eléctrica con un porcentaje de error absoluto inferior al generado por la metodología utilizada por una distribuidora, con lo cual se pretende contribuir con la planificación de operación y mantenimiento de las centrales eléctricas y a su vez servir de modelo para otras instituciones con similares características. Se realizó la observación de campo a las subestaciones y medidores de las tres salidas, donde se obtuvieron 70128 observaciones de los cuales 61344 se utilizó para el entrenamiento de la red y 8784 para las pruebas del modelo. Mediante preprocesamiento de datos se detectó y corrigió 406 datos perdidos y 320 datos atípicos, mismos que en su mayoría corresponden al año 2009 y 2014, se determinó que el porcentaje del error medio absoluto (MAPE) del modelo de predicción de la demanda de energía eléctrica basado en la red neuronal FeedForward Backpropagation fue del 2,63%, mientras que el basado en regresión lineal múltiple fue del 4,56%. Se concluye que el modelo de predicción de la demanda de energía eléctrica basado en la red neuronal FeedForward Backpropagation es tiene mejor rendimiento de predicción. Se recomienda antes de diseñar un modelo neuronal realizar el pre-procesamiento de los datos para corregir datos atípicos, perdidos y suavizado de la serie temporal con el fin de obtener resultados satisfactorios.This research proposes a model based on the artificial neural network Feedforward Back propagation capable of predicting the demand of electric power with a percentage of absolute error lower than the one generated due to the methodology used by a distributor, with which it is intended to contribute to the planning of operation and maintenance of power plants and at the same time to serve as a model for other institutions with similar characteristics. Field observations was performed on the substations and measurers of the three outputs where 70128 observations were obtained, of which 61344 were used for the training of the network and 8784 for tests of the model. Through pre-processing of data it was detected and corrected 406 lost data and 320 atypical data, which the majority correspond to the year 2009 and 2014, it was determined that the percentage of mean absolute error (MAPE) of the prediction model of the demand electrical energy based on the neural network Feedforward Back propagation was 2.63%, while the one based on multiple linear regression was 4.56%. It is concluded that the prediction model of the demand for electrical energy based on the neural network FeedForward Backpropagation holds better prediction performance. Before designing a neural, it is recommended to perform the preprocessing of data to correct atypical data, lost and softened of the time series in order to obtain satisfactory results