TÉCNICAS DE MINERÍA DE DATOS COMO SOPORTE PARA LA GESTIÓN DE UN SISTEMA DE COMERCIALIZACIÓN DE ENERGÍA ELÉCTRICA

Autores/as

Resumen

Tener un suministro de energía eléctrica suficiente es vital para la comunidad, lo que demanda mantenimiento y mejora continua del servicio por parte de las compañías prestatarias del servicio. Entre otros aspectos, estas compañías mantienen bases de datos que capturan el consumo de la energía y en tal sentido en la presente investigación se propone el uso de técnicas de Redes Neuronales Artificiales y Reglas de Asociación como soporte a la gestión del sistema de comercialización de la energía eléctrica en una empresa pública de la ciudad de Manta, a partir de una muestra de datos extraídos de las facturas de consumo residencial correspondientes al año 2015. Los algoritmos usados específicamente fueron el perceptrón multicapa a nivel de redes neuronales y PART como regla de asociación. En esta aplicación empírica de minería de datos, se demostró que las redes neuronales y reglas de asociación son alternativas viables para predecir los niveles de consumo y comprender los patrones de consumo de energía.PALABRAS CLAVE: Redes neuronales; Reglas de Asociación; Datamining; minería de dato; WEKA; Consumo de energía eléctrica.TECHNIQUES OF DATA MINING AS SUPPORT FOR THE MANAGEMENT OF A SYSTEM OF ELECTRIC ENERGY COMMERCIALIZATIONABSTRACTHaving a sufficient electrical power supply is vital for the community, which demands maintenance and continuous improvement of the service by the service companies. Among other aspects, these companies maintain data bases that capture energy consumption and in this sense the present research proposes the use of Artificial Neural Network techniques and Association Rules as support for the management of the marketing system of the electric power in a public company of Manta city, based on a sample of data extracted from residential consumption bills for the year 2015. The algorithms used specifically were the multilayer perceptron at the level of neural networks and PART as a rule of association. In this empirical application of data mining, it was shown that neural networks and association rules are viable alternatives to predict consumption levels and to understand energy consumption patterns.KEYWORDS: Neural Networks; Association Rules; Datamining; Data Mining; WEKA; Electric Power Consumption.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Jorge Iván Pincay-Ponce, Universidad Laica Eloy Alfaro de Manabí

Ingeniero en Sistemas por la Universidad Laica Eloy Alfaro de Manabí, Máster Universitario en Ingeniería de Software para la Web por la Universidad de Alcalá – España. Docente titular en la carrera de Ingeniería en Sistemas de la Universidad Laica Eloy Alfaro de Manabí. Manta, Manabí, Ecuador.

Navira Gissela Angulo-Murillo, Universidad Laica Eloy Alfaro de Manabí

Ingeniera en Sistemas por la Universidad Laica Eloy Alfaro de Manabí, Máster en Dirección Estratégica de las Tecnologías de la Información y Comunicación por la Universidad Nacional de Piura – Perú. Coordinadora de Planificación Estratégica y Operativa de la Universidad Laica Eloy Alfaro de Manabí. Manta, Manabí, Ecuador.

Jorge Sergio Herrera-Tapia, Universidad Laica Eloy Alfaro de Manabí

Ingeniero en Sistemas Computacionales por la Universidad Técnica del Norte, Doctor en Informática por la Universidad Politécnica de Valencia – España. Docente titular en la carrera de Ingeniería en Sistemas de la Universidad Laica Eloy Alfaro de Manabí. Manta, Manabí, Ecuador.

Wilian Richart Delgado-Muentes, Universidad Laica Eloy Alfaro de Manabí

Ingeniero en Sistemas Computacionales por la Universidad Técnica de Manabí, Máster en Informática de gestión y nuevas tecnologías por la Universidad Técnica Santa María – Chile. Docente titular en la carrera de Ingeniería en Sistemas de la Universidad Laica Eloy Alfaro de Manabí. Manta, Manabí, Ecuador.

Citas

Amasyali, K., & El-Gohary, N. M. (2018a). A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews, 81, 1192–1205. https://doi.org/10.1016/j.rser.2017.04.095

Amasyali, K., & El-Gohary, N. M. (2018b). A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews, 81, 1192–1205. https://doi.org/10.1016/j.rser.2017.04.095

Ariza Ramírez, A. M. (2013). Métodos utilizados para el pronóstico de demanda de energía eléctrica en sistemas de distribución. Universidad Tecnológica de Pereira, Pereira - Colombia. Retrieved from https://tinyurl.com/y7akrz7z

Gönen, T. (1986). Electric power distribution system engineering. New York, New York, USA: McGraw-Hill.

Li, X., & Wen, J. (2014). Review of building energy modeling for control and operation. Renewable and Sustainable Energy Reviews, 37, 517–537. https://doi.org/10.1016/j.rser.2014.05.056

Microsoft. (2018). Data Mining Concepts. Retrieved August 1, 2018, from https://tinyurl.com/yay5hjqt

Rosenblatt, F. (1961). Principles of neurodynamics. Perceptrons and the theory of brain mechanisms. Buffalo, NY: Cornell Aeronautical Lab Inc. Retrieved from https://tinyurl.com/yb8qk6zz

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1985). Learning internal representations by error propagation. California Univ San Diego La Jolla Inst for Cognitive Science.

Van Heddeghem, W., Lambert, S., Lannoo, B., Colle, D., Pickavet, M., & Demeester, P. (2014). Trends in worldwide ICT electricity consumption from 2007 to 2012. Computer Communications, 50, 64–76. https://doi.org/10.1016/j.comcom.2014.02.008

Wang, Z., & Srinivasan, R. S. (2015). A review of artificial intelligence based building energy prediction with a focus on ensemble prediction models. In Winter Simulation Conference (WSC), 2015 (pp. 3438–3448). IEEE. https://doi.org/10.1109/WSC.2015.7408504

Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques (4th ed.). Burlington, MA: Morgan Kaufmann. Retrieved from http://www.cs.waikato.ac.nz/~ml/weka/book.html

Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., … Philip, S. Y. (2008). Top 10 algorithms in data mining. Knowledge and Information Systems, 14(1), 1–37. https://doi.org/DOI 10.1007/s10115-007-0114-2

Xiao, F., & Fan, C. (2014a). Data mining in building automation system for improving building operational performance. Energy and Buildings, 75, 109–118. https://doi.org/10.1016/j.enbuild.2014.02.005

Xiao, F., & Fan, C. (2014b). Data mining in building automation system for improving building operational performance. Energy and Buildings, 75(3), 109–118. https://doi.org/10.1016/j.enbuild.2014.02.005

Publicado

2020-08-31

Cómo citar

Pincay-Ponce, J. I., Angulo-Murillo, N. G., Herrera-Tapia, J. S., & Delgado-Muentes, W. R. (2020). TÉCNICAS DE MINERÍA DE DATOS COMO SOPORTE PARA LA GESTIÓN DE UN SISTEMA DE COMERCIALIZACIÓN DE ENERGÍA ELÉCTRICA. Mikarimin. Revista Científica Multidisciplinaria, 6(2), 19–34. Recuperado a partir de https://revista.uniandes.edu.ec/ojs/index.php/mikarimin/article/view/1369

Número

Sección

Ciencias Informáticas