Trazando el Futuro Eléctrico Residencial de Salta: Comparación entre Modelos Estocásticos y Redes Neuronales Artificiales para Simulación de Consumo Eléctrico Horario Anual Residencial

• Zanek, Franco ^[1]
  1. [1] Universidad Nacional de Salta

     Universidad Nacional de Salta

     Argentina

     
• Localización: Ciencia y tecnología, ISSN 1850-0870, ISSN-e 2344-9217, Nº. 24, 2024
• Idioma: español
• DOI: 10.18682/cyt.vi24.11197
• Títulos paralelos:
  • Mapping the Residential Electric Future of Salta: Comparison between Stochastic Models and Artificial Neural Networks for Annual Hourly Residential Electrical Consumption Simulation
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La simulación del consumo eléctrico horario anual en hogares de la ciudad de Salta puede realizarse mediante un modelo estocástico dinámico o el uso de redes neuronales artificiales (RNA). El modelo estocástico considera la variabilidad natural de factores como el clima y la actividad económica, utilizando técnicas probabilísticas para prever la demanda eléctrica. Por otro lado, las RNA emplean algoritmos de aprendizaje automático para analizar patrones complejos en los datos históricos y generar predicciones. La elección entre ambos modelos depende de la disponibilidad de datos, la capacidad de procesamiento y los objetivos de la simulación. Mientras que el modelo estocástico ofrece una comprensión probabilística de la demanda eléctrica, las RNA pueden capturar relaciones no lineales y patrones más sutiles, conduciendo a predicciones más precisas en ciertas circunstancias. En Salta, donde el clima y la actividad económica son muy variables, combinar ambos enfoques podría proporcionar una simulación más completa del consumo eléctrico anual. Aunque el modelo estocástico muestra resultados estadísticamente superiores, las RNA son más eficientes computacionalmente, lo que sugiere que la elección depende de consideraciones específicas del contexto y los recursos disponibles.

  • English

    The simulation of annual hourly electrical consumption in homes in the city of Salta can be carried out through a dynamic stochastic model or the use of artificial neural networks (ANNs). The stochastic model considers the natural variability of factors such as climate and economic activity, using probabilistic techniques to forecast electrical demand. On the other hand, ANNs employ machine learning algorithms to analyze complex patterns in historical data and generate predictions. The choice between both models depends on data availability, processing capacity, and simulation objectives. While the stochastic model provides a probabilistic understanding of electrical demand, ANNs can capture non-linear relationships and subtler patterns, leading to more accurate predictions in certain circumstances. In Salta, where climate and economic activity are highly variable, combining both approaches could provide a more comprehensive simulation of annual electrical consumption. Although the stochastic model shows statistically superior results, ANNs are more computationally efficient, suggesting that the choice depends on specific contextual considerations and available resources.

• Referencias bibliográficas
  • Chabane, F., Moummi, N., & Brima, A. (2016) Prediction of the theoretical and semi-empirical model of ambient temperature. Frontiers in...
  • Divina, F., Garcia Torres , M., Gomez Vela, F. A. & Vazquez Noguera J. L. (2019) A comparative study of time series forecasting methods...
  • Elsaraiti, M., Ali, G., Musbah, H., Merabet , A., and Little, T. (2021) Time series analysis of electricity consumption forecasting using...
  • Eskandari, H., Imani, M., & Moghaddam, M. P. (2021). Convolutional and recurrent neural network based model for short-term load forecasting....
  • Fekri, M. N., Patel, H., Grolinger, K., & Sharma, V. (2021). Deep learning for load forecasting with smart meter data: Online Adaptive...
  • García-García, J. A., Reding-Bernal, A., & López-Alvarenga, J. C. (2013). Cálculo del tamaño de la muestra en investigación en educación...
  • Iftikhar, H., Bibi, N., Canas Rodrigues P., & López-Gonzales J. L. (2023) Multiple novel decomposition techniques for time series forecasting:...
  • Meira, G. R., Padaratz, I. J., Alonso, C., & Andrade, C. (2003). Efecto de la distancia al mar en la agresividad por cloruros en estructuras...
  • Shine, P., Scully, T., Upton, J., & Murphy, M. D. (2018). Multiple linear regression modelling of on-farm direct water and electricity...
  • Somu, N., MR, G. R., & Ramamritham, K. (2021). A deep learning framework for building energy consumption forecast. Renewable and Sustainable...
  • Valdivieso, C., Valdivieso, R. & Valdivieso, O. (2011). Determinación del tamaño muestral mediante el uso de árboles de decisión. UPB-...