Documentos de Académico
Documentos de Profesional
Documentos de Cultura
e
e
X
1
X
2
X
e
e
X
1
X
2
X
=
nm n n
m
m
x x x
x x x
x x x
X
. . .
. . .
. . . . . .
. . .
. . .
. . .
2 1
2 22 21
1 12 11
m variables
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Modelo datos PCA:
Datos proceso:
T T
V V X X
n
S A =
=
1
1
(
(
(
(
(
(
(
(
=
nm n n
m
m
x x x
x x x
x x x
X
. . .
. . .
. . . . . .
. . .
. . .
. . .
2 1
2 22 21
1 12 11
E X E p t X
N
a
T
a a
+ = + =
1
0
2 1
> > > >
m
Matriz de covarianzas
diagonalizada:
Valores propios de S
ordenados de mayor a
menor indican la
varianza en cada nueva
direccin
Las columnas de V contienen las cargas o loadings (pa) para cada
variable latente o score (ta) :
La varianza asociada a cada ta viene dada por a.
a a
Xp t =
ta: scores
Pa: loadings
E: Matriz Error
Obj a pequeo!
PCA. El modelo.
P
e
e
X
1
X
2
X
e
e
X
1
X
2
X
m variables
n
o
b
s
e
r
v
a
c
i
o
n
e
s
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
PCA.
Explotacin del modelo en supervisin
La proyeccin de datos sobre el modelo permite extraer conclusiones.
Parmetros estadsticos:
tiles en el anlisis y por tanto para la deteccin y diagnstico:
Q-statistic o SPE: Error de prediccin.
Mide el error introducido en la proyeccin de los datos analizados.
Permite identificar datos con estructura diferente a la del modelo.
Se mide en la direccin del error
Hotellings T2:
Bondad de los datos
respecto al modelo de
referencia.
Permite identificar datos con
la misa estructura que los
del modelo pero operando
en un rango diferente.
Medido en la direccin del
modelo.
P
e
e
X
1
X
2
X
e
e
X
1
X
2
X
=
=
=
SALT 9 Transmission Single phase trip. Successful reclose in one end line.
SALT 15 Distribution Single phase trip
SALT 17 Transmission Single phase trip
a)
b)
c)
d)
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Soft: BD-Acces, Visual Basic, C++, Matlab,
Visual.net
Visualizador temporal
Conciliacin
Clculo atributos
Actualizacin registros
Clasificador
Diagnsticos
Integracin
Pronstico de demanda elctrica
Modelo numrico: regresin
Las mejoras de Raul :
- Sistema Experto para correccin del pronstico
- Mejoras Razonamiento Basado en Casos
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Pronstico de
demanda elctrica:
Motivacin: Pronstico de la demanda:
Cuanta potencia espera servir?
Donde y cuando la potencia debe ser entregada?
Consideraciones:
La carga punta es el valor mas importante para la planificacin debido a que es la que tiene el impacto
mas fuerte en los requerimientos del sistema.
La carga punta anual para las compaas elctricas es fcil de obtener debido a que mantienen
lecturas de las mismas.
Informacin disponible:
Localizacin fsica de elementos de consumo
Mediciones de consumo: Registros temporales.
Condiciones de contorno adicionales
Temporal:
Dia de la semana (lunes /martes/ ../domingo)
Estacionalidad (verano / inviero, calor / fro, etc.)
Eventos especiales (ftbol, elecciones, festividad, etc.)
Espacial:
Regional(costa, montaa, valle, etc)
Tipo zona (residencial, urbana, industrial, demografa, etc.)
Otras:
Prediccin tiempo: Calor -> Consumo Aire Acond. / Fro -> Calefaccin elctrica.
Previsin de crecimiento urbano /industrial, etc.
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Pronstico:
Modelo Polinomial curve-fitting
Aproximacin polinmica,L
n
(t) (mnimos cuadrados) de los histricos de
carga (6 aos aprox.) en cada subestacin, (n):
Aconsejabe polinomio de 3r orden para la predicci a 2/3 aos vista
Caractersticas:
Mtodo numrico-> Clculo.
Aproximacin general (tendencia). Filtra determiandos comportamientos.
No tiene en cuenta las particularidades
Necesidad de ordenar (seleccionar) los datos para predicciones particulares.
n n n n n
d t c t b t a t L + + + =
2 3
) (
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Pronstico horario para domingo
Explotacin del modelo
El consumo por encima de la contratacin se penaliza fuertemente.
Por tanto es habitual contratar por encima del valor esperado.
Disponer de un pronstico facilita la contratacin justa en todo momento.
Estimacin numrica
Para un da de la semana
Potencia contratada
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Incorporacin de conocimiento
Factores que intervienen en la demanda
La consideracin de estos factores en el
modelo de prediccin llevar a resultados
ms precisos.
Herramientas:
SE
CBR
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Incorporacin de un SE
en el pronstico (R.Vilcahuaman)
La base de conocimiento del sistema experto puede ir creciendo de acuerdo a
la cantidad de informacin que se cuente para cada nodo en particular.
Del conocimiento se extraen las reglas
Su importancia en el
pronstico puede ser
matizada por el usuario
Beneficio:
Pronstico ms individualizado.
Margen de confianza respecto a la prediccin numrica.
Inconvenientes:
Codificacin del conocimiento:
O demasiado genrico: Poco eficiente.
O a medida para cada nodo: Elevado coste de diseo.
Ajuste para cada nodo
Necesidad: Automatizacin del uso del conocimiento
Se procedi a una simulacin de pronostico de demanda con una base real de
datos de 3 aos, se simulo para un da laborable y se presenta los
pronsticos horarios para un mes determinado en el futuro.
K, CF
INSEGURAS
NORMALES
SEGURAS
BAJA
ALTA
NORMAL
BAJA
MEDIA
BAJA
ALTA
NORMAL
INFLACIN
INVERSIONES
CRECIMIENTO
POBLACIONAL
INFLACIN
ALTA
Mercado
Regulado
Mercado
Libre
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Pronstico con CF+SE:
Pronstico
mensual
prximos
4 aos
Pronstico horario
segn tipo de zona
Mximo
Promedio
Mnimo
Pronstico
horario
jueves
laboral
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Pronstico con CF+CBR
(R.Vilcahuaman)
New probl em
CASE-
BASE
Revi s e
Propos ed
s ol ut i on
Conf i rmed
s ol ut i on
?
Ret ri eve
Ret ai n
R
e
u
s
e
Adapt at i on
Cas e Memory
Probl em
Space
Sol ut i on
Space
New probl em
CASE-
BASE
Revi s e
Propos ed
s ol ut i on
Conf i rmed
s ol ut i on
?
Ret ri eve
Ret ai n
R
e
u
s
e
Adapt at i on
Cas e Memory
Probl em
Space
Sol ut i on
Space
) ( ) ( ) ( t L t L t L
CBR CF P
=
) ( , t L t
? ) ( = t L t
) (t L
R
) (t L
CBR
Ajuste fino del pronstico:
Para cada da se ajusta la curva polinomial (CF) con el comportamiento
recuperado de das similares. (ej. Eventos especiales, festivos, etc.)
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Futura: Pronostico con
Curve-fitting + CBR+ SE
Pronstico: L(t)=?
Pronstico grueso: extrapolacin de datos (Curve-fitting) en el punto de
inters:
Ajuste fino del pronstico: Para cada da de la semana (L,M,X,J,V,S,D)
en el ms de inters:
Recuperacin de casos similares (igual mes ltimo ao): LR(T)
Adaptacin de los casos recuperados: SE, con informacin
socioeconmica -K(t)- del punto a pronosticar:
n n n n CF
d t c t b t a t L + + + ~
2 3
) (
( ) h d m a t con t L t t r , , , ) ( , ) ( = =
) ( , ) ( t L t t r =
Punto de prediccin
m
d
h
Un ao
) ( ) ( ) ( t L t L t L
CBR CF P
=
) ( ) ( t K L t L
R CBR
=
Registros histricos
para cada punto de medida.
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Resultados
0
0,5
1
1,5
2
2,5
ANN Sas package Evol. Prog. Futura
0
0,5
1
1,5
2
2,5
ANN Sas package Evol. Prog. Futura
% Error
Conclusiones
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Conclusiones
Supervisar supone detectar y diagnosticar fallos
automticamente a partir del conocimiento redundante
de ste. Existen mltiples soluciones de acuerdo con el
conocimiento que tengamos del proceso.
La minera de datos ofrece un enfoque metodolgico para
la explotacin eficiente de datos con vistas a mejrorar los
actuales sistemas de supervisin.
No existe una solucin nica: mltiples tcnicas, mtodos y
modelos incluso para un dominio de aplicacin concreto.
R. Vilcahuamn J. Melndez, IIiA/UdG/FIEE/UNCP
Conclusiones II
Sistemas de distribucin elctrica:
Procesos complejos
Minera de datos para Monitorizacin de calidad de onda.
Obtencin perturbaciones
Caracterizacin: atributos, formas de onda,
Mltiples modelos a partir de histricos
Explotacin del modelo: diagnstico de
perturbaciones, localizar su origen
Pronstico consumo elctrico:
Sistema hbrido mejora los resultados
CF + CBR + ES