Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROYECTO DE TESIS:
LÍNEA DE INVESTIGACIÓN:
SISTEMA DE AUTOMATIZACIÓN Y CONTROL
PRESENTADO POR:
Bch. Cesar Celio PÉREZ GOITIA
Bach. Modesto Edelberto CULLANCO PÉREZ
Índice de ilustraciones..................................................v
Índice de tablas...........................................................vi
Titulo..........................................................................vii
Autores......................................................................viii
Asesor.........................................................................ix
Introducción.................................................................x
CAPÍTULO I...............................................................1
PLANTEAMIENTO DEL PROBLEMA
1.1. Descripción y formulación del problema...............................................1
1.1.1. Descripción............................................................................................1
1.3. Justificación..................................................................................................3
CAPÍTULO II..............................................................4
MARCO TEÓRICO
2.1. Antecedentes................................................................................................4
2.1.1. Diseño de un sistema inteligente de ahorro de energía eléctrica.
Tesis para optar el Título de Ingeniero Electrónico. Pontificia
Universidad Católica del Perú, 2017......................................................4
ii
simulación. tesis para optar por el título profesional de ingeniero
mecatrónico Universidad Nacional de Ingeniería, 2013........................5
2.3.3. Sobreconsumo.....................................................................................15
2.6. Variables.....................................................................................................21
2.6.1. Variables dependientes........................................................................21
iii
2.6.2. Variables independientes.....................................................................21
CAPÍTULO III...........................................................23
METODOLOGÍA DE LA INVESTIGACIÓN
3.1. Ámbito temporal y espacial........................................................................23
3.1.1. Ámbito temporal..................................................................................23
3.4.2. Muestra................................................................................................24
CAPÍTULO IV...........................................................27
ASPECTO ADMINISTRATIVOS
4.1. Cronograma de actividades........................................................................27
4.2. Presupuesto.................................................................................................27
4.3. Financiamiento...........................................................................................28
Referencia bibliográfica.............................................29
Apéndice....................................................................31
A. Matriz de consistencia..................................................................................32
B. Diseño de investigación................................................................................33
iv
Índice de ilustraciones
Ilustración N⁰ 1.- Ejemplo de una red neuronal totalmente conectada...................10
Ilustración N⁰ 2.- Comparación entre neurona biológica y artificial.......................10
Ilustración N⁰ 3.- Raspberry Pi modelo B+ (https://www.raspberrypi.org)...........12
Ilustración N⁰ 4.- Sensor de corriente ACS715...........................................................13
Ilustración N⁰ 5.- Circuito del sensor de corriente ACS715.....................................14
Ilustración N⁰ 6.- Diseño propuesto..............................................................................33
Ilustración N⁰ 7.- Red neuronal artificial......................................................................33
v
Índice de tablas
vi
Titulo
vii
Autores
viii
Asesor
ix
Introducción
x
CAPÍTULO I
PLANTEAMIENTO DEL PROBLEMA
1.1.1. Descripción
A nivel internacional, el aumento del consumo de energía junto al coste de
producción ha llevado en estos últimos años al desarrollo de estrategias para la
gestión eficiente del consumo energético, Los gobiernos desarrollan políticas
que fomentan el ahorro y la eficiencia energética y penalizan el derroche de la
energía .En esta línea la comisión europea, en el artículo 4 de la directiva
2006/32/CED sobre eficiencia del uso final de la energía y los servicios
energéticos fijo un objetivo mínimo orientativo de ahorro energético del 9% en
2016 [ CITATION Ver15 \l 3082 ]. A nivel nacional el Decreto Supremo Nº 004-
2016-EM que promueve medidas para el uso eficiente de la energía contiene
disposiciones que coadyuvarán al cumplimiento de los objetivos sectoriales
relacionados al uso eficiente de la energía por parte de las entidades públicas a
través del uso de tecnologías eficientes, establecidos en la Ley Nº 27345, Ley
de Promoción de Uso Eficiente de la Energía y su Reglamento aprobado por
Decreto Supremo Nº 053-2007-EM. Por ejemplo, se recomienda que todas las
lámparas que se instalen en una edificación deban ser de tecnología eficiente,
cumpliendo con lo indicado en la Norma Técnica Peruana 370.101-2-2008.
También, la mayor preocupación de los usuarios es conocer cómo reducir el
consumo eléctrico en los hogares. En la actualidad la inteligencia artificial, que
constan de varios modelos matemáticos e imitan la inteligencia humana (por
ejemplo las redes neuronales artificiales y los algoritmos genéticos), son cada
vez más usados en los campos de la ingeniería y de la robótica [ CITATION
Cam16 \l 3082 ]. Una de sus aplicaciones, es en las viviendas con la
1
implantación de sistemas inteligentes, que son capaces de aprender
automáticamente los hábitos del consumo eléctrico de sus habitantes y
proponer acciones, que regulen su consumo, sea este de iluminación, de
climatización y uso de electrodomésticos. La importancia que tiene la
predicción de carga diaria se desarrolló diferentes métodos de pronóstico, entre
ellos los métodos basados en inteligencia artificial, en particular utilizando
redes neuronales artificiales de tres capas [ CITATION San14 \l 3082 ].
A. Problema general
A.1. ¿Se puede reducir el consumo de energía eléctrica en la
Facultad de Ingeniería Electrónica - Sistemas (FIES) de la
UNH incrementando la eficiencia en el consumo de energía
eléctrica?
B. Problemas específicos
B.1. ¿Se puede incrementar la eficiencia en el consumo de energía
eléctrica en la FIES de la UNH, monitoreando la corriente y el
tiempo de funcionamiento de una carga notable?
B.2. ¿Se puede implementar un equipo electrónico de fácil manejo
para reducir el consumo de energía eléctrica en la FIES de la
UNH?
2
1.2.2. Objetivos específicos
B.1. Implementar un equipo electrónico que ayude reducir
eficientemente el consumo de energía eléctrica en la FIES
monitoreando la corriente y el tiempo de funcionamiento de una
carga notable.
B.2. Implementar un interface hombre máquina en un equipo
electrónico para reducir el consumo de energía eléctrica basado en
una plataforma de desarrollo en hardware libre y que contiene dos
redes neuronales artificiales.
1.3. Justificación
3
CAPÍTULO II
MARCO TEÓRICO
2.1. Antecedentes
4
2.1.2. Optimización del consumo y la demanda de energía
eléctrica utilizando redes neuronales artificiales y
modelos dinámicos de simulación. tesis para optar por el
título profesional de ingeniero mecatrónico Universidad
Nacional de Ingeniería, 2013.
Este trabajo estudia la aplicación de técnicas modernas de
predicción y simulación en la optimización del uso de la energía
eléctrica dentro de una planta industrial. La predicción de la demanda
eléctrica es realizada utilizando redes neuronales dinámicas
recurrentes, mediante las cuales se intenta prever el comportamiento de
la potencia (MW) en el tiempo, empleando patrones definidos
mediante un estudio de caso y referencias de trabajos previos. Este
módulo ayudará a reorganizar la planificación eléctrica, de tal manera
que se reduzcan al mínimo los picos de demanda. Las redes recurrentes
son sistemas dinámicos no lineales capaces de descubrir regularidades
temporales en las secuencias procesadas y pueden aplicarse, por lo
tanto, a multitud de tareas de procesamiento de este tipo de secuencias.
Esta tesis se centra en la aplicación de las redes neuronales recurrentes
a la predicción de la demanda eléctrica [ CITATION Cor13 \l 3082 ].
5
eléctrico en la maqueta está compuesto por focos LED, resistencias,
diodos, fuente de poder, cables, y una placa Arduino UNO que es la
encargada de trasmitir los datos del programa MATLAB para que
generen instrucciones de encendido o apagado de luces dentro de la
maqueta. La maqueta de la vivienda está constituida por 8 sectores y se
han utilizado 8 focos LEDs para su iluminación. La interfaz de control
del sistema Demótico ha sido codificada en Matlab y son fácil de
utilizar El algoritmo de reconocimiento de voz utiliza estimadores
espectrales de la de voz con coeficientes FFT e interactúa con los
esquemas existentes dentro del sistema de red neuronal[ CITATION
Car16 \l 3082 ].
6
“Neural Network” para implementar una red neuronal artificial
[ CITATION Car17 \l 3082 ].
7
2.2.1. Redes neuronales
A. Definiciones de una red neuronal. Existen numerosas formas de
definir a las redes neuronales; desde las definiciones cortas y
genéricas hasta las que intentan explicar más detalladamente qué son
las redes neuronales [ CITATION Rui01 \l 3082 ]. Por ejemplo:
A.1. Una nueva forma de computación, inspirada en modelos
biológicos.
A.2. Un modelo matemático compuesto por un gran número de
elementos procesales organizados en niveles.
A.3. Un sistema de computación compuesto por un gran número de
elementos simples, elementos de procesos muy
interconectados, los cuales procesan información por medio de
su estado dinámico como respuesta a entradas externas.
A.4. Redes neuronales artificiales son redes interconectadas
masivamente en paralelo de elementos simples y con
organización jerárquica, las cuales intentan interactuar con los
objetos del mundo real del mismo modo que lo hace el sistema
nervioso biológico.
B. Ventajas que ofrecen la red neuronal. Debido a su constitución y
a sus fundamentos, las redes neuronales artificiales presentan un
gran número de características semejantes a las del cerebro. Por
ejemplo, son capaces de aprender de la experiencia, de generalizar
de casos anteriores a nuevos casos, de abstraer características
esenciales a partir de entradas que representan información
irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y que
este tipo de tecnología se esté aplicando en múltiples
áreas[ CITATION Rui01 \l 3082 ]. Entre las ventajas se incluyen:
B.1. Aprendizaje Adaptativo. Capacidad de aprender a realizar
tareas basadas en un entrenamiento o en una experiencia inicial.
Auto-organización. Una red neuronal puede crear su propia
8
organización o representación de la información que recibe
mediante una etapa de aprendizaje.
B.2. Tolerancia a fallos. La destrucción parcial de una red conduce a
una degradación de su estructura; sin embargo, algunas
capacidades de la red se pueden retener, incluso sufriendo un
gran daño. Operación en tiempo real. Los cómputos neuronales
pueden ser realizados en paralelo; para esto se diseñan y
fabrican máquinas con hardware especial para obtener esta
capacidad.
B.3. Fácil inserción dentro de la tecnología existente. Se pueden
obtener chips especializados para redes neuronales que mejoran
su capacidad en ciertas tareas. Ello facilitará la integración
modular en los sistemas existentes.
C. Operación en tiempo real. Una de las mayores prioridades, casi en
la totalidad de las áreas de aplicación, es la necesidad de realizar
procesos con datos de forma muy rápida. Las redes neuronales se
adaptan bien a esto debido a su implementación paralela. Para que la
mayoría de las redes puedan operar en un entorno de tiempo real, la
necesidad de cambio en los pesos de las conexiones o entrenamiento
es mínima.
D. Elementos básicos que componen una red neuronal. A
continuación se puede ver, en la ilustración N°.1, un esquema de una
red neuronal: La misma está constituida por neuronas
interconectadas y arregladas en tres capas (puede variar). Los datos
ingresan por medio de la “capa de entrada”, pasan a través de “capa
oculta” y salen por “capa de salida” (ilustración N°.1). Cabe
mencionar que la capa oculta puede estar constituida por varias
capas [ CITATION Rui01 \l 3082 ].
9
Ilustración N⁰ 1.- Ejemplo de una red neuronal totalmente conectada.
14
Tabla Nº 1.- Guía de selección del ACS715.
2.3.3. Sobreconsumo
Después que la red neuronal artificial “entienda” la variación del
consumo de energía eléctrica, considerara a un valor especifico como valor
normal, si el consumo está por arriba, será sobre consumo y si varias días se
consume por debajo, el algoritmo lo considerará como nuevo valor normal.
15
2.4.1. Ahorro energético:
El ahorro energético es la reducción del consumo de energía
disminuyendo el servicio o utilidad proporcionada, sin alterar la
eficiencia energética. Un ejemplo de ahorro energético en el sector
industrial es la utilización de variadores de velocidad en los procesos
productivos. Cuando un equipo es accionado mediante un variador de
velocidad, utiliza menos energía eléctrica que si el equipo fuera
activado a una velocidad constante, ya que no utiliza más energía de la
necesaria. Se puede regular la velocidad en función de las necesidades.
Cintas transportadoras, bombas, calentadores de agua y compresores
son ejemplos de ello [CITATION Cor17 \l 3082 ].
16
Son los datos empleados en el ajuste de los parámetros de la red
neuronal. Han de ser representativos del total de datos, por lo que
normalmente se seleccionan aleatoriamente [CITATION Cor17 \l 3082 ].
17
métodos de trabajo y técnicas de producción que consuman menos
energía [CITATION Tal15 \l 3082 ].
18
variaciones a lo largo del tiempo del uso de la energía, hay que tener
en cuenta no solo la eficiencia, sino otros efectos que influyen en los
consumos como son el clima, los cambios de actividad del sector, etc.
Los indicadores de eficiencia energética se pueden clasificar en
económicos y técnico económicos [CITATION Tal15 \l 3082 ].
20
Utiliza señales binarias, tanto de entrada como de salida de las
neuronas y su modo de entrenamiento es supervisado[ CITATION
Cor17 \l 3082 ].
.
2.5. Hipótesis
2.6. Variables
21
2.6.2. Variables independientes
A. Eficiencia energética (EE): Es el cociente de la reducción (incremento
de eficiencia) del consumo de energía eléctrica entre el consumo de
energía eléctrica sin el apoyo del equipo electrónico que contiene las
redes neuronales artificiales, se mide en '%'.
B. Facilidad de manejo (FM): Es la apreciación del usuario, después de
haber manipulado el equipo electrónico. Se consultará con ayuda de una
tabla de valores que considere las siguientes posibilidades: Muy Fácil,
fácil, medianamente fácil difícil, y muy difícil.
22
Tabla Nº 2.- Definición operativa de variables e indicadores
VARIABLES DEFINICIÓN OPERACIONAL INDICADOR UNIDAD
Nos indica la reducción del El ahorro energético
DEPENDIENTE consumo eléctrico (ver tabla indica reducción del
A.1.
N° 2), es la diferencia entre el consumo pero sin
Ahorro
consumo de energía eléctrica reducir en nada el KWh
energético
'sin' y 'con' el apoyo de las nivel de vida y
(AE):
redes neuronales artificiales, se confort.
mide en kilovatios por hora
Es el cociente de la Indica que se ha
reducción (incremento de reducido los
eficiencia) del consumo de momentos en las
B.1.
energía eléctrica entre el cuales hay consumo
Eficiencia % de
consumo de energía eléctrica de energía eléctrica
energética ahorro
sin el apoyo del equipo sin necesidad, sin
(EE):
INDEPENDIENTES
23
CAPÍTULO III
METODOLOGÍA DE LA INVESTIGACIÓN
24
Sistemas (FIES) de la UNH. El primero el pabellón 'A' en donde se
encuentran la mayoría de oficinas administrativas de la FIES. El segundo
pabellón 'B' en donde están ubicados los laboratorios de cómputo y la
biblioteca de la FIES.
3.4.1. Población
La población de datos estará compuesta por el consumo de energía
eléctrica diaria, durante siete días, en forma separada para el pabellón 'A' y
para el pabellón 'B'. Se tendrá 14 mediciones sin utilizar los algoritmos de
redes neuronales y otros 14 utilizando dicho algoritmo. La población total
de datos e de 28 mediciones de consumo de energía eléctrica.
3.4.2. Muestra
Consiste en dos tipos de muestras del consumo de energía eléctrica
diaria, la primera sin control (MSC) y la segunda muestra con control
(MCC). Los valores de la muestra durante todo el periodo de muestreo del
25
pabellón 'A' son diferentes a la del pabellón 'B'. En la Facultad de
Ingeniería Electrónica – Sistemas (FIES) de la UNH: Las oficinas de
administración y los laboratorios de cómputo, tienen diferentes ritmos de
consumo.
26
07:00 am., la hora de inicio de la luz del día y la temperatura del medio
ambiente; servirán al RNA-RCE para predecir el consumo eléctrico El
incremento súbito de corriente de carga, inicio de la luz del día y la
temperatura del medio ambiente, permitirá al NA-TFE regular el tiempo de
funcionamiento de los equipos eléctricos con una carga notable, que
funcionan periódicamente y por un tiempo corto.
27
CAPÍTULO IV
ASPECTO ADMINISTRATIVOS
Tabla Nº 3.
Cronograma de actividades.
2019 2020
ACTIVIDAD Jun Jul Ag Set Oc No Di En Fe M Ab My Jun Jul A Set
a g
Arqueo bibliográfico X X
Elaboración marco teórico X X X
Elaboración de X X X
Instrumentos
Prueba de los X X X
Instrumentos
Recolección de datos X X X
Procesamiento de datos X X X
Análisis de los datos X X X
Redacción informe X X
borrador
Revisión del borrador X X
Presentación informe final X
4.2. Presupuesto.
Presupuesto de Elaboración de Informe (ver tabla N° 4).
28
Equipos y componentes electrónicos. 1000.00
Energía eléctrica 100.00
Total: 3450.00
4.3. Financiamiento.
El proyecto será autofinanciado por los autores.
29
Referencia bibliográfica
x
1. Vergara G. Metodos de aprendizaje máquina aplicados a la predicción del
consumo eléctrico de edificios. Toledo: 2015.
2. Camana R. Mi Blog Roberto Camaná. [en linea]; 2016. Consultado en:
https://robertocamana.wordpress.com.
3. Santiesteban A, Nápoles J, Rodríguez D, Jaime D. Pronostico de consumo de
energía eléctrica usando redes. TLATEMOANI Revista Académica de
Investigación Universidad Autónoma de San Luís de Potosí. 2014; p. 09.
4. Poma L. Diseño de un sistema inteligente de ahorro de energía eléctrica. Tesis
para optar el Título de Ingeniero Electrónico, que presenta el bachiller. Lima:
Pontificia Universidad Católica del Perú, Facultad de ciencias e ingeniería.;
2017.
5. Correa F. Optimización del consumo y la demanda de energía eléctrica
utilizando redes neuronales artificiales y modelos dinámicos de simulación.
Lima: 2013.
6. Carrillo M, Vite C. Aplicación de una red neuronal para el control domótico de
encendido de luces en una vivienda de la urbanización Santa Angela- Chiclayo
2015. Para optar el título profesional de: Ingeniero en Computación e
Informática. Lambayeque: 2016.
7. Carrion J. Implementación de una red neuronal artificial para la predicción de la
demanda eléctrica a corto plazo. Energía Revista Técnica. 2017; Edición No13:
p. 06.
8. Samuel M, Miguel M. Monitoreo y control de la corriente para optimizar el
consumo de energía eléctrica doméstica en el barrio Pampa Hermosa de la
ciudad de Pampas. Para obtencion del titulo profesional. Huancavelica:
Universidad Nacional de Huancavelica, Escuela Profesional de Ingenieria
Electronica; 2015.
9. Ruiz C, Basualdo M, Matich D. Redes Neuronales: Conceptos Básicos y
Aplicaciones Rosario: Universidad Tecnológica Nacional – Facultad Regional
Rosario; 2001.
10. Ecured. www://ecured.cu/Hardware_libre. [en linea]; 2018 [cited 2018 Enero 15.
11. Asociación Programo Ergo Sum. Curso de introducción a Raspberry Pi con
Raspbian. [En linea]; 2018 [citado el 2018 Octubre 10. Consultado en:
30
www.programoergosum.com.
12. Vicente. G. www.diarioelectronicohoy.com. [en linea]; 2015. Consultado en:
https://www.diarioelectronicohoy.com/blog/sensor-de-corriente-acs712.
13. Cordoba C, Velasco J. Herramientas para la enseñanza de sistemas inteligentes
utilizando plataformas de hardware libre. Cali: 2017.
14. López M. www.unocero.com. [en linea]; 2017 [citado el 2018 Abril 12.
Available from: www.unocero.com.
15. Talla E. Ahorro de energía eléctrica en una industria cervecera como estrategia
de excelencia operativa. Tesis para optar el titulo profesional de Ingeniero
Industrial. Lima: Universidad Nacional Mayor de San Marcos, Facultad de
ingeniería industrial; 2015.
16. Marone J. Microcontroladores de Atmel: Familia AVR. [en linea]; 2018 [citado
el 2018 Enero 12. Consultado en: http://www.exa.unicen.edu.ar.
17. Cuenca L. Aplicación de las redes inteligentes para el aumento de la eficiencia
energética en las redes eléctricas. Revista RIEMAT. 2016 Junio; Volumen 1.
18. Electronics M. www.arduino.cl/arduino-due/. [en linea]; 2018.
x
31
Apéndice
32
A. Matriz de consistencia
OPERACIONALIZACIÓN
TITULO PROBLEMAS OBJETIVOS HIPÓTESIS OPERACIÓN MÉTODO
VARIABLES
DE VARIABLES
A. Problema general A. Objetivo general A. Hipótesis general A. Dependientes
¿Se puede reducir el Implementar un equipo Utilizando redes neuronales A.1. Ahorro
consumo de energía electrónico que ayude artificiales y una plataforma de energético (AE):
eléctrica en la Facultad de reducir el consumo de hardware libre, se reduce el consumo Nos indica la
Ingeniería Electrónica - energía eléctrica en la de energía eléctrica en la FIES de la reducción del
Sistemas (FIES) de la Facultad de Ingeniería UNH, incrementando la eficiencia en consumo eléctrico.
UNH incrementando la Electrónica - Sistemas el consumo de energía eléctrica y de
“RED NEURONAL eficiencia en el consumo (FIES) de la UNH, fácil manejo. B. Independientes
ARTIFICIAL Y de energía eléctrica? incrementando la eficiencia
HARDWARE LIBRE en el consumo de energía B. Hipótesis específicas B.1. Eficiencia
PARA REDUCIR EL B. Problemas eléctrica y de fácil manejo. energética (EE): Es
B.1. Implementando un algoritmo la relación entre el
CONSUMO DE específicos En esta
basado en dos redes neuronales consumo de energía
ENERGÍA B. Objetivos específicos investigación
B.1. ¿Se puede artificiales y una plataforma de eléctrica con y sin red
ELÉCTRICA se utilizó el
incrementar la eficiencia B.1 Implementar un equipo hardware libre para monitorear la neuronal artificial.
INCREMENTANDO AE = f(EE, FM) método
en el consumo de energía electrónico que ayude corriente y el tiempo de
SU EFICIENCIA EN B.2. Facilidad de ensayo-error
eléctrica en la FIES de la reducir eficientemente el funcionamiento de una carga notable,
LA FACULTAD DE manejo (FM): Es la e inductivo-
UNH, monitoreando la consumo de energía se incrementa notablemente la
INGENIERÍA deductivo.
corriente y el tiempo de eléctrica en la FIES eficiencia en el consumo de energía apreciación del
ELECTRÓNICA - usuario, después de
funcionamiento de una monitoreando la corriente y eléctrica en la FIES de la UNH.
SISTEMAS DE LA haberlo manejado.
carga notable? el tiempo de
UNH Y DE FÁCIL
B.2. ¿Se puede funcionamiento de una B.3. Utilizando una plataforma de
MANEJO”
implementar un equipo carga notable. desarrollo basada en hardware libre y
electrónico de fácil B.2. Implementar un una pantalla TFT-LCD se facilita el
manejo para reducir el interface hombre máquina manejo de un equipo electrónico para
consumo de energía en un equipo electrónico reducir el consumo de energía
eléctrica en la FIES de la para reducir el consumo de eléctrica en la FIES de la UNH.
UNH? energía eléctrica en la
FIES.
Tabla Nº 5.- Matriz de consistencia
33
B. Diseño de investigación
El diseño propuesto constará de tres partes: Interface análogo digital que
interactúa los sensores con el algoritmo propuesto, red neuronal artificial para
regular el consumo eléctrico (RNA-RCE) y red neuronal artificial para regular el
tiempo de funcionamiento de cargas notables (RNA-TCN), como se puede ver
en la ilustración N° 6.
34
Tabla Nº 6.- Red neuronal artificial-RCE.
Entradas Salidas
Origen Nivele Hora Minuto Origen Niveles
s s
Consumo Consumo
0 0 0 1
inicial Luminarias
3 bits 5 bits 4 bits 4 bits
Luz diaria 0 1 Consumo
1 0
Temperatura 1 0 Tomacorrientes
Número de bits 14 bits Número de bits 6 bits
35