UNIVERSIDAD NACIONAL DE HUANCAVELICA

(Creada por Ley N° 25265)

FACULTAD DE INGENIERÍA ELECTRÓNICA - SISTEMAS

ESCUELA PROFESIONAL DE INGENIERÍA ELECTRÓNICA

PROYECTO DE TESIS:

“RED NEURONAL ARTIFICIAL Y HARDWARE LIBRE

PARA REDUCIR EL CONSUMO DE ENERGÍA
ELÉCTRICA INCREMENTANDO SU EFICIENCIA EN
LA FACULTAD DE INGENIERÍA ELECTRÓNICA -
SISTEMAS DE LA UNH Y DE FÁCIL MANEJO”

LÍNEA DE INVESTIGACIÓN:
SISTEMA DE AUTOMATIZACIÓN Y CONTROL

PARA OPTAR EL TÍTULO PROFESIONAL DE

INGENIERO ELECTRÓNICO

PRESENTADO POR:
Bch. Cesar Celio PÉREZ GOITIA
Bach. Modesto Edelberto CULLANCO PÉREZ

HUANCAVELICA, JUNIO DEL 2019.

 Índice
Página:

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

1.1.2. Formulación del problema.....................................................................2

1.2. Objetivos: general y específico....................................................................2

1.2.1. Objetivo general....................................................................................2

1.2.2. Objetivos específicos.............................................................................3

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

2.1.2. Optimización del consumo y la demanda de energía eléctrica

utilizando redes neuronales artificiales y modelos dinámicos de

ii
 simulación. tesis para optar por el título profesional de ingeniero
mecatrónico Universidad Nacional de Ingeniería, 2013........................5

2.1.3. Aplicación de una red neuronal para el control domótico de

encendido de luces en una vivienda de la urbanización Santa
Angela- Chiclayo. Para optar el título profesional de: Ingeniero
en Computación e Informática. Universidad Nacional Pedro Ruiz
Gallo, 2016.............................................................................................5

2.1.4. Implementación de una Red Neuronal Artificial para la

predicción de la Demanda Eléctrica a corto plazo. Revista
Técnica Energía del Centro Nacional de Control de Energía de
México, enero 2017................................................................................6

2.1.5. Monitoreo y control de la corriente para optimizar el consumo

de energía eléctrica doméstica en el barrio Pampa Hermosa de la
ciudad de Pampas. Universidad Nacional de Huancavelica, 2015........7

2.2. Bases teóricas sobre el tema de investigación..............................................7

2.2.1. Redes neuronales...................................................................................7

2.2.2. Plataforma de hardware libre...............................................................10

2.2.3. Sensor de corriente ACS715...............................................................12

2.3. Bases conceptuales.....................................................................................15

2.3.1. Consumo eficiente de la energía eléctrica...........................................15

2.3.2. Circuitos eléctricos..............................................................................15

2.3.3. Sobreconsumo.....................................................................................15

2.4. Definición de términos...............................................................................15

2.5. Hipótesis.....................................................................................................20
2.5.1. Hipótesis general.................................................................................20

2.5.2. Hipótesis específicas...........................................................................21

2.6. Variables.....................................................................................................21
2.6.1. Variables dependientes........................................................................21

iii
 2.6.2. Variables independientes.....................................................................21

2.7. Operacionalizacion de las variables...........................................................21

CAPÍTULO III...........................................................23
METODOLOGÍA DE LA INVESTIGACIÓN
3.1. Ámbito temporal y espacial........................................................................23
3.1.1. Ámbito temporal..................................................................................23

3.1.2. Ámbito espacial...................................................................................23

3.2. Tipo de investigación.................................................................................23

3.2. Nivel de investigación................................................................................24
3.4. Población y muestra...................................................................................24
3.4.1. Población.............................................................................................24

3.4.2. Muestra................................................................................................24

3.5. Técnicas e instrumentos de recolección de datos.......................................25

3.6. Técnicas de procesamiento y análisis de datos..........................................25
3.6.1. Procesamiento de datos.......................................................................25

3.6.2. Análisis e interpretación de datos procesados.....................................26

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

Tabla Nº 1.- Guía de selección del ACS715.................................................................14

Tabla Nº 2.- Definición operativa de variables e indicadores..................................22
Tabla Nº 3.- Cronograma de actividades.......................................................................27
Tabla Nº 4.- Presupuesto..................................................................................................27
Tabla Nº 5.- Matriz de consistencia...............................................................................32
Tabla Nº 6.- Red neuronal artificial-RCE.....................................................................34
Tabla Nº 7.- Red neuronal artificial-TCN.....................................................................34

vi
 Titulo

RED NEURONAL ARTIFICIAL Y HARDWARE LIBRE PARA

REDUCIR EL CONSUMO DE ENERGÍA ELÉCTRICA
INCREMENTANDO SU EFICIENCIA EN LA FACULTAD DE
INGENIERÍA ELECTRÓNICA - SISTEMAS DE LA UNH Y DE
FÁCIL MANEJO

vii
 Autores

Bch. Cesar Celio PÉREZ GOITIA

Bach. Modesto Edelberto CULLANCO PÉREZ

viii
 Asesor

M. Sc. Esteban Edgar DE LA CRUZ VILCHEZ

ix
 Introducción

Promover medidas para el uso eficiente de la energía para concordar con

políticas gubernamentales no solo del Perú sino de la mayoría de los países del
mundo. En las instituciones estatales por lo general no se logra la meta de
consumo eficiente, luminarias y equipos de oficina están muchas horas sin dar
servicio pero consumiendo. Se pretende diseñar un algoritmo que utilice una red
neuronal artificial sobre una plataforma de desarrollo Raspberry, para vigilar el
régimen de consumo diario de energía eléctrica de la Facultad de Ingeniería
Electrónica y Sistemas, Todo los sistemas de consumo de energía eléctrica, está
conformado por generalmente por varios circuitos eléctricos, en cada uno de ellos
se instalara un sensor de corriente. Para que el algoritmo monitoree
permanentemente su consumo eléctrico, con la intención de aumentar la eficiencia
del consumo eléctrico.

x
 CAPÍTULO I
PLANTEAMIENTO DEL PROBLEMA

1.1. Descripción y formulación 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 ].

1.1.2. Formulación del problema

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?

1.2. Objetivos: general y específico.

1.2.1. Objetivo general

A.1. Implementar un equipo electrónico que ayude 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 y de fácil manejo.

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

En las horas punta y cuando hay déficit de hidroeléctricas se recurre a

generar energía eléctrica muy cara y contaminante quemando petróleo. Cada
vez se incrementa la dificultad de construir hidroeléctricas por su gran costo
social, incrementa el costo final del consumo eléctrico. Fomentar la eficiencia
en el consumo de energía eléctrica implica que el usuario gaste menos soles.
El diseño de un sistema electrónico, basado en una plataforma de desarrollo
de hardware raspberry Pi B+, software de código abierto Linux Raspbian y
utilizando red neuronal artificial. Aplicando estas tecnologías se podrá facilitar
el diseño de un equipo electrónico de bajo precio que ayude ahorrar el
consumo de energía eléctrica de instituciones públicas de tamaño mediano.

3
 CAPÍTULO II
MARCO TEÓRICO

2.1. Antecedentes

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.
En la actualidad, la demanda del consumo de energía eléctrica se ha
incrementado significativamente. Este fenómeno se ha presentado tanto
en el sector doméstico como en el sector industrial. Por lo que es
necesario, la construcción de nuevas fuentes energéticas para satisfacer
las demandas actuales. Ante este hecho, se plantea establecer planes de
ahorro de energía eléctrica con ayuda de sistemas inteligentes en
instalaciones domésticas para uso racional de la energía eléctrica, como
una alternativa eficaz para no recurrir a nuevas fuentes energéticas.
Incluye diseñar dispositivos que nos permitan medir la potencia
eléctrica consumida. Estos dispositivos se desarrollarán con la ayuda de
un conjunto de sensores de potencia. Se tiene como objetivo el diseño
de un sistema inteligente por medio de algoritmos de aprendizaje por
redes neuronales que permita el uso racional y eficiente de la energía
eléctrica en el sector doméstico, de tal forma que sean capaces de
aprender del horario de la rutina del usuario. También, se incluye el
diseño de una interfaz adecuada con el usuario que permita el ingreso
de datos para su procesamiento y visualización[ CITATION Ali17 \l 3082 ].

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 ].

2.1.3. Aplicación de una red neuronal para el control domótico

de encendido de luces en una vivienda de la urbanización
Santa Angela- Chiclayo. Para optar el título profesional
de: Ingeniero en Computación e Informática.
Universidad Nacional Pedro Ruiz Gallo, 2016.
La red neuronal utilizada es de tres capas: capa de entrada, capa
oculta y capa de salida, los parámetros del diseño han sido obtenidos a
prueba y error, lo que permitió verificar la influencia de la elección
correcta de los pesos iniciales y la tasa de aprendizaje en el resultado
obtenido. El circuito electrónico encargado de controlar el fluido

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 ].

2.1.4. Implementación de una Red Neuronal Artificial para la

predicción de la Demanda Eléctrica a corto plazo. Revista
Técnica Energía del Centro Nacional de Control de
Energía de México, enero 2017.
Por la importancia que tiene la predicción de carga diaria se han
desarrollado diferentes métodos de pronóstico, entre ellos los métodos
basados en inteligencia artificial, en particular redes neuronales. Los
métodos de predicción de carga se pueden dividir dentro de: muy corto,
corto, mediano, y largo plazo. En muy corto plazo el periodo de tiempo
abarca algunos minutos, mientras que a largo plazo el periodo es de
algunos años o décadas. El periodo de interés de este trabajo es a corto
plazo, y va desde unas horas hasta una semana. Para el desarrollo de
esta investigación se utilizó la información de las mediciones de
demanda, medidas por el sistema SCADA de un alimentador de la
ciudad de Loja, cada 15 minutos, con esta información se conformó la
base de datos, para diseñar y crear una red neuronal artificial, para el
pronóstico de demanda de energía a corto plazo haciendo uso de las
herramientas que posee Matlab como la herramienta computacional

6
 “Neural Network” para implementar una red neuronal artificial
[ CITATION Car17 \l 3082 ].

2.1.5. Monitoreo y control de la corriente para optimizar el

consumo de energía eléctrica doméstica en el barrio
Pampa Hermosa de la ciudad de Pampas. Universidad
Nacional de Huancavelica, 2015.
Se realizó un módulo electrónico que mediante el control y
monitoreo de la corriente eléctrica. Mediante una señal de alarma el
equipo electrónico avisaba al usuario una sospecha de sobreconsumo
eléctrico, dependiendo de la hora y el valor de carga eléctrica. Se
consideraron usuarios cuyas instalaciones eléctricas domésticas tienen
implementadas las siguientes redes: Luminarias y la de tomacorriente.
Un módulo basado en un microcontrolador PIC recibe el valor de la
carga eléctrica desde un sensor de corriente de 30 amperios ACS712, se
tomaron datos cada cinco minutos y durante siete días. Se monitorea y
controla amigablemente la corriente eléctrica doméstica para optimizar
el consumo de energía eléctrica en el barrio Pampa Hermosa de la
ciudad de Pampas provincia de Tayacaja. Identifica las principales
sobrecargas de energía eléctrica como la de una plancha, de una terma,
de una refrigeradora, entre otras. El equipo de monitoreo y control
reduce el consumo de energía eléctrica, en cuatro de cinco usuarios la
reducción se incrementa cada día. Se logró que el promedio de la
variación de consumo de energía eléctrica, se reduzca en menos 5,69%,
el equipo de monitoreo y control reduce el consumo de energía
eléctrica, en cuatro de cinco usuarios la reducción se incrementa cada
día [CITATION Sam15 \l 3082 ].

2.2. Bases teóricas sobre el tema de investigación

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.

En la ilustración N°.2 se compara una neurona biológica con una

neurona artificial. En la misma se pueden observar las similitudes entre
ambas (tienen entradas, utilizan pesos y generan salidas).

Ilustración N⁰ 2.- Comparación entre neurona biológica y artificial.

Mientras una neurona es muy pequeña en sí misma, cuando se

combinan cientos, miles o millones de ellas pueden resolver problemas
muy complejos. Por ejemplo el cerebro humano se compone de billones
de tales neuronas.

2.2.2. Plataforma de hardware libre

Cuando se cumple que los dispositivos de hardware cuyas
especificaciones y diagramas esquemáticos son de acceso público es
hardware libre. Siempre recordando que libre no es sinónimo de gratis.
El hardward toma las mismas ideas de software libre para aplicarlas en
su campo, en lo referente a las cuatro libertades: Libertad de uso, de
estudio y modificación, de distribución, y de redistribución de las
versiones modificada. Su objetivo es crear diseños de forma abierta. De
10
manera que todas las personas puedan acceder, como mínimo, a los
planos deconstrucción de los dispositivos [CITATION ecu18 \l 3082 ].
Llevar a la practica el concepto de hardware libre tiene varias
dificultades, la dependencia tecnológica extranjera de los componentes
es una de ellas, al intentar fabricar un diseño se puede encontrar con el
problema de la falta de material. Esto más acentuado en los países
pobres y/o dependientes, con escasa herramientas indispensables para
el desarrollo de las naciones por eso es de vital importancia. Los costos
de producción al utilizar el hardware que un tercero ha diseñado,
primero tiene que fabricarlo, para eso primero tendrán que comprobar
los componentes necesarios, construir el diseño y verificar que se ha
hecho correctamente, elevándose los costos. Las ventajas de hardware
libre es la independencia tecnología que disminuye los y se pueden
reutilizar los diseños. La principal desventaja del hardware libre es que
tienden a ser diseños específicos y únicos, dificultando su
reproducción.
A. Raspberry Pi B+: Es un mini ordenador de pequeñas dimensiones y
precio destinado principalmente al desarrollo de pequeños prototipos
y a estimular la enseñanza de las ciencias de la computación en los
centros educativos. Desarrollado en hardware libre cuenta con
sistemas operativos GNU/Linux como Raspbian aunque podemos
encontrar otros sistemas operativos optimizados para el hardware de
la Raspberry Pi[ CITATION Aso18 \l 3082 ]. Aunque no se indica
expresamente si es hardware libre o con derechos de marca,
disponen de contratos de distribución y venta por lo que se entiende
que es un producto con propiedad registrada pero de uso libre. De
esa forma la Fundación Raspberry Pi mantiene el control de la
plataforma pero permitiendo su uso libre tanto a nivel educativo
como particular. Raspberry Pi utiliza una arquitectura para el
procesador ARM distinta a la que estamos acostumbrados a utilizar
en nuestros ordenadores de sobremesa o portátiles. Esta arquitectura
es de tipo RISC (Reduced Instruction Set Computer) que le permite
11
 ejecutar tareas con un mínimo consumo de energía. Desarrollado en
hardware libre cuenta con sistemas operativos GNU/Linux como
Raspbian aunque podemos encontrar otros sistemas operativos
optimizados. La plataforma de desarrollo Raspberry Pi B+ contiene:
Fuente de alimentación dual reductora (macho) para 3.3V y 1.8V, 4
puertos USB, 40 pines de entradas (input) salidas (output) de
propósitos generales (GPIO), Zócalo de tarjeta microSD y puerto
HDMI (High-Definition Multimedia Interface - interfaz multimedia
de alta definición), como se puede ver en la ilustración N° 3.

Ilustración N⁰ 3.- Raspberry Pi modelo B+ (https://www.raspberrypi.org).

2.2.3. Sensor de corriente ACS715

El Allegro® ACS712 proporciona soluciones económicas y
precisas para detección de CC o CA en el sector industrial, comercial y
sistemas de comunicaciones. El módulo del dispositivo permite una
fácil aplicación por parte del cliente. Las aplicaciones típicas incluyen
control del motor, detección de carga y gestión, fuentes de alimentación
conmutadas, y la protección de fallo por sobre intensidad [CITATION
06015 \l 3082 ].
El dispositivo consta de un circuito preciso, bajo offset, sensor Hall
lineal con una pista de cobre conductor ubicado cerca de la superficie
12
de la matriz. La corriente aplicada que fluye a través de esta pista de
conducción de cobre genera un campo magnético que es detectado por
el IC integrado Hall y convertida en una tensión proporcional. La
exactitud de los dispositivos se optimiza a través de la proximidad de la
señal magnética al transductor Hall. Una tensión precisa, proporcional
es proporcionada por el bajo offset, chopper-estabilizado IC BiCMOS
Hall, que está programado para la exactitud después del encapsulado.
Este sensor es un pequeña placa, que soporta un sensor de corriente
de Allegro, el ACS715 30 A (ilustración N° 4) está basado en el efecto
Hall lineal, que ofrece una baja resistencia (~ 1,2 mΩ) al paso de la
corriente con un aislamiento eléctrico de hasta 2,1 kV RMS, según
indica el fabricante.

Ilustración N⁰ 4.- Sensor de corriente ACS715.

Esta versión acepta una entrada de corriente continua de hasta 30 A

y una salida de tensión analógica proporcional (66 mV/A) que mide
500 mV. Cuando la corriente de entrada es cero. El error de salida
típico es de ± 1,5 %. Opera desde 4,5 V a 5,5 V y está pensado para su
uso en sistemas de 5 V. Este módulo es muy sencillo, como se aprecia
en la imagen de abajo, dispone de tres pines, Vcc, GND y Salida en un
extremo y en el otro, dispone de un conector con dos contactos para
leer la corriente que pretendemos medir. El espesor de la pista de cobre
permite la supervivencia del dispositivo en hasta 5 veces de sobre
corriente. Los terminales de la pista conductora están eléctricamente
13
aislados de los cables de los sensores (pines 5 a 8 en la ilustración. N°
5). Esto permite que el sensor de corriente ACS715 para ser utilizado
en aplicaciones que requieren aislamiento eléctrico sin el uso de
aisladores ópticos u otras técnicas de aislamiento costosas. El esquema
práctico de conexionado es sencillo y fácil de entender. Se trata de
conectar el sensor en serie con la carga que queremos conocer la
corriente de consumo [CITATION 06015 \l 3082 ].

Ilustración N⁰ 5.- Circuito del sensor de corriente ACS715.

Tensión de salida en reposo (Viout (Q)). La salida del sensor

cuando la corriente primaria es cero. Para una tensión de alimentación
unipolar, sigue siendo nominalmente VCC / 2. Por lo tanto, cuando no
hay corriente la tensión de salida es Vcc / 2 = 5 V / 2 = 2.5 V. La
variación en Viout (Q) se puede atribuir a la resolución de la
compensación de tensión de reposo IC Allegro lineal y la deriva
térmica. Parece muy complicado, lo intentaré más sencillo. Cuando no
haya corriente de paso por el sensor, leerá “cero”, pero esto no va a dar
cero en las lecturas. Los puertos analógicos utilizan un conversor A/D
que va de 0 a 1023, donde el 0 = 0 V y el 1023 = 5 V, como el sensor es
bidireccional, cuando el sensor no detecta corriente el voltaje será de
2,5 V = (Vcc / 2) y si tuviera un conversor analogo digital de 10 bits
seria 512. Raspberry Pi no contiene convertidores analogo digital.
La salida del sensor siempre entrega entre 0 y 5 voltios, cuyo valor
de 0 A se corresponde con los 2.5 V en la salida, y por cada amperio la
tensión rn la entrada varía en la salida 185 mA (tabla Nº 1).

14
 Tabla Nº 1.- Guía de selección del ACS715.

Este sensor puede medir tanto CC como CA, si vemos una

sinusoide, el punto más bajo de la señal alterna (0 V) corresponde con
los -5 A, de modo que los 2.5 V de salida corresponden justo a 0 A y
los +5 A con los 5 V.

2.3. Bases conceptuales

2.3.1. Consumo eficiente de la energía eléctrica
Disminuir el consumo de energía eléctrica sin reducir la calidad de vida,
genera un verdadero ahorro.

2.3.2. Circuitos eléctricos

En un usuario final la energía eléctrica se reparte entre varios circuitos
eléctrico internos (por ejemplo circuito de luminarias, circuito de enchufes,
circuito de la terma, etc), a cada uno de ellos se le monitoreara por separado
su consumo.

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.

2.4. Definición de términos

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 ].

2.4.2. Aprendizaje de funciones:

Para realizar un aprendizaje de funciones, en este caso de la
función seno, se hace uso del perceptrón multicapa como aproximador
universal de funciones. En efecto, para cualquier función de R n en R m
siempre es posible diseñar y entrenar un perceptrón multicapa, de tal
manera que realice un ajuste de los datos de dicha función con un grado
de precisión predefinido [CITATION Cor17 \l 3082 ].

2.4.3. Arquitectura abierta:

La batalla de las computadoras se basa en el tipo de procesador que
pueden usar entre los dos competidores AMD e Intel, ahora se
incorpora el procesador ARM. La arquitectura abierta de ARM es
RISC-V, creada por investigadores de la universidad de California de
Berkeley, en el 2010, está abierta para que lo use cualquiera, puede
modificarse para Pc, servidores, teléfonos inteligentes y otros
dispositivos[ CITATION Lóp17 \l 3082 ].

2.4.4. Datos de entrenamiento:

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 ].

2.4.5. Datos de validación.

En la red neuronal se emplean después de cada iteración en el
proceso de entrenamiento, para comprobar si se produce el sobre-
aprendizaje [CITATION Cor17 \l 3082 ].

2.4.6. Datos de test.

En la red neuronal se sólo se emplean una vez finalizado el
entrenamiento [CITATION Cor17 \l 3082 ].

2.4.7. Demanda energética:

La demanda energética es la cantidad de energía, primaria o final,
consumida .En el caso de la energía primaria se compone de la suma de
los consumos de las fuentes primarias (petróleo, carbón, gas natural,
energía nuclear, renovables, entre otras), mientras que en el caso de la
energía final se trata de la suma de las energías consumidas en los
diferentes sectores de la economía (transporte, industria, servicios). La
gestión de la demanda energética es uno de los aspectos fundamentales
de la política energética de un país [CITATION Tal15 \l 3082 ].

2.4.8. Eficiencia energética:

Se entiende por eficiencia energética como aquel conjunto de
actividades encaminadas a reducir el consumo de energía en términos
unitarios, mejorando la utilización de la misma , con el fin de proteger
el medio ambiente , reforzar la seguridad de abastecimiento y crear una
política energética sostenible . Se trata de utilizar la mejor energía. El
objetivo de la eficiencia energética es inducir comportamientos,

17
 métodos de trabajo y técnicas de producción que consuman menos
energía [CITATION Tal15 \l 3082 ].

2.4.9. Entrenamiento de las redes neuronales artificiales:

Una de las principales características de las ANN es su capacidad
de aprendizaje. El entrenamiento de las ANN muestra algunos
paralelismos con el desarrollo intelectual de los seres humanos. No
obstante, aun cuando parece que se ha conseguido entender el proceso
de aprendizaje conviene ser moderado porque el aprendizaje de las
ANN está limitado [CITATION Cor17 \l 3082 ].

2.4.10. Indicadores energéticos:

Los indicadores energéticos son ratios técnico-económicos,
usados a niveles finales de consumo de energía, que relacionan el
consumo de energía con un indicador de actividad físico. Se puede
realizar un análisis de los impactos producidos sobre el sistema
energético por las medidas políticas y las estrategias puestas en
marcha. Esto se hace comparando los valores actuales de la eficiencia
energética con los datos de años anteriores y analizando cuáles son las
tendencias a largo plazo. La eficiencia varía mucho, se debe
principalmente al tipo de tecnología empleada y otros factores, como
la calidad de combustible, las condiciones climatológicas, etc.
[CITATION Tal15 \l 3082 ].

2.4.11. Intensidad Energética:

La intensidad energética es un concepto que permite describir la
relación entre la energía utilizada y el servicio producido. La
intensidad se utiliza para medir y evaluar la eficiencia aunque son
inversamente proporcionales: cuanta menos energía se utiliza para un
servicio, mayor será la eficiencia, por lo que la disminución de la
intensidad energética implica mayor eficiencia. A la hora de medir las

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 ].

2.4.12. Indicadores económicos:

Los indicadores económicos miden la relación entre el consumo
de energía respecto a una variable de actividad económica, como el
Producto Interior Bruto (PIB), valor añadido, etc. y tienen un alto
nivel de agregación. Esto quiere decir, que se utilizan contando la
totalidad de una economía o sector, a ese nivel no es posible presentar
la actividad utilizando indicadores técnicos o físicos [CITATION Tal15 \l
3082 ].

2.4.13. Indicadores técnico-económicos:

Los indicadores técnico-económicos miden la relación existente
entre los consumos energéticos respecto a indicadores de actividad
medidos en términos físicos, como toneladas de acero producido,
kilómetros recorridos, etc. [CITATION Tal15 \l 3082 ].

2.4.14. Índice de eficiencia energética:

El índice de eficiencia energética puede ser definido por una
evaluación de cuatro factores analizados, que determinan la eficiencia
en el uso de energía. Cultura Energética, es el nivel de análisis de
información existente en la organización, la formación interna, la
política en el ámbito de eficiencia energética. Mantenimiento, de los
equipos utilizados, con objeto de alcanzar el óptimo rendimiento
desde el punto de vista de eficiencia energética. Control Energético, es
el nivel de gestión de gasto energético el cual aplica metodologías de
medición de los procesos para evaluación de la eficiencia. Innovación
Tecnológica, es el nivel de actualización de la empresa, los cuales son
19
 medios técnicos aplicados en el proceso productivo, instalaciones o
servicios generales [CITATION Tal15 \l 3082 ].

2.4.15. Microntroladores AVR:

Los AVR son una familia de microcontroladores RISC de Atmel.
La arquitectura de los AVR fue concebida por dos estudiantes en el
Norwegian Institute of Technology, y posteriormente refinada y
desarrollada en Atmel Norway, la empresa subsidiaria de Atmel. El
acrónimo AVR fue reportado como Advanced Virtual RISC. El AVR
fue diseñado desde un comienzo para la ejecución eficiente de código
C compilado. La familia de microcontroladores AVR es muy
numerosa, incluye 71 dispositivos que comparten el núcleo, pero
difieren en recursos [ CITATION Mar18 \l 3082 ].

2.4.16. Redes eléctricas inteligentes (Smart Grids):

Se basa en incorporar a la red eléctrica tradicional dispositivos
electrónicos tales como medidores, sensores o mandos, entre otros,
vinculados a través de distintas tecnologías de comunicación,
logrando la centralización y el uso de la información para provecho de
todos los actores involucrados, optimizando el funcionamiento del
sistema eléctrico. De esta forma, es posible que las empresas de
servicios puedan administrar eficientemente sus activos y que el
usuario final gestione su consumo en forma racional [ CITATION
Cue16 \l 3082 ].

2.4.17. Perceptrón simple:

El Perceptrón Simple, es el primer modelo de red neuronal
artificial, desarrollado por Rosenblatt, 1959. El perceptrón es un
modelo unidireccional, compuesto por dos capas de neuronas, una
sensorial o de entrada y otra de salida. La operación de una red de este
tipo con “n” neuronas de entrada y otra de salida con “m” neuronas.

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

2.5.1. Hipótesis general

A.1. Utilizando redes neuronales artificiales y una plataforma de
hardware libre, se reduce el consumo de energía eléctrica en la
FIES de la UNH, incrementando la eficiencia en el consumo de
energía eléctrica y de fácil manejo.
2.5.2. Hipótesis específicas
B.1. Implementando un algoritmo basado en dos redes neuronales
artificiales y una plataforma de hardware libre para monitorear la
corriente y el tiempo de funcionamiento de una carga notable, se
incrementa notablemente la eficiencia en el consumo de energía
eléctrica en la FIES de la UNH.
B.2. Utilizando una plataforma de desarrollo basada en hardware libre
y una pantalla TFT-LCD se facilita el manejo de un equipo
electrónico para reducir el consumo de energía eléctrica en la
FIES de la UNH.

2.6. Variables

2.6.1. Variables dependientes

Ahorro energético (AE): Nos indica la reducción del consumo eléctrico,
es la diferencia entre el consumo de energía eléctrica 'sin' y 'con' el apoyo
de las redes neuronales artificiales, se mide en kilovatios por hora (kWh).

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.

2.7. Operacionalizacion de las variables

Las variables se muestran en la siguiente tabla N° 2:

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

electrónico que contiene las que alguien se esté

redes neuronales artificiales, se beneficiando.
mide en %..
Es la apreciación del usuario,
después de haber manipulado
Indica que el equipo
el equipo electrónico (ver tabla
en donde corre el
B.2. N° 2). Se consultará a los
algoritmo basado en
Facilidad usuarios con ayuda de una Tabla de
redes neuronales
de manejo tabla de valores que considere valores.
artificiales está
(FM): las siguientes posibilidades:
funcionado
Muy Fácil, fácil,
adecuadamente.
medianamente fácil difícil, y
muy difícil.

23
 CAPÍTULO III
METODOLOGÍA DE LA INVESTIGACIÓN

3.1. Ámbito temporal y espacial

3.1.1. Ámbito temporal

Aunque el concepto de Inteligencia artificial es más o menos
antiguo, actualmente las aplicaciones de la inteligencia artificial cada
vez se masificando más, por lo tanto es bueno familiarizarse con los
diversos modelos matemáticos se denominan inteligencia artificial,
como es las red neuronal artificial.

3.1.2. Ámbito espacial

El presente proyecto se diseña pensando en las situaciones en
donde por ejemplo una luminaria dentro de un ambiente cerrado con
cero usuarios, es decir se está desperdiciando energía eléctrica.
Situación semejante es común en las instituciones públicas. El ámbito
espacial del presente diseño seria las instituciones públicas de servicios
a nivel nacional.

3.2. Tipo de investigación

El tipo de investigación es cuasi experimental debido a que no hay una

elección completamente aleatoria en la selección de los usuarios.
Considerando que logísticamente es muy costoso y dificultoso, investigar
mayor cantidad de participantes. Por esta razón por facilidades logísticas
elegimos a dos pabellones dentro de la Facultad de Ingeniería Electrónica –

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.

3.2. Nivel de investigación

El nivel de la investigación es aplicada, porque busca aplicar

tecnología de la inteligencia artificial (red neuronal artificial) y consolidar
los conocimientos adquiridos en las áreas de: Microcontroladores,
procesamiento digital de señales, circuitos secuenciales, electrónica
analógica, comunicación de datos, electrónica industrial y hardware libre
(plataforma de desarrollo Raspberry Pi modelo B+). De esta manera, es
posible que los usuarios puedan administrar eficientemente el consumo de
energía eléctrica sin sacrificar el confort y el diseño en un periodo
inmediato podría utilizarse masivamente y pueda participar en el
desarrollo de la comunidad.

3.4. Población y muestra

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.

3.5. Técnicas e instrumentos de recolección de datos

El instrumento que se utilizará será un medidor comercial de energía
eléctrica, la recolección de datos será de un dato cada 24 horas, lo más temprano
posible dentro del periodo de mayor estabilidad de consumo de energía. Se
recolectará datos por el consumo de energía eléctrica primero 'sin' y después
'con' el uso del equipo electrónico que contiene los dos algoritmos de redes
neuronales, primero se ingresa los datos 'sin algoritmo' y a continuación 'con
algoritmo'. La pantalla del equipo electrónico en donde se instalará la RNA-RCE
y RNA-TFE; permanentemente estará presentando datos visuales para que el
personal de servicio confirme u buen funcionamiento.

3.6. Técnicas de procesamiento y análisis de datos

3.6.1. Procesamiento de datos

El monitoreo de la corriente debido al consumo de energía eléctrica
será de cada cinco minutos. La red neuronal artificial para regular el
consumo eléctrico (RNA-RCE) y la red neuronal artificial para regular el
tiempo de funcionamiento de los equipos (RNA-TFE), evaluaran el
consumo de la energía eléctrica cada cinco minutos, aprendiendo
constantemente el promedio de los últimos datos de consumos de corriente
y considerando un margen de error. El equipo electrónico informará al
personal de servicio sobre el consumo de energía eléctrica, indicando si en
ese momento hay tres situaciones: Sobreconsumo, consumo normal o
subconsumo. Cuando hay un evento de sobreconsumo, si el valor
sobrepasa un valor máximo, el equipo electrónico cortara el acceso a la
energía eléctrica. El promedio de consumo desde las 05:00 am hasta las

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.

3.6.2. Análisis e interpretación de datos procesados

Para confirmar el correcto funcionamiento del equipo electrónico
analizaremos la correlación entre el consumo de energía eléctrica 'sin
algoritmo RNA' y 'con algoritmo RNA'. Analizaremos la reducción del
consumo de la carga eléctrica diaria durante una semana, si hay una
permanencia en dicha reducción o se está desvaneciendo. El equipo
electrónico presentará en forma visual en su propia pantalla, al personal de
servicio una serie de datos, también evaluaremos si el apoyo del personal
de servicio se reduce en cada día adicional.

27
 CAPÍTULO IV
ASPECTO ADMINISTRATIVOS

4.1. Cronograma de actividades

El cronograma de actividades se puede ver en la tabla N° 3.

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).

Tabla Nº 4.- Presupuesto.

Bienes Detalles Costo (S/.)
Impresiones 50.00
Servicios personales 500.00
Bienes de
Pasajes 200.00
Servicios
Comunicaciones 50.00
Copias 200.00
Bienes Internet 100.00
Materiales Materiales de escritorio 250.00
Alquiler de PC 500.00
Alquiler de equipos 500.00

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.

Ilustración N⁰ 6.- Diseño propuesto.

La RNA-RCE y RNA-TFE, tendrán una capa oculta entre la capa de entrada

y de salida (ilustración N° 7). La función de activación a la salida de una neurona
será la función sigmoidea.

Ilustración N⁰ 7.- Red neuronal artificial.

La red neuronal artificial para regular el consumo eléctrico (RNA-RCE),

tendrá 14 bits de entrada y 6 bits de salida (tabla Nº 6). El 'consumo inicial' se
refiere al promedio del consumo de energía eléctrica, desde las 05:00 hasta las
07:00am horas.

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

El número de datos de la red neuronal artificial para regular el tiempo de

funcionamiento de las cargas notables (RNA-TCN), tendrá 8 bits de entrada
(capa de entrada) y 8 bits de salida (capa de salida) (tabla Nº 7).

Tabla Nº 7.- Red neuronal artificial-TCN.

Entradas Salidas
Origen Niveles Origen Tiempo
Incremento de Terma 0 0 0
0 0
consumo Refrigeradora 0 0 1
6 bits 5 bits
Luz diaria 0 1 Licuadora 0 1 0
Temperatura 1 0 Otro 0 1 1
Número de bits 8 bits Número de bits 8 bits

35