Universidad Técnica de Manabí Instituto de Posgrado

UNIVERSIDAD TÉCNICA DE MANABÍ
INSTITUTO DE POSGRADO
TEMA
ESTUDIO DE CRITERIOS DE INTELIGENCIA ARTIFICIAL PARA LA
APLICACIÓN DE UNA RED ELÉCTRICA INTELIGENTE
AUTOR:
RAÚL ANDRÉS GARCÍA TALLEDO
TRABAJO DE TITULACIÓN DE POSGRADO PREVIA A LA
OBTENCIÓN DEL
TÍTULO DE MAGISTER DE INVESTIGACION DE LA MAESTRÍA

ACADÉMICA CON TRAYECTORIA DE INVESTIGACIÓN EN ELECTRICIDAD,
MENCIÓN
SISTEMAS ELÉCTRICOS DE POTENCIA
TUTOR:
MG. LENIN CUENCA ÁLAVA
2022
I
INSTITUTO DE POSGRADO
MAESTRÍA EN EFICIENCIA ENERGÉTICA
ESTUDIO DE CRITERIOS DE INTELIGENCIA ARTIFICIAL

PARA LA APLICACIÓN DE UNA RED ELÉCTRICA INTELIGENTE
EN LA UNIVERSIDAD TÉCNICA DE MANABÍ
Trabajo de Titulación presentado por: Ing. Raúl Andrés García Talledo

Titulación: Magíster en Eficiencia Energética
Director/a: Ing. Lenin Cuenca Álava. Mg
Ciudad: Portoviejo, Manabí, Ecuador

noviembre 2022
Firmado por: Ing. Raúl Andrés García Talledo
I
DEDICATORIA
Dedico este trabajo de titulación con mucho orgullo y cariño en primer lugar a Dios por
darme la salud y la fuerza necesaria para no desfallecer en mis caídas y siempre encontrar
un motivo para salir adelante y seguir luchando por alcanzar mis metas. A mi padre García
Mendoza Raúl Oswaldo, a mi madre Talledo Bermúdez July Karina, a mis hermanos: Boris
Javier García Talledo y Nataly Melina García Talledo y a mi novia Ivonne Monserrate Gilces
Ampuero con su ayuda y motivación pude lograr culminar mis estudios de maestría con
éxito.
A todos lo que me han acompañado en estos últimos años de superación y esfuerzos.
Gracias eternamente.
Raúl Andrés García Talledo
II
AGRADECIMIENTO
En primer lugar, a DIOS por siempre estar a mi lado y por derramar sobre mí su bendición.
A mis padres, por todo su sacrificio y apoyo para que hoy pudiera ser el hombre y profesional
que soy, todo se lo debo a ellos.
A mis hermanos por forjarme un compromiso que jamás podré romper como un
nombramiento y que me obliga a superarme a mí mismo.
A mi novia por darme ese apoyo incondicional en los momentos difíciles y siempre estar ahí
cuando más la necesite.
A mi familia, que de una forma u otra también han formado parte y contribuyeron a mi
formación.
A mi tutor por ayudarme siempre con sus valiosas sugerencias y recomendaciones.
A mis profesores y personas que desde la dirección de la universidad hicieron posible la

proeza de enseñarme y formar en mí el temple.
¡Gracias eterna a todos!
Raúl Andrés García Talledo
III
CERTIFICACIÓN DEL TUTOR DE TRABAJO DE TITULACIÓN
Ing. Lenin Cuenca Álava, Mg, docente-investigador de la Carrera de Electricidad, de la

Facultad de Ciencias Matemáticas, Físicas y Químicas de la Universidad Técnica de Manabí.
CERTIFICO:
Que el presente trabajo de titulación del Programa de Maestría de Investigación en

Electricidad, titulado “ESTUDIO DE CRITERIOS DE INTELIGENCIA ARTIFICIAL
PARA LA APLICACIÓN DE UNA RED ELÉCTRICA INTELIGENTE EN LA
UNIVERSIDAD TÉCNICA DE MANABÍ.”, ha sido elaborado por el Ing. Raúl Andrés
García Talledo, bajo mi dirección y asesoramiento, habiendo cumplido con las disposiciones
establecidas en la normativa del instituto de Posgrado de la Universidad Técnica de Manabí.
Portoviejo, junio del 2022
Atentamente,
Firmado electrónicamente por:

LENIN AGUSTIN
CUENCA ALAVA
Ing. Lenin Cuenca Álava, Mg
IV
DECLARACIÓN SOBRE DERECHOS DE AUTOR
Quien suscribe, Ing. Raúl Andrés García Talledo, declaro que el presente trabajo de
investigación estuvo enmarcado en la revisión bibliográfica que se describe en el marco
teórico, por lo tanto, declaro que los criterios, el análisis, recomendaciones y conclusiones
pertenecen a mi autoría
Firmado electrónicamente por:
RAUL ANDRES
GARCIA
TALLEDO
Ing. Raúl Andrés García Talledo
V
APROBACIÓN DEL TRIBUNAL DE DEFENSA PÚBLICA.
Los miembros del tribunal de Defensa Pública designados por el honorable Consejo
Académico de Posgrado, dan por aprobado el Trabajo de Titulación “ESTUDIO DE
CRITERIOS DE INTELIGENCIA ARTIFICIAL PARA LA APLICACIÓN DE UNA RED
ELÉCTRICA INTELIGENTE EN LA UNIVERSIDAD TÉCNICA DE MANABÍ.”.
Tribunal 1 Tribunal 1 Tribunal 1
VI
TABLA DE CONTENIDO
DEDICATORIA ................................................................................................................. II
AGRADECIMIENTO ...................................................................................................... III
CERTIFICACIÓN DEL TUTOR DE TRABAJO DE TITULACIÓN ........................ IV
DECLARACIÓN SOBRE DERECHOS DE AUTOR .................................................... V
APROBACIÓN DEL TRIBUNAL DE DEFENSA PÚBLICA. .................................... VI
RESUMEN ......................................................................................................................XIII
ABSTRACT .................................................................................................................... XIV
INTRODUCCIÓN ............................................................................................................... 1
SITUACIÓN PROBLEMÁTICA DE LA INVESTIGACIÓN .................................... 2
JUSTIFICACIÓN DEL PROBLEMA CIENTÍFICO ................................................. 3
FORMULACIÓN DEL PROBLEMA CIENTÍFICO .................................................. 4
OBJETIVOS..................................................................................................................... 4
HIPÓTESIS ...................................................................................................................... 4
OPERACIONALIZACION DE LA VARIABLES ...................................................... 4
RESULTADOS ESPERADOS ....................................................................................... 5
APORTE Y VALOR DE LA INVESTIGACIÓN ........................................................ 5
1. MARCO TEÓRICO ........................................................................................................ 6
1.1. EVOLUCIÓN DEL SISTEMA ELÉCTRICO....................................................... 6
1.1.1. EVOLUCIÓN DEL SECTOR ELÉCTRICO ECUATORIANO .................. 6
1.2. SITUACIÓN ENERGÉTICA .................................................................................. 7
1.2.1. EL SISTEMA ELÉCTRICO ECUATORIANO ............................................. 7
1.2.2. PROBLEMÁTICA DEL SISTEMA ELÉCTRICO ACTUAL ...................... 8
1.2.3. RELATO HISTÓRICO DEL SISTEMA DE GENERACIÓN
DISTRIBUIDA ............................................................................................................. 9
1.2.3.1. GENERACIÓN DISTRIBUIDA ................................................................ 9
1.2.3.2. ASPECTOS GENERALES DEL SISTEMA DE GENERACIÓN
DISTRIBUIDA ....................................................................................................... 10
1.3. ENERGÍAS RENOVABLES ................................................................................. 11
1.3.1. POTENCIAL SOLAR EN EL ECUADOR ................................................... 12
1.3.2. POTENCIAL SOLAR – PORTOVIEJO ....................................................... 13
1.3.1. MARCO REGULATORIO ECUATORIANO ............................................. 14
1.3.2. FUNDAMENTOS DE LA ENERGÍA FOTOVOLTAICA .......................... 14
VII
1.3.2.1. COMPONENTES DE LOS SISTEMAS FOTOVOLTAICOS:
MÓDULOS FOTOVOLTAICOS ......................................................................... 15
1.3.2.2. ALMACENAMIENTO DE LA ENERGÍA ............................................ 16
1.3.2.3. REGULADOR DE CARGA ..................................................................... 16
1.3.2.4. CABLEADO ELÉCTRICO ..................................................................... 17
1.4. . REDES ELÉCTRICAS INTELIGENTES ......................................................... 17
1.4.1. TECNOLOGÍA UTILIZADA EN LAS REDES INTELIGENTES ............ 18
1.5. INTELIGENCIA ARTIFICIAL ........................................................................... 18
1.5.1. REDES NEURONALES .................................................................................. 19
1.5.1.1. INICIO DE LAS REDES NEURONALES ............................................. 19
1.5.1.2. ELEMENTOS BÁSICOS DE LAS REDES NEURONALES ............... 21
1.5.1.3. CAPAS DE LA NEURONA ARTIFICIAL ............................................ 22
1.5.1.4. LOS PESOS SINÁPTICOS ...................................................................... 23
1.5.1.5. REGLA DE PROPAGACIÓN ................................................................. 23
1.5.1.6. FUNCIONES DE ACTIVACIÓN ............................................................ 24
1.5.1.7. TIPOS DE NEURONAS ARTIFICIALES ............................................. 24
1.5.1.8. APRENDIZAJE DE LAS NEURONAS .................................................. 25
1.5.2. LÓGICA DIFUSA ............................................................................................ 30
1.5.2.1. FUNDAMENTOS DEL CONTROL BASADO EN LÓGICA DIFUSA
.................................................................................................................................. 31
1.5.2.2. CONTROL DIFUSO ................................................................................. 32
1.5.2.3. OPERACIONES EN CONJUNTOS DIFUSOS ..................................... 34
1.5.2.4. PROPIEDADES DE LOS CONJUNTOS DIFUSOS ............................. 35
1.5.2.5. INFERENCIA DIFUSA ............................................................................ 35
1.5.3. RAZONAMIENTO BASADO EN CASOS ................................................... 36
1.5.3.1. REPRESENTACIONES DE LOS CASOS ............................................. 37
1.5.4. ALGORITMOS GENÉTICOS ....................................................................... 37
1.5.4.1. TERMINOLOGÍA Y ANALOGÍAS PLANTEADAS ........................... 39
1.5.4.2. ESTRUCTURA DE UN ALGORITMO GENÉTICO ........................... 41
1.5.4.3. PROGRAMACIÓN GENÉTICA ............................................................ 43
1.6. CUADRO COMPARATIVO DE REVISIÓN BIBLIOGRÁFICA SOBRES
LAS TECNICAS DE INTELIGENCIA ARTIFICIAL ............................................. 45
2. MARCO METODOLÓGICO ...................................................................................... 46
2.1. PARAMETROS ELECTRICOS ........................................................................... 46
2.1.1. POTENCIA QUE SE PRESENTA EN LA FCMFQ .................................... 47
VIII
2.1.1.1. DESCRIPCIÓN DEL SISTEMA ELÉCTRICO DE LA FACULTAD 48
2.1.1.2. DEFINICIÓN DE LAS MUESTRAS INICIALES DEL ESTUDIO .... 50
2.1.1.3. ANÁLISIS DE LAS MEDICIONES ........................................................ 52
2.1.1.4. CÁLCULO DEL CONSUMO DE POTENCIA. .................................... 52
2.1.1.5. CÁLCULOS DEL CONSUMO DE POTENCIA DE LOS SISTEMAS
DE ILUMINACIÓN ............................................................................................... 52
2.1.1.6. REGISTO DE CARGA DE SISTEMAS DE ILUMINACION ............. 53
2.1.1.7. CÁLCULOS DEL CONSUMO DE POTENCIA DE AIRES
ACONDICIONADOS ............................................................................................ 55
2.1.1.8. REGISTRO DE CONSUMO DE AIRES ACONDICIONADOS ......... 56
2.1.1.9. CÁLCULOS DEL CONSUMO EN TOMA CORRIENTES ................ 58
2.1.1.10. REGISTRO DE CONSUMO DE TOMACORRIENTES ................... 58
2.1.1.11. CONSUMO POR HORA DE LA FCMFQ ........................................... 60
2.1.1.12. CONSUMO MENSUAL DE LA FCMFQ ............................................ 61
2.1.2. CARACTERISTICAS DE LA CENTRAL FOTOVOLTAICA .................. 61
2.1.2.1. RADIACIÓN SOLAR DIARIA EN LA CIUDAD DE PORTOVIEJO 62
2.1.3. ANALISIS DE FACTOR DE POTENCIA .................................................... 63
2.1.4. SISTEMA DE ALMACENAMIENTO DE ENERGIA(BATERIAS) ......... 65
2.1.5. TRANSFORMADO QUE SUMINISTRA DE ENERGIA LA FCMFQ .... 66
2.1.6. GENERADOR DIESEL .................................................................................. 67
2.1.7. ANALISIS DE LOS PARAMETROS ............................................................ 68
2.2. ESTRUCTURA RNA PROPUESTA .................................................................... 68
2.3. VARIABLES ........................................................................................................... 69
2.3.1. ENTRADAS DE LA RNA ............................................................................... 69
2.3.2. SALIDAS DE LA RNA .................................................................................... 73
2.4. ENTRENAMIENTO DE LA RNA ....................................................................... 73
2.4.1. MÉTODO DE RETROPROPAGACIÓN DE GRADIENTE CONJUGADO
...................................................................................................................................... 74
2.4.2. TRASMICION DE LOS DATOS DE ENTRADA ........................................ 74
2.4.3. APRENDISAJE TIPO SUPERVISADO ....................................................... 75
2.4.4. RESULTADOS DEL ENTRENAMIENTO DE LA RED ............................ 75
2.4.1. FLUJOGRAMA DEL COMPORTAMIENTO DE RNA ............................ 81
3. RESULTADOS Y DISCUSIÓN ................................................................................... 83
3.1. RESULTADOS ....................................................................................................... 83
3.1.1. ANÁLISIS DE ESTUDIO ............................................................................... 83
IX
3.1.2. RESULTADOS DEL ENTRENAMIENTO .................................................. 84
3.1.2.1. RESULTADO DEL ENTRENAMIENTO DE LA RED CON LOS
DIFERENTES VALORES DE NEURONAS ...................................................... 85
3.1.3. ANÁLISIS DE RESULTADOS ...................................................................... 99
CONCLUSIONES ............................................................................................................. 99
RECOMENDACIONES ................................................................................................. 100
REFERENCIAS BIBLIOGRÁFICAS .......................................................................... 101
ANEXOS .......................................................................................................................... 111
X
ÍNDICES DE FIGURA
Figura 1 Mapa solar del Ecuador con fines de generación eléctrica 13

Figura 2 Potencia Solar, Portoviejo 14
Figura 3 Componentes principales de una neurona 21
Figura 4 Capas de una red neuronal 22
Figura 5 Funciones de activación más utilizadas 24
Figura 6 Características del conjunto de aprendizaje de una red neuronal artificial 25
Figura 7 Tipos de aprendizaje de una red neuronal artificial 26
Figura 8 Aprendizaje por corrección de error 27
Figura 9 Aprendizaje por refuerzo 28
Figura 10 Aprendizaje estocástico 29
Figura 11 Aprendizaje no-supervisado 30
Figura 12 Sistema de lógica difusa 33
Figura 13 Estructura genética 39
Figura 14 Analogías en los algoritmos genéticos 41
Figura 15 Esquema general de un algoritmo genético 42
Figura 16 Ejemplo de una regla lógica representada en forma de árbol 44
Figura 17 Analizador de redes modelo PQ-Box 150 47
Figura 18 Diagrama Unifilar 49
Figura 19 Paneles fotovoltaicos instalados en la azotea de la FCMFQ 62
Figura 20. Diagrama de factor de potencia (WinPQ Mobil). 64
Figura 21 Estructura de la RNA 69
Figura 22 Resultado del entrenamiento 76
Figura 23 Mean Squared Error (mse) vs número de iteracione 77
Figura 24 Val fail, Mu y Gradient vs iteraciones 78
Figura 25 Curva característica operativa del receptor (ROC) 79
Figura 26 Histograma del error de la RN 80
Figura 27 Matrices de confusión 81
Figura 28 Flujograma para la toma de decisión 82
Figura 29 Entrenamiento 10 neuronas Mean Squared Error (mse) vs número de iteracione 85
Figure 30 Entrenamiento con 10 neuronas matrices de confusión 86
Figura 31 Entrenamiento con 10 neuronas curva característica operativa del receptor
Figura 34 Entrenamiento con 15 neuronas curva característica operativa del receptor 89
XI
ÍNDICES DE TABLA
Tabla 1 Cronología de la evolución de las redes neuronales artificiales 20

Tabla 2 Principios de las redes neuronales artificiales 23
Tabla 3 Los conjuntos difusos 35
Tabla 4 Registro de cargas eléctricas del edificio según fichas técnicas de los equipos 50
Tabla 5. Sistema de iluminación Consumo de un día laborable 53
Tabla 6 Distribución del Consumo por piso del sistema de iluminación 55
Tabla 7 Sistema de aires acondicionados consumo de potencia de un día laborable 56
Tabla 8 Distribución del Consumo por piso de los aires acondicionados 57
Tabla 9 Consumo en los Toma Corriente de un día laborable 58
Tabla 10 Distribución del Consumo por piso de los Toma Corriente 60
Tabla 11. Consumo por horas de la FCMFQ 60
Tabla 12 Distribución del Consumo actual de la FCMFQ 61
Tabla 13. Radiación solar diaria de Portoviejo 63
Tabla 14 Factor de Potencia por fase medidas 64
Tabla 15. Características del transformador de distribución 66
Tabla 16. Características del generador diésel 68
Tabla 17 Rango de los valores de los parámetros 70
Tabla 18 Valores de entrada de la red 72
Tabla 19 Parámetros de salida de la red 73
Tabla 20 Ventana de comandos Matlab 10 neuronas 87
Tabla 23 Ventana de comandos Matlab 25 neuronas neuronas 94
Tabla 25 Errores obtenidos 98
XII
RESUMEN
Las redes eléctricas inteligentes han avanzado progresivamente con el paso del
tiempo, ya que cuentan con inteligencia asociada a dispositivos, que en su gran mayoría
poseen automatización, integración y coordinación. Actualmente existe un mayor tamaño de
red debido a la gran cantidad de datos que se deben procesar e interpretar, ya que bajo diversas
circunstancias el operador no posee experiencia sobre todos los posibles estados que demanda
del sistema (debido a su constante variación), lo cual representa una de las mayores
debilidades para la aplicación en los sistemas de red eléctrica y un aumento en los costos de
mantenimiento. La metodología se basó primeramente en conocer la carga y el consumo de
energía que genera la facultad de Matemática, Física y Química de la Universidad Técnica de
Manabí, utilizando el analizador de RED Modelo PQ-Box 150, que es un equipo de medición
y registro de consumo de energía. Mediante revisión bibliográfica se determinó la mejor
técnica para ser aplicada, siendo esta la red neuronal (RNA), la cual garantiza un tiempo de
aprendizaje corto debido a su gran flexibilidad. De la misma forma se utilizó la aplicación
“The Neural Net Pattern Recognition” (Las redes de reconocimiento de patrones), los cuales
se entrenaron para clasificar las entradas según sus clases, ayudando a seleccionar datos y
dividirlos en conjuntos de entrenamiento. Seguidamente para las variables de entrada de la
red se usaron los parámetros de consumo de la demanda energética: radiación solar, el factor
de potencia, la conexión a la red pública, generador diésel y las baterías. Finalmente se ejecutó
el procesamiento de los datos mediante el software Matlab R2017b, con el cual se hizo el
entrenamiento de la red con diferentes números de neuronas en la capa oculta, donde se usaron
valores de 10,15,20,25 y 30 para lograr obtener el error más bajo. Al efectuarse el
entrenamiento de la red con diferentes números de neuronas en la capa oculta 10,15,20,25 y
30, se realizó la comparación entre los diferentes entrenamientos de la red con los valores de
las neuronas, optando por escoger 30 neuronas, obteniendo el error de más bajo (0),
generando el valor de salida deseado, en comparación con otras neuronas cuyo valor de error
fue elevado para la predicción. En conclusión, la utilización de una red eléctrica inteligente
con la implementación de la técnica de RNA es beneficiosa, ya que, si se implementa una red
eléctrica inteligente a lo largo del campus de la UTM, se va a poder obtener una eficiencia
energética más rentable.
Palabras claves: Red neuronal, Matlab R2017b, Variables de entrada, Consumo

energético, The Neural Net Pattern Recognition.
XIII
ABSTRACT
Smart electrical networks have progressively advanced over time, since they have
intelligence associated with devices, the vast majority of which have automation, integration
and coordination. Currently there is a larger network size due to the large amount of data
that must be processed and interpreted, since under various circumstances the operator does
not have experience on all the possible states that the system demands (due to its constant
variation), which represents one of the greatest weaknesses for the application in electrical
network systems and an increase in maintenance costs. The methodology was based
primarily on knowing the load and energy consumption generated by the Faculty of
Mathematics, Physics and Chemistry of the Technical University of Manabí, using the RED
Model PQ-Box 150 analyzer, which is a measurement and recording equipment. of energy
consumption. Through bibliographic review, the best technique to be applied was
determined, this being the neural network (ANN), which guarantees a short learning time
due to its great flexibility. In the same way, the application "The Neural Net Pattern
Recognition" was used, which were trained to classify the inputs according to their classes,
helping to select data and divide them into training sets. Next, for the input variables of the
network, the consumption parameters of the energy demand were used: solar radiation,
power factor, connection to the public network, diesel generator and batteries. Finally, the
data processing was carried out using the Matlab R2017b software, with which the network
was trained with different numbers of neurons in the hidden layer, where values of
10,15,20,25 and 30 were used to achieve get the lowest error. When the training of the
network was carried out with different numbers of neurons in the hidden layer 10,15,20,25
and 30, the comparison between the different trainings of the network with the values of the
neurons was made, choosing to choose 30 neurons, obtaining the lowest error (0), generating
the desired output value, compared to other neurons whose error value was high for the
prediction. In conclusion, the use of an intelligent electrical network with the implementation
of the ANN technique is beneficial, since, if an intelligent electrical network is implemented
throughout the UTM campus, it will be possible to obtain more profitable energy efficiency.
Keywords: neural network, Matlab R2017b, input variables, energy consumption,

The Neural Net Pattern Recognitio
XIV
INTRODUCCIÓN
El trabajo presente aborda el estudio de criterios de inteligencia artificial para la

aplicación de una red eléctrica inteligente, el interés de este trabajo es debido a que el
suministro de la energía eléctrica en la Universidad Técnica de Manabí proviene de las
centrales de generación centralizada, la cual genera muchos gastos económicos, así como
impactos ambientales y caídas de tensión, al estar conectado al sistema centralizado, la
Universidad Técnica de Manabí tiene muchas pérdidas técnicas, generando en ocasiones
apagones por diversos defectos en la red de distribución externa e interna. Estos desperfectos
limitan las actividades educativas y administrativas que se realizarán diariamente en la
Universidad, hay que sumarle que la Institución aún cuenta con equipos, estructuras y líneas
de cierta antigüedad que ya han sobrepasado su tiempo útil de vida. Algunos de estos equipos
están trabajando de una manera sobredimensionada, ocasionando problemas de inestabilidad
y calidad de la energía eléctrica. La Universidad no cuenta con un presupuesto delegado para
la contratación de personal experto en el área de mantenimiento, situación que agrava el
correcto funcionamiento y desempeño de los mismos y, en consecuencia, se revierte en un
gasto excesivo para la institución educativa. Debido a la gran cantidad de perdidas tanto
económicas como técnicas es necesario que la Universidad Técnica de Manabí asuma el
control del consumo energético con criterios mucho más técnicos, que le permita utilizarla
de una manera más eficiente, en el marco de este proyecto se estudiaron las diversas técnicas
de inteligencia artificial aplicadas al trabajo de una red eléctrica inteligente, para el
mejoramiento energético de la Facultad de Ciencias Matemáticas, Físicas y Químicas en la
Universidad Técnica de Manabí que se presenta como una solución a la problemática del
incremento de la demanda, así como la reducción en las pérdidas por transporte de energía.
A través de la revisación bibliográfica y de cuadros comparativos de las técnicas de
inteligencia artificial se determinó que una de las mejores técnicas que se puede aplicar para
el estudio en sistemas eléctricos es la red neuronal, ya que estas RNA contemplan una
topología estructurada que es muy sencilla, lo cual garantiza un tiempo de aprendizaje corto,
ya que posee una gran flexibilidad para atender los diferentes requerimientos de los sistemas
eléctricos en general, se implementaron cuatro criterios para realizar el caso de estudio como
son: Conocer los parámetros eléctricos que presenta la facultad, establecer las variables de
entradas y salida de la red, entrenamiento de la red inteligente mediante el software Matlab,
1
analizar los resultados obtenidos con el entrenamiento. Se pretende con esta tecnología el
aprovechamiento de la energía, las implementaciones de esta nueva tecnología presentan una
solución para el aprovechamiento de la energía. Sin embargo, la implementación de esta
tecnología en nuestro medio es una tarea a largo plazo ya que no se cuenta con los equipos
adecuados para su implementación. Considerando la situación actual de dicha tecnología la
Universidad Técnica de Manabí, ha venido incursionando en pequeños proyectos, que se
trata de encaminar a lograr el aprovechamiento de la energía solar en el modo de generación
distribuida e introducir la tecnología relacionada o asociadas.
SITUACIÓN PROBLEMÁTICA DE LA INVESTIGACIÓN
Es indiscutible que la integración de la tecnología más eficiente como son las fuentes
renovables de energía ha logrado modificar importante mente la utilización de la electricidad,
actualmente no solo utilizan o consumen energía los usuarios, sino que ahora cuentan con la
probabilidad de dar energía eléctrica por medio de redes capaces donde la energía fluye de
manera bidireccional.
Las redes de transporte de energía eléctrica en alta tensión ya cuentan con sistemas
inteligentes vinculada a dispositivos a partir de años atrás. El análisis de técnicas de IA
(inteligencia artificial) se ha caracterizado por su eficiente trabajo en la red eléctrica
inteligente. (Frolov et al. 2021), en la actualidad existe un más grande tamaño de información
en la red gracias a la enorme proporción de datos que se tienen que procesar e interpretar, a
lo que bajo distintas situaciones el operador no tiene vivencia sobre todos los probables de
estados de demanda del sistema (debido a su constante variación), lo que representa una de
las más grandes debilidades para la aplicación en los sistemas de red eléctrica y un
crecimiento en los precios de mantenimiento, realizando primordial un cambio en el término
de la operación en tiempo real.(Valbuena 2021)
El suministro de la energía eléctrica en la Universidad Técnica de Manabí proviene

de las centrales de generación centralizada, la cual genera muchos gastos económicos, así
como impactos ambientales y caídas de tensión, esto obviamente no es beneficioso para la
Institución. Además, al estar conectado al sistema centralizado, la Universidad Técnica de
Manabí tiene muchas pérdidas técnicas, generando en ocasiones apagones por diversos
defectos en la red de distribución externa e interna. Estos desperfectos limitan las actividades
educativas y administrativas que se realizarán diariamente en la Universidad. A esto hay que
sumar el hecho de que la Institución aún cuenta con equipos, estructuras y líneas de cierta
2
antigüedad que ya han sobrepasado su tiempo útil de vida. Algunos de estos equipos están
trabajando de una manera sobredimensionada, ocasionando problemas de inestabilidad y
calidad de la energía eléctrica. La Universidad no cuenta con un presupuesto delegado para
la contratación de personal experto en el área de mantenimiento, situación que agrava el
correcto funcionamiento y desempeño de los mismos y, en consecuencia, se revierte en un
gasto excesivo para la institución educativa.
Todo sistema eléctrico de potencia sea de bajo, medio o elevado voltaje está inducido
a variaciones propias del sistema como caídas de voltaje y pérdidas técnicas de transporte de
energía, debidas a su topología. Las redes que se proyectan en un futuro requieren de un salto
cualitativo en lo estructural y funcional lo cual les permita reducir en gran cantidad las
pérdidas, favorecer a la conservación de los recursos naturales, propiciar la protección
ambiental y responder a los requerimientos que son cada vez más exigentes de un servicio
eléctrico de alta calidad y excelencia.
JUSTIFICACIÓN DEL PROBLEMA CIENTÍFICO
Debido a la gran cantidad de perdidas tanto económicas como técnicas es necesario

que la Universidad Técnica de Manabí asuma el control del consumo energético con criterios
mucho más técnicos, que le permita utilizarla de una manera más eficiente. En el marco de
este proyecto se estudiarán las diversas técnicas de inteligencia artificial aplicadas al trabajo
de una red eléctrica inteligente, para el mejoramiento energético de la Facultad de Ciencias
Matemáticas, Físicas y Químicas en la Universidad Técnica de Manabí. Este ensayo
contribuye un aporte para estudios sobre redes inteligente, inteligencia artificial, sistemas
aislados, energía renovable, entre otras temáticas.(Smarandache y Leyva-Vázquez 2018).
Estos conocimientos serán importantes para el entendimiento y operacionalización del
sistema, que es reconocido a nivel mundial por su eficiencia y funcionalidad.(Dick 2019).
El estudio integral de estas técnicas nos permitirá comprender los niveles de generación
eléctrica, que será la base para emprender en programas de eficiencia energética renovable
y mejoramiento de los sistemas convencionales.(Helm et al. 2020).
Las implementaciones de esta nueva tecnología presentan una solución a la

problemática del incremento de la demanda, así como la reducción en las pérdidas por
transporte de energía, sin embargo, el uso de esta tecnología en nuestro medio es una tarea
a largo plazo. Considerando la situación actual de dicha tecnología la Universidad Técnica
de Manabí, ha venido incursionando en pequeños proyectos, que se trata de encaminar a
3
lograr el aprovechamiento de la energía solar en el modo de generación distribuida e
introducir la tecnología relacionada o asociadas.
FORMULACIÓN DEL PROBLEMA CIENTÍFICO
¿Qué técnica de inteligencia artificial es más viable para aplicar al trabajo de una red
eléctrica inteligente en un sistema fotovoltaico en la Facultad de Ciencias Matemáticas,
Físicas y Químicas de la Universidad Técnica de Manabí para la eficiencia energética?
OBJETIVOS
OBJETIVO GENERAL
Analizar los criterios de inteligencia artificial para la aplicación de una red eléctrica
inteligente en la Facultad de ciencias Matemáticas, Físicas y Químicas de la Universidad
Técnica de Manabí.
OBJETIVOS ESPECÍFICOS
 Analizar mediante revisión bibliográfica las técnicas de inteligencia artificial

más utilizadas en las redes eléctricas inteligentes.
 Establecer la mejor técnica de aplicación de inteligencia artificial para una
red eléctrica inteligente efecto de estudio.
 Establecer los criterios para el entrenamiento de la técnica de inteligencia
artificial seleccionada en este estudio.
HIPÓTESIS
La investigación dirigida al estudio de técnicas de inteligencia artificial va a generar

conocimientos significativos en el trabajo de un sistema de red eléctrica inteligente para la
gestión energética de la Facultad de Ciencias Matemáticas, Físicas y Químicas en la
Universidad Técnica de Manabí.
OPERACIONALIZACION DE LA VARIABLES
Variable dependiente: Técnicas de inteligencia artificial
Definición conceptual: Las técnicas de inteligencia artificial son capaces de encontrar

correlaciones entre datos diversos y que han mostrado ser útiles en la determinación de
parámetros y simulación de sistemas de generación de energía eléctrica a través de fuentes
renovables de energía. (Cortés, Sánchez,y Flores 2020).
4
Definición operacional: Se realizó una revisión bibliográfica para determinar la mejor
técnica que se puede aplicar para el estudio de la inteligencia artificial en sistemas eléctricos.
Variable independiente: Gestión energética
Definición conceptual: Gestión Energética recoge el conjunto de acciones necesarias para

perfeccionar esta relación. Trata de optimizar el uso de la energía manteniendo las mismas
prestaciones o servicios, esto es, haciendo más eficiente su consumo. (Butt,Zulqarnain, y
Butt 2021)
Definición operacional: Se realizaron tablas de observación y de consumo para darnos
cuenta de la problemática de energía que hay en la UTM especial mente en la Facultad de
Ciencias Matemáticas, Físicas y Químicas
RESULTADOS ESPERADOS
Mediante este estudio investigativo se espera genera un aporte sobre la utilización de

las técnicas de inteligencia artificial aplicadas al trabajo de redes eléctricas inteligentes para
la gestión energética de la Facultad de Ciencias Matemáticas, Físicas y Químicas en la
Universidad Técnica de Manabí.
APORTE Y VALOR DE LA INVESTIGACIÓN
Esta investigación busca generar un aporte al conocimiento de las técnicas de

inteligencias artificial y su aplicación a trabajos de redes inteligentes, estableciendo una
metodología que servirá de guía para futuras instalaciones, ya que actualmente el consumo
de energía eléctrica se ha convertido en un factor de impacto económico dentro de la
sociedad, por lo cual su implementación va a incursionar en el aprovechamiento de energía
sustentable.
5
CAPÍTULO I
1. MARCO TEÓRICO
1.1. EVOLUCIÓN DEL SISTEMA ELÉCTRICO
El Sistema Eléctrico ha tenido cambios limitados en su estructura y funcionamiento,

el gestor de la primera evolución del Sistema Eléctrico es Thomas A. Edison al crear una
primitiva red eléctrica de corriente continua en 1881 y una central de generación en 1882,
esta etapa se caracteriza por desplazar el uso de corriente continua por corriente alterna,
tecnología concebida por Nikola Tesla y George Westinghouse. La visión principal es que
la generación no tiene que estar cercana al consumo sino a la fuente primaria de energía, el
uso de la corriente alterna supera las limitaciones de la transmisión de energía. La actual
infraestructura eléctrica es inadecuada ya que no se diseñó para cubrir las necesidades de la
sociedad digital, razón por la cual es ineludible una tercera evolución del sistema eléctrico
que se caracterice por crear una infraestructura más fuerte y estable, vital para sustentar la
sociedad digital; dando paso a la aparición y desarrollo de las Redes Inteligentes.(Petersen
Lozano 2020).
1.1.1. EVOLUCIÓN DEL SECTOR ELÉCTRICO ECUATORIANO
Actualmente el parque generador produce energía eléctrica de fuentes de energía

renovables (generación hidráulica, solar, eólica y térmica de cogeneración) y fuentes de
energías no renovable (generación térmica de MCI, Turbo-gas y Turbo-vapor). En el período
1999-2005 la tasa de crecimiento de la potencia efectiva de fuentes renovales fue casi nula
y desde el 2006 al 2011 solo creció a 4,6%, mientras que las fuentes no renovables, sobre
todo las térmicas de MCI a partir del 2005 al 2011, aumento en un 16,4% y las térmicas
Turbo-gas en los años 2008-2009 a un 16%. Debido a la falta de inversión en cuanto a
generación, la necesidad de cubrir la demanda eléctrica en los últimos años conllevó a
requerir de la participación de importaciones de energía eléctrica desde Colombia y Perú.
Por otra parte, la demanda eléctrica en el período 1999-2011 la tasa de crecimiento

fue de 5,8%, de los más de 15200 GWh de energía eléctrica entregados a clientes finales
registrados en el 2011, el 35,1% fueron dirigidos al sector residencial, el 19,4% al comercial,
el 31,5% al industrial, el 5,8% a alumbrado público y el 8,3% a otros.(Verdezoto, Vidoza, y
Gallo 2019).
6
1.2. SITUACIÓN ENERGÉTICA
La situación energética actual a escala mundial ha comenzado a presentar los

síntomas de crisis, encabezados por los elevados precios del barril de petróleo y las actuales
contiendas bélicas en el Medio Oriente por el dominio de los yacimientos, por lo tanto, se
debe enfocar la mirada hacia el aprovechamiento de la energía limpia e inagotable.(Butt,
Zulqarnain, y Butt 2021). El sistema eléctrico existente fue diseñado y construido en una
época durante la cual la energía eléctrica era realmente barata por lo que se priorizo su
expansión, a pesar de ellos en la actualidad el mundo se aproxima cada vez más rápido a una
transición donde predomina conceptos innovadores como; la eficiencia energética, el uso de
las fuentes de energía renovable con bajas emisiones contaminantes, la generación
distribuida y un rol más participativo del consumidor en la determinación de sus niveles de
consumo.(Calderon Quispe 2019).
1.2.1. EL SISTEMA ELÉCTRICO ECUATORIANO
En el Ecuador, al igual que en la mayoría de países, se dispone de un sistema de

generación centralizada; cuya conformación es el resultado de la evolución histórica que se
ha suscitado en su propio medio y en este tipo de sistemas a nivel mundial, de acuerdo a los
aspectos y características generales de operación y funcionamiento de un sistema de
generación centralizado, la producción de electricidad dentro del sector eléctrico nacional,
consiste también en un proceso que consta de cuatro etapas: Generación-Transmisión-
Distribución-Consumo.
 PARQUE GENERADOR NACIONAL:

La principal fuente primaria disponible para generación eléctrica en el
Ecuador es la hídrica; por tanto, el sistema eléctrico nacional es abastecido en mayor
parte, con centrales hidroeléctricas, de hecho, Paute-Molino representa la planta
eléctrica más grande del país, con una potencia de 1075 MW. Es así que para el año
2009, esta central hidroeléctrica aportó con 4737,89 GWh, que corresponde al
52,42% del total de energía; por otra parte, se cuenta con el aporte de 650 MW de
potencia nominal en cuanto a las interconexiones eléctricas con Colombia y Perú en
el mismo año.
7
 SITUACIÓN ACTUAL DEL SISTEMA NACIONAL DE
TRANSMISIÓN:
El Sistema Nacional de Transmisión se encuentra conformado, en su parte
básica, por un anillo a 230 kV con líneas de doble circuito que unen las subestaciones
de: Paute, Milagro, Pascuales (Guayaquil), Quevedo, Santo Domingo, Santa Rosa
(Quito), Totoras (Ambato) y Riobamba. Vincula fundamentalmente el principal
centro de generación del país (Paute), con los dos grandes centros de consumo:
Guayaquil y Quito, además, se dispone de una línea adicional de 230 kV, doble
circuito, entre: Paute, Pascuales y Trinitaria (Guayaquil) la misma que, junto con el
anillo principal, permiten evacuar sin restricciones, excepto por los niveles de
voltajes, la generación disponible de la central hidroeléctrica Paute. Adicionalmente
las líneas de transmisión Pomasqui-Frontera con Colombia a 230 kV, que en lado
colombiano llega a la subestación Jamondino en Pasto, interconectando el S.N.I. con
el sistema eléctrico colombiano; en enero de 2005 quedó terminada y disponible la
línea de 230 kV Machala, Frontera Ecuador-Perú y el tramo Frontera - Subestación
Zorritos en Perú.
 DISTRIBUCIÓN:
Las empresas eléctricas distribuidoras del Sector Eléctrico Ecuatoriano,
tienen como función principal suministrar energía a los clientes dentro de su área de
concesión, para lo cual deben proveerse de la energía ya sea por medio de la compra
en el Mercado Eléctrico Mayorista (4) (utilizando las subestaciones y líneas de
transmisión y subtransmisión de CELEC-TRANSELECTRIC), o por
aprovisionamiento con generación propia (en especial en los sistemas de distribución
que no están conectados al SNT).(Chumo, Vélez, y Mera 2018).
1.2.2. PROBLEMÁTICA DEL SISTEMA ELÉCTRICO ACTUAL
El Sistema Eléctrico desde su origen cumple funciones básicas y tradicionales

(generación, transmisión y distribución), en consecuencia, a ello es necesario que brinde
mayores servicios al consumidor adaptándose al constante incremento de la demanda y al
considerable aumento de las energías renovables. En los últimos años los problemas y
necesidades de las redes eléctricas han ido creciendo provocados en su gran mayoría por la
antigüedad de la infraestructura e improductividad económica hasta la necesidad de integrar
energías renovables y el vehículo eléctrico; entre los principales problemas se encuentran;
8
se producen picos de demanda en horas específicas que obligan a la utilización de centrales
de generación costosas que cubran la necesidad de energía, lo cual incrementa el costo de la
electricidad, el monitoreo de la red es insuficiente, las empresas detectan fallas y apagones
cuando los usuarios los reportan; siendo necesario el desplazamiento físico de los empleados
para determinar con exactitud los componentes dañados y la gravedad del problema y las
fallas que no son detectadas puede provocar daños en cascada debido a la congestión y
sobrecarga que se produce.(León-Trigo et al. 2019).
1.2.3. RELATO HISTÓRICO DEL SISTEMA DE GENERACIÓN

DISTRIBUIDA
La generación distribuida no es un concepto nuevo, originalmente toda la energía fue

producida y consumida. Por ejemplo, una chimenea, una vela, la estufa de leña, son todas
formas "distribuidas" de energía a pequeña escala, situadas en la demanda, históricamente
la energía era proporcionada por el vapor y por la corriente de los ríos o cascadas; hasta el
momento en que la electricidad fue introducida como una alternativa comercial, desde su
concepción como industria, la electricidad ha mantenido una continua competencia con el
gas, a mediados del siglo XIX, la iluminación mediante arco eléctrico reemplazó a las menos
costosas pero volátiles lámparas de gas, las mismas que eran abastecidas con gas de la zona,
de hecho, se podría considerar a la producción de gas, como el primer sistema centralizado
de la industria de la energía, producido inicialmente en la cercanía de los usuarios y más
tarde a partir de gasificadores de gran tamaño.(Willis y Scott 2018).
1.2.3.1. GENERACIÓN DISTRIBUIDA
La Generación Distribuida (GD) o Generación Dispersa es posible gracias a la

utilización de pequeñas fuentes de generación que aprovechan las energías renovables para
producir electricidad en los sitios de consumo, En los años setenta por factores energéticos
(crisis petrolera), ecológicos (cambio climático) y el crecimiento de la demanda a nivel
mundial se planteó la necesidad de alternativas tecnológicas para asegurar el suministro
oportuno, la calidad de la energía eléctrica, el ahorro y el uso eficiente de los recursos
naturales sin emitir gases contaminantes.(Luna et al. 2019).
El incremento de la Generación Distribuida se debe a la existencia de nuevas

tecnologías que permiten generar electricidad en forma eficiente, confiable y de calidad;
hecho posible gracias a la utilización de Redes eléctricas Inteligentes cuyos componentes
9
permiten la fácil adaptación de la GD al sistema. El uso de los sistemas de Generación
Distribuida varía de acuerdo a la potencia del sistema de generación (cientos de kW hasta
decenas de MW), sus principales usos son: electrificación rural, servicios municipales,
autoabastecimiento y soporte a la red. Tipos de Sistemas de Generación Distribuida tenemos:
Sistemas Conectados a la Red, consisten en sistemas de generación con conexión a la red de
distribución eléctrica en forma eventual o permanente y Sistemas Aislados de la Red se
utilizan para generar energía eléctrica y autoabastecer sitios remotos y aislados que no
pueden conectarse a la red pública por situaciones geográficas o falta de capacidad. Pueden
ser plantas de generación individuales o comunitarias con grandes sistemas de
almacenamiento de energía para cubrir las horas de poca producción energética.(Correa y
Henao 2020).
1.2.3.2. ASPECTOS GENERALES DEL SISTEMA DE GENERACIÓN

DISTRIBUIDA
Una confluencia de aspectos técnicos, económicos, tecnológicos, medioambientales,

entre otros; que de cierta forma se encuentran interactuando entre sí, pueden dar origen al
resurgimiento de un viejo concepto en la industria eléctrica, la generación distribuida, dichos
aspectos juegan un papel importante en la innovación de los actuales sistemas eléctricos de
potencia, motivo por el cual se especifican a continuación.
ASPECTOS ECONÓMICOS: El problema de los sistemas centralizados no radica

únicamente en producir suficiente electricidad, sino también en transportarla y distribuirla,
el sistema de transmisión y distribución por lo general representa a la vez, un costo
significativo en el capital inicial, así como en la continuación de los costos de operación, las
debilidades de los sistemas locales de transmisión y distribución apuntan a la necesidad de
gastar también en readecuaciones o mantenimiento de sus redes y equipos, de esta forma, el
valor potencial de los pequeños generadores distribuidos, radicaría en producir parte de la
electricidad dentro del sistema local, ahorrando la inversión o readecuación de las redes de
transporte, y a su vez reduciendo las cargas en los equipos de distribución.
ASPECTOS TÉCNICOS: El esquema de un sistema de generación distribuida

puede presentarse en dos modalidades: con sistemas conectados a la red eléctrica donde la
electricidad se encuentra ya disponible, o mediante sistemas aislados en sitios remotos,
donde aún no hay el acceso al servicio convencional. Servir a una comunidad con pequeñas
unidades de GD localizadas en cada patio del hogar, o en cualquier edificación pública o
10
privada; ya no es una simple idealización sino una realidad, las innovaciones en electrónica,
tecnologías de información y dispositivos de almacenamiento, hacen más fácil la conexión
a la red de los pequeños sistemas (o les permite seguir desconectados); mientras mejora la
capacidad de la red, para ajustarse a los picos de demanda y a las fluctuaciones del sistema.
ASPECTOS TECNOLÓGICOS: Hace algún tiempo, los fabricantes han venido

introduciendo en el mercado varios nuevos sistemas de generadores a escalas inimaginables
en anteriores épocas, en los años ochenta, la tendencia hacia grandes centrales se invirtió, al
entrar en el mercado las pequeñas turbinas de gas producidas en serie, el tamaño medio de
las nuevas centrales en Estados Unidos cayó de 600 megavatios hacia 1985, a 100
megavatios en 1992 y sólo 21 a megavatios en 1998.
ASPECTOS AMBIENTALES: Globalmente, la generación de electricidad es la

principal fuente de emisiones de carbono, representando más de un tercio del total. En la
primera década del presente siglo, se estimó que el 62 % de la electricidad mundial proviene
de los combustibles fósiles y el 38 % del carbón, que pueden quemarse de forma rentable en
grandes centrales térmicas, aunque muchas de estas plantas han tratado de reducir sus
emisiones con costosos equipos, todavía vierten a la atmósfera grandes cantidades de gases
contaminantes, la combinación de una eficiencia alta, superior al 90 % frente al 30 % de los
actuales sistemas y el uso de combustibles más limpios, permite a la GD reducir las cargas
ambientales del actual sistema de producción de electricidad.(Quishpe Gaibor y Prado
Gaibor 2019).
1.3. ENERGÍAS RENOVABLES
El costo de la generación eléctrica a través de energías basadas en combustibles

fósiles cada vez aumenta, a más de ello es impostergable la necesidad de reducir los niveles
de contaminación que producen; por tal motivo las energías renovables cobran importancia
y se masifica su utilización dentro del sistema energético mundial, facilitando así la
autogeneración del consumidor o generación distribuida, el empleo de fuentes energéticas
renovables es un indicador del grado de desarrollo de una nación.(Játiva Sierra y Quishpe
Gaibor 2019). La energía renovable es la tecnología que exclusivamente depende de una
fuente de energía que se regenera naturalmente durante un tiempo corto y se deriva
directamente e indirectamente del sol, o del agua u otros elementos naturales y mecanismos
del ambiente.(Gellings 2020).
11
La constante lucha contra la contaminación ambiental hace buscar nuevas vías para
cuidar nuestro entorno y hacerlo más sostenible, un paso importantísimo es el uso de las
energías renovables o alternativas a las energías tradicionales, las energías renovables como
generan energía a través de fuentes naturales se pueden encontrar en cualquier sitio del
mundo; con lo cual, las personas en cualquier parte pueden generar su propia energía y ser
autosuficiente.(Ganiyu y Martinez-Huitle 2020).
1.3.1. POTENCIAL SOLAR EN EL ECUADOR
El Ecuador a través del ex Consejo Nacional de Electricidad – CONELEC desarrolló

el Atlas solar con fines de generación eléctrica, los datos presentados en la Figura 1
representan la energía solar global promedio de los valores diarios de insolación total (directa
y difusa), expresados en Wh/m2/día, en la misma se puede observar las zonas con mayor
insolación en el país, y, por tanto, con mayor potencial para generación fotovoltaica como
el caso de las provincias de Loja, Imbabura y Carchi. El valor medio aproximado de la
radiación solar global en el Ecuador es de 4.575 Wh/m2/día.
El potencial solar estimado con fines de generación eléctrica en el país es de 312

GW equivalente a 456 TWh por año o 283 MBEP (millones de barriles equivalentes de
petróleo) por año, este valor equivale aproximadamente a quince (15) veces el potencial
hidroeléctrico técnico y económicamente aprovechable del país. A pesar de disponer el
Ecuador de un alto potencial energético, el desarrollo de la energía solar fotovoltaica es aún
incipiente, de manera particular en micro generación distribuida; para septiembre de 2017,
el ARCONEL informa que la capacidad efectiva en este tipo de energía fue de 25,6 MW lo
que representó el 0,34% de la capacidad total del país, habiendo producido 35,3 GWh/año
equivalente al 0,15% de la producción total de energía. .(Muñoz-Vizhñay, Rojas-Moncayo,
y Barreto-Calle 2018).
12
Figura 1
Mapa solar del Ecuador con fines de generación eléctrica
Nota. Esta grafica presenta el mapa solar del ecuador que muestra que es un país donde hay gran
afluencia de radiación del sol según.(Muñoz-Vizhñay et al. 2018).
1.3.2. POTENCIAL SOLAR – PORTOVIEJO
La provincia de Manabí se encuentra ubicada en el territorio costero del Ecuador,

posee uno de los niveles más elevados de la radiación solar incidente en relación con el resto
del país.(Vázquez et al. 2018). Para el análisis realizado se tomó como referencia el cantón
Portoviejo En este cantón la radiación solar presenta una variación relativa, en la Figura 2
podemos ver en color rojo la parte donde su potencia solar es más elevada (Zona 1), las
líneas de color morado representan las líneas de media tensión donde se puede determinar
los lugares donde existe deficiencia energética.
13
Figura 2
Potencia Solar, Portoviejo
POTENCIA SOLAR ANUAL 4.88
POTENCIA SOLAR ANUAL 4.82

Nota. Este grafico presenta el mapa solar de la ciudad de Portoviejo, que posee 2 zonas, la roja
con más potencia solar que la zona de color amarillo con un 4.82 según.(Vázquez et al. 2018).
1.3.1. MARCO REGULATORIO ECUATORIANO
En el caso ecuatoriano, la Ley Orgánica de Servicio Público de Energía Eléctrica no

especifica con claridad los aspectos, para que pequeños emprendimientos fotovoltaicos
(personas naturales), conectados a las redes de distribución (baja tensión), puedan producir
energía para el consumo propio y los excedentes para la comercialización a través de la red
eléctrica. En este ámbito se determina la necesidad de contemplar en la ley, reglamentos,
regulaciones, etc., la implementación de la generación distribuida con tecnologías
renovables no convencionales especialmente la solar fotovoltaica para el sector residencial
o doméstico por el alto potencial energético determinado por los niveles de insolación,
otorgando diferentes tipos de incentivos. Las empresas eléctricas de distribución con base
en la nueva normativa deberán facilitar la participación de la generación distribuida y llevar
a cabo actividades de validación para asegurarse que no se produzcan restricciones en la red
eléctrica y su verificación ex post.(Suaterna Fandiño s. f.).
1.3.2. FUNDAMENTOS DE LA ENERGÍA FOTOVOLTAICA
Cuando en un dispositivo se observa una diferencia de voltaje debido a la absorción

de la luz solar, se dice que se está llevando a cabo el Efecto Fotovoltaico (FV), bajo estas
14
condiciones, si se le conecta una carga, se producirá una corriente eléctrica que será capaz
de realizar un trabajo en ella. La corriente producida es proporcional al flujo luminoso
recibido en el dispositivo, a la unidad mínima en donde se lleva a cabo el efecto fotovoltaico
se le llama celda solar, en una celda solar el efecto fotovoltaico se presenta como la
generación de voltaje en sus terminales cuando está bajo iluminación, si a las terminales de
la celda solar se le conecta un aparato eléctrico, por ejemplo, una lámpara, entonces ésta se
encenderá debido a la corriente eléctrica que circulará a través de ella, esto representa la
evidencia física del efecto fotovoltaico.(Cayllahua Quispe 2019).
Las células solares están constituidas por materiales semiconductores,

principalmente silicio, y son elementos que transforman directamente parte de la energía
solar que reciben en energía eléctrica, con eficiencias de hasta el 17%. Los electrones de
valencia del material semiconductor de la célula, que están ligados débilmente al núcleo de
sus átomos, son arrancados por la energía de los fotones de la radiación solar que inciden
sobre ella.(Hernández-Callejo, Gallardo-Saavedra, y Alonso-Gómez 2019).
Respecto a los tipos de instalaciones de placas fotovoltaicas, existen dos tipos:

conectadas a la red eléctrica (SFCR), como se pude deducir por su nombre, inyectan
directamente a la red la electricidad generada y esta puede ser vendida a las compañías de
distribución eléctrica. Por otra parte, están los sistemas fotovoltaicos autónomos (SFA), que
al contrario de los anteriores, no necesitan de una conexión con una red eléctrica, y su
funcionamiento es independiente o autónomo de dicha red proporcionan electricidad en
lugares alejados o para autoconsumo en pequeñas instalaciones o viviendas, estos sistemas
tienen la necesidad de usar baterías para almacenar la energía captada por el panel solar y
disponer así de energía de forma continua.(Torres et al. 2021).
1.3.2.1. COMPONENTES DE LOS SISTEMAS FOTOVOLTAICOS:

MÓDULOS FOTOVOLTAICOS
Los encargados de transformar la energía solar en energía eléctrica son los módulos
formados por celdas fotovoltaicas como se puede apreciar en la Figura 11, estas últimas,
poseen potencias eléctricas típicas de 1.5 W (0.5 V, 3A).(Hervias Segovia 2019). La
característica principal de un módulo fotovoltaico es la eficiencia en la conversión de energía
que está determinada por el tipo de material y tecnología utilizada en su fabricación,
actualmente el mayor desarrollo se ha llevado a cabo en las células que utilizan el silicio
15
como semiconductor debido a su bajo costo, de este desarrollo se obtienen tres tipos
diferentes de módulos fotovoltaicos actualmente en el mercado.
1.3.2.2. ALMACENAMIENTO DE LA ENERGÍA
En un sistema fotovoltaico la parte de acumulación de energía consta de dos

componentes, las baterías y el regulador de carga de las mismas, el regulador de carga es un
dispositivo que evita la sobrecarga y descarga total de las baterías desconectándolas cuando
llegan a un punto de control, busca el punto de mayor eficiencia de los paneles fotovoltaicos,
provee el régimen de carga más apropiado de acuerdo al tipo de batería.(Cunduri, Segarra,
y Cabezas 2020).
Por su parte la batería es la encargada de acumular la energía mientras ésta no sea

utilizada, la disponibilidad de luz para producir la electricidad raras veces coincide con el
tiempo cuando lo necesitamos y su uso se hace imprescindible. Las baterías representan gran
parte de la inversión, pero tienen frecuentemente la vida más corta de toda la instalación,
todas las baterías funcionan bien al inicio, las diferencias se muestran en su expectativa de
vida, hay baterías que pueden durar más de 20 años y otras, bajo las mismas condiciones,
duran menos que dos.(Gordillo, Acosta, y Meneses 2021).
Las características propias para las baterías son:
 Máxima Profundidad de Descarga: es el nivel máximo de descarga

que se le permite a la batería antes de la desconexión del regulador, para aumentar la
vida útil de la misma.
 Días de Autonomía: es el número de días consecutivos que, en
ausencia de sol, el sistema de acumulación es capaz de atender el consumo, sin
sobrepasar la profundidad máxima de descarga de la batería.
1.3.2.3. REGULADOR DE CARGA
La función de un regulador de carga en un sistema fotovoltaico es el de proteger

contra sobrecargas y descargas excesivas a las baterías existentes en el sistema por medio de
la comparación entre la tensión de las baterías con una tensión de referencia, cada batería
tiene una capacidad óptima de almacenamiento de energía, es decir un límite máximo al cual
puede ser cargada para evitar una sobrecarga y un límite mínimo al cual puede ser descargada
para evitar una descarga excesiva; si la batería no se protege adecuadamente contra estos dos
factores la vida útil de esta puede disminuir drásticamente. De este modo, un regulador de
16
carga se encarga de controlar la alimentación de corriente a la bomba, haciendo que ésta sea
segura cuando, por ejemplo, los paneles solares están recibiendo mucha radiación solar
evitando que se produzcan cargas excesivas por picos de corriente.(Peñarrubia Montero
2019).
1.3.2.4. CABLEADO ELÉCTRICO
Los sistemas fotovoltaicos, como toda instalación que queda permanente al aire libre,
deben estar diseñadas para resistir las duras inclemencias meteorológicas (temperaturas
ambientales extremas, radiación solar ultravioleta, humedad, resistencia a los impactos) que
condicionan la calidad de los materiales empleados, de este modo, para el uso específico en
instalaciones fotovoltaicas, se recomienda emplear cables del tipo PV ZZ-F, que están
especialmente concebidos para aplicaciones fotovoltaicas.(Sandoval-Ruiz 2020).
1.4. . REDES ELÉCTRICAS INTELIGENTES
Las Redes Eléctricas Inteligentes aparecen con la intención de optimizar el control

del consumo energético y mejorar los sistemas de monitorización de la red, en 1980 aparecen
los primeros medidores automáticos que se utilizaban para monitorear el consumo de
millones de clientes, este hecho sirvió de base para que en 1990 se cree una infraestructura
avanzada que era capaz de determinar la cantidad de energía que se utilizaba en diferentes
momentos del día. La definición de la Red Eléctrica Inteligente se basa en múltiples criterios
todavía no unificados; sin embargo, de manera general se puede definir a las Smart Grids
como una amplia gama de soluciones que optimizan el uso eficiente de la energía eléctrica,
es decir que Smart Grids es la evolución de la red eléctrica.(Kabalci y Kabalci 2019).
Una de las tecnologías que se está utilizando son las redes inteligentes también
conocidas como Smart Grid (SG), surgieron como una respuesta a la necesidad de
modernizar la red eléctrica, articulando los procesos de control y monitoreo con tecnologías
renovables, también conocidas como no contaminantes o ecológicas. Las redes inteligentes
son autónomas y mejoran la eficacia y eficiencia en la gestión de energía eléctrica,
permitiendo que las empresas de servicios públicos optimicen la infraestructura existente,
minimizando la construcción de más plantas de energía.(Gómez, Hernández, y Rivas 2018).
Las ventajas de la utilización de estas redes son diversas en la que los beneficiarios
serán los consumidores y la energía renovable, estas redes están diseñadas para reducir las
pérdidas en transporte y distribución, mejorar la integración de las energías renovables. Se
17
produce un crecimiento de la seguridad y fiabilidad, este beneficio está directamente
relacionado con el incremento de la onda eléctrica.(Gellings 2020)..
1.4.1. TECNOLOGÍA UTILIZADA EN LAS REDES INTELIGENTES
las Smart Grids constituyen un complejo sistema que utiliza muchas tecnologías
estrechamente ligadas para dotar de inteligencia a la red, las áreas tecnológicas
fundamentales en las Smart Grids son: sistemas de comunicaciones, sensores y medición,
componentes con tecnología de punta, métodos avanzados de supervisión y control,
mejoramiento de interfaces y la utilización de software sofisticado.(Rendón et al. 2019).
1.5. INTELIGENCIA ARTIFICIAL
Actualmente se están utilizando técnicas de inteligencia artificial a la aplicación de

estas redes, las cuales son capaces de encontrar correlaciones entre datos diversos y que han
mostrado ser útiles en la determinación de parámetros y simulación de sistemas de
generación de energía eléctrica a través de fuentes renovables de energía.(Cortés, Sánchez,
y Flores 2020).
Bajo diversas circunstancias que se genera en la actualidad en los sistemas eléctricos

el operador no posee experiencia sobre todos los posibles estados de demanda (debido a su
constante variación), lo cual representa una de las mayores debilidades para la aplicación de
las técnicas en los sistemas de red eléctrica y un aumento en los costos de
mantenimiento.(Zuluaga Cajiao 2019).
La aplicación de estas técnicas de inteligencia artificial a las redes eléctricas

inteligentes nos ofrece nuevos servicios como monitorización inteligente, control y
comunicación para facilitar la conexión y operación de generadores, proveer a los
consumidores de mayor información, opciones de abastecimiento y ofrecer un
abastecimiento energético más seguro y confiable.(Rahmanifard y Plaksina 2019).
Si se aplican técnicas de inteligencia artificial a la gestión de la información de una

red eléctrica inteligente aislada, con fuentes renovables de energía, se podrá incrementar la
eficiencia y la confiabilidad del servicio eléctrico.(Yigitcanlar et al. 2020). La generación se
realiza en diferentes puntos a la vez, con una generación cercana al consumidor disminuye
en gran medida las pérdidas por transmisión, abaratando el costo del KWH.(Calvas Sàenz y
Quishpe Gaibor 2019). Este sistema intenta cambiar el sistema centralizado de distribución
18
actual, permitiendo incluso que cada uno de los hogares pueda tener sus propios recursos
que le permitan no depender exclusivamente de las centrales eléctricas, con lo que se logra
una menor sobrecarga de los sistemas actuales.(Escobar Arriagada 2019).
1.5.1. REDES NEURONALES
Una red neuronal se puede definir como un sistema que permite establecer una
relación entre entradas y salidas inspiradas en el sistema nervioso y diferenciándose de la
computación tradicional, ya que estos no utilizan una algoritmia secuencial. Las redes
neuronales artificiales se comportan como un cerebro humano, en donde se procesa la
información en paralelo, con la posibilidad de aprender y generalizar situaciones no incluidas
en procesos de entrenamiento.(Alber et al. 2019). Pueden considerarse como un método
computacional usado con el objetivo de resolver problemas complejos y con la capacidad de
realizar predicciones en sistemas relacionales no lineales.(Dick 2019).
1.5.1.1. INICIO DE LAS REDES NEURONALES
En las redes neuronales biológicas, la información se almacena en los puntos de

contacto entre diferentes neuronas en el cerebro, es lo que normalmente se conoce como
sinapsis.(Park y Park 2018). La sinapsis se ha tratado de llevar a la forma artificial debido a
la eficacia de los procesos llevados a cabo por el cerebro. Por lo que se ha desarrollado la
teoría de las Redes Neuronales Artificiales (RNA), el objetivo es poder emular las redes
neuronales biológicas y hacer posible que estas aprendan tácticas y soluciones basadas en
ejemplos de comportamiento típico de patrones. Estos sistemas artificiales no necesitan de
una programación previa, teniendo la capacidad de generalizar y aprender de la
experiencia.(Repetur 2019).
En 1943, presentaron un modelo de neuronas artificiales y construyeron lo que fue

considerado como el primer modelo de una red neuronal implementada en las ciencias de la
computación. En 1949 Donald Hebb, empieza a trabajar más a fondo el concepto de
aprendizaje de una red neuronal y empieza a definir el trabajo de neuronas interconectadas,
aumentando su fuerza sináptica y activaciones de cambio de estas. Entre 1957 y 1959 Frank
Rosenblatt desarrolla el Perceptrón, considerada como la red neuronal más antigua pero que
en la actualidad sigue utilizándose como identificador de patrones.
La historia de las redes neuronales artificiales y su comienzo donde se forjaron los

principios y las bases para trabajar con neuronas artificiales se pueden situar desde el año
19
1936 al año 1986. Se definió una cronología de la evolución de las redes neuronales. En la
Tabla 1 se mencionan los aspectos más importantes del origen de las redes neuronales
artificiales, basados en la cronología mencionada, que fueron claves en la evolución de este
concepto en general, con una descripción del suceso y su respectiva fecha.(Mieles-Mieles,
Llosas-Albuerne, y Vélez-Quiroz 2021).
Tabla 1
Cronología de la evolución de las redes neuronales artificiales
Definición años
Alan Turing realiza estudios del cerebro y encuentra relaciones entre la forma en que esta 1936
trabaja y la computación.
Warren MCCullaçhy Walter Pitts iniciaron can las fundamentas de la computación 1943
neuronal y escribieron una teoría acerca de la forma de trabajar de las neuronas este puede
verse en su trabajo llamado "A Logical Calculus of Ideas Immanent in Nervoug Activity"
y través de Circuitos eléctrico modelaron una red neuronal simple.
Donald Hebb define una regla para explicar cómo se realiza un proceso de aprendizaje Entre 1936 y 1949
para las redes neuronales actuales se sigue utilizando la regla de Hebb. Según el
aprendizaje ocurre cuando ciertos cambios en una neurona son activados. En su trabajo de
“the organization of behavior” explica que si dos neuronas que están interconectadas entre
si se activan al mismo tiempo esto indica que existe un incremento en la fuerza sináptica.
Hebb también intento encontrar semejanzas entre el aprendizaje y la actividad nerviosa.
Después de realizar algunos ensayos, Karl Lashley encontró que la información no era 1950
almacenada de forma centralizada en el cerebro, sino que era distribuida encima de el
Se realizó el “Congreso de Dartmouth”, encuentro trnascurrido en el verano de 1956 en la 1956
universidad de Dartmouth College, nuevo Hampshire.
Algunos autores y escritores mencionaron que el evento como referencia para indicar que
hay se dio el nacimiento de la inteligencia artificial.
Se dio el inicio al desarrollo del Perceptron, un tipo de red neuronal artificial desarrollada 1957
por Frank Rosenblatt. Puede decir que esta es la red neuronal más antigua pero que se
sigue utilizando actualmente para identificar patrones.
En este modelo después que la neurona puedo a ver aprendido una serie de patrones podía
reconocer otros similares, aunque no se lo hubiesen presentado en el entrenamiento a esto
se lo llama generalización sin embargo sus capacidades eran limitadas eran incapaces de
clasificar clases no separables lineal mente.
Se crea el Teorema de convergencia del Perceptron, por el mismo Frank Rosenblatt, en 1959
donde se confirma que bajo ciertas condiciones el aprendizaje de Perceptron convergía a
si un estado fino.
Se hace la primera red neuronal aplicada a un problema real aplicando filtros adaptativos 1960
para eliminar ecos en las líneas telefónicas, basados en el modelo de Bernard Widroff y
Marcian Hoff.
Se realiza la discusión acerca de la posibilidad de seguir trabajando con redes neuronales Entre 1969 y 1975
O no. Esto debido que. con varios estudios y pruebas realizadas, se demostró que el
Perceptrón era débil ya que las funciones no lineales son empleadas en computación y en
los problemas del mundo real Sin embargo durante esta época Surge el algoritmo de
propagacion hacia atrás'. que resuelve el problema que presentaba el Perceptrón, realizado
por Paul Werbos en 1974. Al trabajo realizado por Werbos, algunos autores se denominan
como el resurgimiento de las redes neuronales.
Aparece el nombre de Conexionismo para definir el procesamiento distribuido en paralelo. 1986
David E. Rumelhart y James McCIeIIand proporcionan una exposición de la utilización
de conexionismo en los computadores para simular procesos neuronales.
Nota. Esta tabla muestra la evolución de la redes neuronales a partir del años 1936 hasta 1986
según.(Mieles-Mieles et al. 2021).
20
1.5.1.2. ELEMENTOS BÁSICOS DE LAS REDES NEURONALES
Las redes neuronales artificiales, o como se les conoce generalmente: ANN

(Artificial Neural Networks) o RNA (redes neuronales artificiales) tienen sus bases y
funcionan de una forma muy similar a las redes neuronales biológicas del cerebro de las
personas. Su funcionamiento se da gracias a elementos que se comportan como una neurona
biológica en sus funciones principales. Para comprender cuáles con los elementos básicos
que compone una red neuronal, primero es necesario conocer el funcionamiento de una
neurona. Las neuronas tienen tres componentes principales, las cuales son denominadas
dendritas, el cuerpo de la célula o soma y el axón, el punto de conexión entre el axón de una
célula y una dendrita de otra célula se llama sinapsis. En términos computacionales, las
dendritas, son las receptoras de la red, que cargan de señales eléctricas el cuerpo de la célula,
el cuerpo de la célula realiza la suma de esas señales de entrada. El axón es una fibra larga
que lleva la señal desde el cuerpo de la célula hasta otras neuronas.(Zhang et al. 2019)., como
se puede visualizar en la Figura 3.
Figura 3
Componentes principales de una neurona
Nota. El grafico representa los elementos básicos que compone una red neuronal según.(Zhang
et al. 2019).
Una neurona como tal es diminuta en sí, pero cuando muchas se encuentran
interconectadas, pueden formar toda una red de comunicaciones que pueden resolver
problemas muy complejos, por ejemplo, el cerebro de una persona contiene billones de
neuronas, a esta comunicación entre neuronas se le denomina entonces una red neuronal, se
puede decir, por tanto, que una red neuronal está conformada por neuronas que se encuentran
interconectadas y organizadas en tres capas. Los datos ingresan por medio de la “capa de
entrada” (input), que pasan a través de la “capa oculta” (layer1, layer2) y salen por la “capa
21
de salida” (output) en la Figura 4 se muestras formación de dichas capas.(Rizzo y Caracoglia
2020).
Figura 4
Capas de una red neuronal
NEURONS
INPUT LAYER 1 LAYER 2 OUTPUT
Nota. El grafico representa la formación de las 3 capas por donde ingresa los datos
según.(Wehrens y Kruisselbrink 2018).
1.5.1.3. CAPAS DE LA NEURONA ARTIFICIAL
Las neuronas se encuentran compuestas entonces por varias capas, de manera que las
neuronas de una capa están conectadas con las neuronas de la capa siguiente, a las que
pueden enviar información. Cada neurona de la red es una unidad de procesamiento de
información que recibe información a través de las conexiones con las neuronas de la capa
anterior.(Prieto 2018).
 Capa de Entrada: es quien recibe información del exterior, en las redes

biológicas, esta sería tarea de las dendritas.
 Capas ocultas: la cuáles están encargadas de realizar el trabajo de la
red. En las redes biológicas, está sería el soma.
 Capa de Salida: proporciona el resultado del trabajo de la red al
exterior y envía información hacia otras neuronas. En las redes biológicas, esta sería
una actividad realizada por el axón.
Las redes neuronales pueden resolver problemas propuestos después de un

entrenamiento La resolución de problemas se basa en los 5 principales que se muestran en
la Tabla 2.
22
Tabla 2
Principios de las redes neuronales artificiales
DEFINICIÓN PRINCIPIO
Las redes neuronales se comportan en función
de un entrenamiento, se le exponen ejemplos
Aprendizaje adaptativo
ilustrativos, no es necesario elaborar un modelo
a priori, ni establecer funciones probabilísticas.
Consiste en la modificación de la red con el fin
de llevar a cabo un objetivo específico, tomo se
menciona con anterioridad, se puede presentar
un efecto llamado generalización en donde
Autoorganización
después de haber aprendido una Seri de
patrones les podría reconocer otros patrones
similares, aunque no se los hubiese presentado
en el entrenamiento.
Las redes neuronales artificiales poseen una alta
capacidad de tolerancia a fallos por lo que el
ruido en los patrones de información con ruido
no los afecta y pueden seguir trabajando,
Tolerancia al fallo
aunque se destruya parte de la red esto se debe
a que la información en las redes neuronales se
hace de forma distribuida y con redundancia.
Las redes neuronales artificiales realizan
reconocimientos de patrones en tiempo real
Operación en tiempo real
debido a que trabajan en paralelo actualizando
todas sus instancias simultáneamente.
Es fácil obtener hardware para trabajar con
redes neuronales y es fácil realizar integración Fácil inserción en la tecnología existente
de forma modular en tecnologías existente.
Nota. Esta tabla muestra la resolución de los problemas por la red neuronal basada en 5
principios según.(Serna, Acevedo, y Serna 2017).
1.5.1.4. LOS PESOS SINÁPTICOS
A una neurona artificial se le asigna un peso sináptico a las entradas que provienen
desde otras neuronas, este procedimiento es similar al que se realiza en una neurona de un
ser humano, a lo que normalmente en la medicina se le conoce como sinapsis, el peso
sináptico entonces es un valor numérico y que puede ir cambiando durante la fase de
entrenamiento, este peso hace que la red neural tengo una utilidad y es allí donde se almacena
la información.
1.5.1.5. REGLA DE PROPAGACIÓN
En un modelo neuronal, se debe disponer de una regla de propagación para combinar

las salidas de cada neurona con las ponderaciones establecidas por el patrón de conexión,
23
con eso se especifica la valoración de las entradas que recibe cada neurona. Normalmente
puede realizarse una suma de las entradas, teniendo en cuenta el peso sináptico asociado a
cada entrada, aunque otras operaciones también son posibles.(Cox et al. 2019).
1.5.1.6. FUNCIONES DE ACTIVACIÓN
Con el valor obtenido con la regla de propagación, esta se filtra con una función
conocida como función de activación, a través de esta función se da la salida de la neurona,
las funciones de activación se escogen dependiendo del objetivo de entrenamiento de la red
neuronal, en la Figura 5 se muestran las funciones de activación más utilizadas.(Burgos s. f.).
Figura 5
Funciones de activación más utilizadas
FUNCIÓN RANGO GRAFICA
IDENTIDAD y=x [−∞, +∞]
y=sign(x) {−𝟏, +𝟏}

ESCALÓN
y=H(x) {𝟎, +𝟏}
−𝟏, 𝒔𝒊 𝒙 < −𝟏 [−𝟏, +𝟏]
LINEAL O DE
𝒚 = {𝒙, 𝒔𝒊 + 𝟏 ≤ 𝒙 ≤ −𝟏}
TRAMOS
+𝟏, 𝒔𝒊 𝒙 > +𝟏
𝟏
𝒚= [𝟎, +𝟏]
SIGNOSOIDEA 𝟏 + 𝒆−𝒙
[−𝟏, +𝟏]
𝒚 = 𝒕𝒈𝒉(𝒙)
𝟐
GAUSSIANA 𝒚 = 𝑨𝒆𝒂𝒙 [𝟎, +𝟏]
SINUSIDAL 𝒚 = 𝑨 𝒔𝒆𝒏(𝒘𝒙 + 𝝋) [−𝟏, +𝟏]
Nota. Esta grafica representa las funciones de activación más utilizadas que se escogen
dependiendo del objetivo de entrenamiento de la red neuronal según.(Burgos s. f.).
1.5.1.7. TIPOS DE NEURONAS ARTIFICIALES
Las neuronas artificiales se pueden clasificar de acuerdo con los valores que pueden
tomar, se pueden identificar dos tipos: 1) Neuronas binarias y 2) Neuronas reales.
24
En el caso de las neuronas binarias, únicamente pueden tomar valores que se
encuentren dentro del intervalo {-1, 1} o {0, 1}, en el caso de las neuronas reales, estas
pueden tomar valores que se encuentren dentro de los intervalos [0, 1] o [-1, 1].
Generalmente, los pesos no se encuentran restringidos a intervalos específicos, aunque para
aplicaciones específicas puede ser esto necesario, el aprendizaje de las redes neuronales se
da a través de ejemplos, basado a esto, podemos decir entonces que una red neuronal será
capaz de resolver un problema dependiendo a los tipos de ejemplos que se obtienen durante
la etapa del aprendizaje.(SARA s. f.).
1.5.1.8. APRENDIZAJE DE LAS NEURONAS
El proceso de aprendizaje de las redes neuronales artificiales es de carácter

secuencial, de esta forma, el aprendizaje se da en todo momento adquiriendo conocimiento
a través de las experiencias ocurridas.(Lao-León et al. s. f.). El conjunto de aprendizaje de
una red neuronal artificial contiene dos características denominadas “ser significativo” y “ser
representativo” en donde, para que haya aprendizaje, debe existir un número significativos
de ejemplos durante el proceso de aprendizaje y estos deben ser diversos y equilibrados
como se ve en la Figura 6.
Figura 6
Características del conjunto de aprendizaje de una red neuronal artificial
Ser Debe existir un número

significativo de ejemplos durante
significativo
el proceso de aprendizaje
Ser Los ejemplos y componentes del

representativo aprendizaje deberán ser diversos
y equilibrados
Nota. El grafico representa características del conjunto de aprendizaje de una red neuronal
artificial que contiene dos características denominadas “ser significativo” y “ser representativo”
según.(Lao-León et al. s. f.).
En el proceso de aprendizaje de una red neuronal, debe haber suficientes ejemplos

para que la red sea capaz de adaptar sus pesos de forma eficaz, a esto se le llama "Ser
significativo". Los ejemplos y componentes del aprendizaje de la red neuronal deben ser
25
diversos y equilibrados, por ejemplo, si el conjunto de aprendizaje contiene un número
mayor de ejemplos de un tipo que de otro, esta red estará más especializadas en un solo tipo
de datos, a estos se le llama “Ser representativo”. Una red neuronal debe utilizar un tipo
específico en la etapa de aprendizaje, realizando un entrenamiento para optimizar la función
que analiza la salida de la red y poder determinar la eficiencia del aprendizaje.(Coaquira
2021).
 TIPOS DE APRENDIZAJE. Las redes neuronales se basan en un

algoritmo para aprender durante su etapa de aprendizaje y dependiendo del tipo que
se esté utilizando, se da por entendido que una red aprendió cuando los pesos de las
conexiones han cambiado según la regla de aprendizaje utilizada en el entrenamiento
y estos permanecen estables. Se puede tener tipos de aprendizaje supervisados y no
supervisados y clasificados, como se muestra en la Figura 7, se aclara que el tipo de
aprendizaje supervisado es el más utilizado dentro de las redes neuronales
artificiales.
Figura 7
Tipos de aprendizaje de una red neuronal artificial
Aprendizaje
Por correcion de error
Aprendizaje Aprendizaje
Supervisado Por esfuerzo
Aprendizaje
Aprendizaje estocastico
No Supervisado
Nota. El grafico representa Tipos de aprendizaje de una red neuronal artificial, se puede tener
tipos de aprendizaje supervisados y no supervisados según.(Contreras Sosa 2019).
 APRENDIZAJE SUPERVISADO. En este tipo de aprendizaje se

realiza un entrenamiento de la red neuronal que estará supervisado y controlado por
el diseñador de esta, para determinar que la respuesta de la red sea una específica
dependiendo de la entrada. En caso de que la respuesta entregada sea diferente a la
26
indicada, se modifican los pesos de las conexiones para aproximar la respuesta a la
salida debida, como se mencionó con anterioridad, a esto se la llama “Ser
significativo”.
 APRENDIZAJE POR CORRECCIÓN DE ERROR. Durante el
entrenamiento, se presenta a la red neuronal artificial, las entradas y salidas deseadas,
la finalidad de este aprendizaje por corrección de error es que haya una diferencia
mínima entre la salida obtenida y la deseada, para ello, se hace una comparación de
ambas salidas y se ajustan los pesos de las conexiones de la red teniendo en cuenta
las diferencias con los valores deseados y los obtenidos Figura 8.
Figura 8
Aprendizaje por corrección de error
Modificacion de peso
Red Poreceso de
Neuronal Salida Comparacion de las
Entranda
Obtenida
artificial Salidas
Salida
Deseada
Nota. El grafico representa el aprendizaje por corrección de error que hace una comparación de
ambas salidas y se ajustan los pesos de las conexiones de la red teniendo en cuenta las diferencias
con los valores deseados y los obtenidos según.(Contreras Sosa 2019).
 APRENDIZAJE POR REFUERZO. Para el entrenamiento de una

red neuronal a través de este aprendizaje supervisado, no se cuenta con un ejemplo
completo de una salida esperada, el diseñador de la red indica, mediante una señal
de refuerzo, si la salida que se obtuvo de la red se acerca a la deseada, las señales se
refuerzo son: 1) Éxito o 2) Fracaso. Con esto se ajustan los pesos basándose en un
mecanismo de probabilidades para acercarse a la salida deseada, para este
aprendizaje, la señal de refuerzo solo informa si la salida de la red se acerca a la
deseada o no. En algunos algoritmos, con la señal de “Fracaso” se siguen
27
modificando los pesos. Con la señal de “Éxito” el sistema ha cumplido con una salida
deseada, este aprendizaje por refuerzo suele ser más lento que el aprendizaje por
corrección de error ya que puede recibir señales de fracaso consecutivas, entre más
veces se reciba una señal de refuerzo, más tiempo tardará la red en aprender Figura
9.(Pacheco Rodríguez s. f.).
Figura 9
Aprendizaje por refuerzo
Modificacion de peso
Señal
de fracaso
Red Poreceso de
Neuronal Salida Comparacion de las
Entranda
Obtenida
artificial Salidas
Señal
de exito
Aprendido
Nota. Este grafico representa el aprendizaje por refuerzo que suele ser más lento que el
aprendizaje por corrección de error ya que puede recibir señales de fracaso consecutivas, entre
más veces se reciba una señal de refuerzo, más tiempo tardará la red en aprender según.(Pacheco
Rodríguez s. f.).
 APRENDIZAJE ESTOCÁSTICO. Durante el entrenamiento bajo

el aprendizaje estocástico, se realizan cambios de forma aleatoria en los pesos de la
red y se analiza la salida obtenida en comparación a la salida deseada Figura 10. Si
la diferencia de ambas salidas es mínima, esto significa que la red ha aprendido, si la
diferencia entre las salidas obtenida y esperada es mayor, se aceptarían cambios en
el peso en función de una distribución de probabilidades determinadas. Este
aprendizaje tiene similitud a los estados energéticos de los sólidos físicos, donde se
maneja un estado mínimo de energía, si después del cambio la energía decrece, se
acepta el cambio, si la energía no decrece, se acepta el cambio en función de una
distribución de probabilidades determinada.(Sierra-García y Santos 2021).
28
Figura 10
Aprendizaje estocástico
Cambio
Aleatorio de los
Pesos
si la diferencia
Red
es grande
Salida
Entranda Neuronal Obtenida Poreceso de
artificial
Comparacion de las
Salida Salidas
Deseada
si la diferencia
es minima
Salida
Nota. Este grafico representa el Aprendizaje estocástico según.(Sierra-García y Santos 2021).
 APRENDIZAJE NO-SUPERVISADO. Como se observa en la

Figura 11, este tipo de aprendizaje no requiere de una supervisión y no hay un
proceso de comparación de salidas externos, como se puede visualizar en las figuras
anteriores. Este tipo de aprendizaje muestra un proceso Auto organización hasta
cierto grado, la red neuronal descubre con los datos de entrada las características,
regularidades, correlaciones y categorías, y lo hace de una forma autónoma.
29
Figura 11
Aprendizaje no-supervisado
Red Salida
ENTRADA
Neuronal Obtenida
Artificial
Nota. Este grafico representa el aprendizaje no supervisado según.(Sierra-García y Santos 2021).
Este tipo de aprendizaje fue desarrollado por Kohonen en el año de 1984 con el apoyo
de otros investigadores. En este aprendizaje no se requieren de unas salidas deseadas y
debidas, por lo tanto, no se realizan comparaciones entre las salidas reales y las salidas, el
algoritmo de entrenamiento modifica los pesos de la red de tal manera que se produzcan
vectores de salida consistentes. Existen algunos algoritmos de aprendizaje no supervisados,
pero la gran mayoría de trabajos se basan en el modelo propuesto en 1949 por Hebb que se
caracteriza por incrementar el valor del peso de la conexión si las dos neuronas unidas son
activadas.(Rivas Asanza, Mazón Olivo, y Mejía Peñafiel 2018). Hebb mencionó que, si dos
neuronas que se encuentran interconectadas entre sí se activan al mismo tiempo, esto quiere
decir que la fuerza sináptica ha incrementado. La forma de corrección utilizada se basa en
incrementar la magnitud de los pesos si ambas neuronas están inactivas al mismo
tiempo.(Kubat 2021).
1.5.2. LÓGICA DIFUSA
Otra de las técnicas más usada es lógica difusa permite utilizar el lenguaje ordinario
como lenguaje de descripción en un ordenador, incorporando así el conocimiento de un
experto en una tarea determinada. Introduce la imprecisión y la subjetividad propia de la
actividad humana en un procedimiento automatizado. La lógica difusa parte de la
redefinición del mismo pilar básico de las matemáticas: el concepto de conjunto.(Hannan
et al. 2019).
El control por lógica difusa emula la forma en que un ser humano para tomar
decisiones complejas con una precisión mayor que los sistemas de control convencionales.
El controlador debe ser capaz de responder frente a las variaciones que presenten las
variables de entrada.(Rubio et al. 2019).
30
La lógica difusa ha permitido incorporar el sentido común para la toma de decisiones
a los sistemas de una forma fácil y comprensible, solucionando así problemas para los cuales
antes no existía respuesta, en cuanto a precisión numérica y significado de las variables a
tratar. Uno de los aportes más transcendentales en esta herramienta fue el de Mamdani
(1974), el cual aplica los conceptos de la lógica difusa en el control de procesos y desarrolla
el primer control difuso de regulación de un motor. La lógica difusa ha venido evolucionando
su aplicabilidad en soluciones de problemas de todas las áreas de las ingenierías.(Londoño-
Patiño 2020).
1.5.2.1. FUNDAMENTOS DEL CONTROL BASADO EN LÓGICA DIFUSA
La lógica difusa parte de la redefinición del mismo pilar básico de las matemáticas:
el concepto de conjunto.(Camacho et al. 2021). La función de pertenencia generalizada de
un elemento x a un conjunto A, µA(x), no sólo valdrá 1 ó 0, sino que toma sus valores en un
conjunto L, llamado conjunto de pertenencia. Ordinariamente se toma el conjunto de
números reales comprendidos entre 0 y 1, inclusive: L = [0, 1]. La teoría clásica de conjuntos
es un caso particular de la teoría de conjuntos difusos, en los que la función de pertenencia
toma exclusivamente valores 0 ó 1. La función de pertenencia puede definirse de forma
numérica, mediante un vector (para universos discretos y finitos), o de forma funcional, en
cuyo caso tiene generalmente forma de campana, triangular, trapezoidal, etc. En este último
caso además puede depender de algún parámetro que permita variar su forma, por ejemplo,
de σ en la función µA(x) descrita por la siguiente Ecuación 1:
−(𝒙 − 𝝁𝑨(𝒙))𝟐
𝝁𝑨(𝒙) = 𝐞𝐱𝐩 ( )
𝟐𝝈𝟐𝑨
Ecuación 1.función de pertenencia.(Camacho et al. 2021).

Un conjunto difuso A es un conjunto de pares ordenados de un elemento genérico x
que pertenece al universo de discurso U, y su grado de pertenencia al conjunto como se
observa en la Ecuación 2.
𝑨 = {𝒙|𝝁𝑨(𝒙). ∀𝒙 ∈ ∪}
Ecuación 2: conjunto difuso A.(Camacho et al. 2021).
Las operaciones entre conjuntos difusos se pueden aplicar de forma análoga a como
se definen para los conjuntos convencionales. Se pueden definir así operaciones como la
complementación, la unión o la intersección, además, a los conjuntos difusos se les pueden
31
aplicar operadores o reglas de modificación, que corresponden a los modificadores
lingüísticos (adverbios) que se utilizan con frecuencia en el lenguaje natural. La lógica difusa
tiene el mismo aspecto sintáctico que la lógica de predicados, sin embargo, no constituye
como ella un sistema axiomático puesto que no permite a partir de unos axiomas derivar
otras sentencias válidas.
1.5.2.2. CONTROL DIFUSO
Tradicionalmente los sistemas de control inteligente combinan la teoría clásica de

control con técnicas de inteligencia artificial.(Chen et al. 2020). Los sistemas de control
inteligentes de mayor implantación son los controladores difusos. El objetivo de estos
controladores es intentar compensar las discrepancias entre los valores observados y los
esperados, utilizando ciertas reglas de actuación, especificadas mediante descriptores
lingüísticos. Por ejemplo, la utilización de términos tales como muy caluroso o poco rápido
representan información cualitativa poco precisa, pero son un elemento sustancial del
conocimiento humano, estos sistemas son fáciles de entender por el experto y su
implantación es sencilla.
Un sistema de lógica difusa puro está formado únicamente por dos componentes: una
base de reglas difusas del tipo si–entonces expresadas en forma lingüística, y un mecanismo
de inferencias difusas que busca en la base de reglas las que son aplicables a la situación
actual y opera con ellas de forma que el espacio de entradas sea proyectado en el espacio de
salidas, sin embargo, es habitual que las entradas y las salidas de los controladores sean
números precisos. Para poder utilizar reglas difusas a partir de entradas y salidas concretas
se suele utilizar un fuzzificador a la entrada y un defuzzificador a la salida. Así el sistema de
lógica difusa presenta la estructura del esquema de la Figura 17. La fuzzificación es el
proceso mediante el cual se transforma un valor numérico concreto en una variable de
entrada en un conjunto difuso que representa dicho valor de forma imprecisa.
32
Figura 12
Sistema de lógica difusa
BASE DE
REGAS
BORRADAS
ENTRADA FUZZIFICADOR DEFUZZIFICAD SALIDA

OR
CONJU CONJ
NTO UNTO
MECANISMO
BORRO BORR
DE INFERNCIA OSO V
SO U
BORROSA
Nota. La grafica representa el sistema de lógica difusa se suele utilizar un fuzzificador a la entrada
y un defuzzificador a la salida el cual se transforma un valor numérico concreto en una variable de
entrada en un conjunto difuso según.(Chen et al. 2020).
Si se desean utilizar reglas en un sistema de control, es necesario establecer qué

términos lingüísticos van a ser utilizados. Para ello hay que dividir el universo de discurso o
dominio en un número finito de conjuntos difusos, asociándoles una etiqueta lingüística a
cada uno de ellos y asignándoles una función de pertenencia que los describa, para que
puedan adoptar distintas formas.
La base de reglas difusas es la parte de la arquitectura del sistema de control difuso

donde se almacena el conocimiento en forma de reglas. Un ejemplo de una de estas reglas
sería:
SI x es A y z es C ENTONCES y es F
Ecuación 3: base de reglas difusas. (Chen et al. 2020).
donde A, C y F son conjuntos fuzzy. En cada instante discreto, el mecanismo de

inferencias puede activar una, varias o ninguna de las reglas, la activación de una regla
significa que un conjunto difuso de entradas definido sobre U = U1×···×Un (la entrada
fuzzificada) es proyectado en un conjunto difuso de salida definido sobre V. Cada regla se
activará en un grado distinto, dependiendo del grado en el que se satisfagan los antecedentes
de la misma.
33
Durante el desarrollo de un sistema difuso, para establecer el mecanismo de
inferencias de reglas, hay que seleccionar:
 Una interpretación de la implicación de las reglas si–entonces.

 Una regla de inferencia GMP (Modus Ponens Generalizado).
 Un operador de agregación para componer los resultados de las
distintas reglas.
Una vez que la entrada ha sido procesada por el mecanismo de inferencias difusas,
se obtiene una salida global, dada por un conjunto fuzzy. La defuzzificación se utiliza para
elegir un valor de salida preciso (representativo), a partir de este conjunto difuso de salida.
1.5.2.3. OPERACIONES EN CONJUNTOS DIFUSOS
Las tres operaciones básicas que se definen para los conjuntos convencionales se
puede generalizar para los conjuntos difusos.(Ramos Rodríguez 2020).
 Unión: la unión de dos conjuntos difusos tiene la siguiente función

característica:
𝝁𝑨∪𝑩 (𝑿) = 𝒎𝒂𝒙[𝝁𝑨 (𝒙), 𝝁𝑩 (𝒙)]
Ecuación 4: Unión de dos conjuntos difusos. (Ramos Rodríguez 2020).
 Intersección: la intersección de dos conjuntos difusos tiene la siguiente

función característica:
𝛍𝐀∩𝐁 (𝐗) = 𝐦𝐢𝐧[𝛍𝐀 (𝐱), 𝛍𝐁 (𝐱)]
Ecuación 5: Intersección de dos conjuntos difusos. (Ramos Rodríguez 2020).
 Complemento: el conjunto complementario tiene la siguiente función

característica:
𝝁𝑨 (𝑿) = 𝟏 − 𝝁𝑨 (𝑿)
Ecuación 6: Conjunto complementario. (Ramos Rodríguez 2020).
Las tres operaciones expuestas cumplen las propiedades: asociativa, conmutativa,

distributiva y Leyes de Morgan.
34
1.5.2.4. PROPIEDADES DE LOS CONJUNTOS DIFUSOS
Los conjuntos difusos al igual que los conjuntos clásicos tienen las siguientes
propiedades que se muestran en la Tabla 3.
Tabla 3
Los conjuntos difusos
Conmutativa: 𝐴 ‫𝐴 ځ 𝐵 = 𝐵 ځ‬
Asociativa: 𝐴 ‫𝐶 ڂ )𝐵 ڂ 𝐴( = )𝐶 ڂ 𝐵(ڂ‬
Distributiva: 𝐴 ‫)𝐶 ڂ 𝐴(ځ )𝐵 ڂ 𝐴( = )𝐶 ځ 𝐵(ڂ‬
Idempotencia: 𝐴 ‫𝐴 = 𝐴 ځ 𝐴 𝑦 𝐴 = 𝐴 ڂ‬
Involución: ¬(¬A) =A
Transitiva: 𝐼𝑓(𝐴 ⊂ 𝐵) ‫𝑡)𝐶 ⊂ 𝐵(ځ‬ℎ𝑒 𝐴 ⊂ 𝐶1
Leyes de Morgan:¬(𝐴 ‫𝐵¬ ځ 𝐴¬ = )𝐵 ڂ 𝐴(¬ 𝑦 𝐵¬ ڂ 𝐴¬ = )𝐵 ځ‬
Existen dos leyes que no se cumplen en los conjuntos difusos:
Contradicción: 𝐴 ‫𝐴 ڂ‬ҧ = 𝑈
Exclusión: 𝐴 ‫𝐴 ځ‬ҧ = 0
Nota. Esta tabla muestra las propiedades que tiene los conjuntos difusos según.(Ramos Rodríguez
2020).
1.5.2.5. INFERENCIA DIFUSA
El corazón de cualquier sistema basado en lógica difusa es el mecanismo de

inferencia, por cuanto procesa información de variables de entrada para dar valores de salida
en base a los planteamientos lógicos que usan el razonamiento aproximado.(Vázquez,
Montiel, y Meléndez s. f.). Las reglas difusas son el conjunto de proposiciones If-Then que
establecen el problema a resolver.
Las reglas difusas tienen la siguiente estructura: “Si u es A entonces v es B”, siendo
A y B conjuntos difusos definidos en los rangos u y v respectivamente. Existe una gran
variedad de métodos de inferencia difusa, siendo los más utilizados los dos siguientes:
 Inferencia de Mandani: Propuesto por Ebrahim Mandani en 1975, es el

método más utilizado y consta de cuatro pasos.
35
a) Fuzzyficación de las variables de entrada: transforma los datos concretos
(valores del mundo real) de la medición en valores lingüísticos apropiados a través
de las funciones de membresía.
b) Evaluación de las reglas: se toman las entradas anteriores y se aplican a los
anteriores de las reglas difusas utilizando el operador AND u OR cuyo valor de
verdad se aplica al consecuente.
c) Agregación de las salidas de las reglas: es el proceso de unificación de las
salidas de todas las reglas.
d) Defuzzyficación: se usa para producir una decisión no difusa o acción de
control de una acción de control difusa inferida por la máquina de inferencia (se
traslada al mundo real los datos). De los diferentes métodos de defusificación
existentes el más común y ampliamente utilizado es el método del centroide o centro
de gravedad. Con este método se calcula el punto donde una línea vertical divide el
conjunto en dos áreas con igual masa.
 Inferencia TSK (Takagi, Sugeno y Kang): Consta de una serie de reglas If-
Then (Si-Entonces) de la forma siguiente:
Si X(t) es A entonces Z es Y= 𝑘𝑖𝑜 + 𝑘𝑖1 𝑋(𝑡)
Ecuación 7: Inferencia TSK
1.5.3. RAZONAMIENTO BASADO EN CASOS
El razonamiento basado en casos, señalan.(Anón s. f.)., emplea las experiencias

pasadas en forma de casos almacenados en una base de caso para apoyar la toma de
decisiones en situaciones actuales similares. Una de las ventajas del razonamiento basado en
casos, es la flexibilidad que ofrece respecto a la representación. Se puede elegir la
implementación adecuada, dependiendo del tipo de información a representar, variando
desde un simple booleano, un número, datos dependientes del tiempo, relaciones entre datos,
ficheros, frames, redes semánticas, etc.
Los sistemas expertos implementan con frecuencia esta técnica, los cuales se les
conoce como Sistema Basados en el Conocimiento (SBC). En términos generales, un SBC
puede ser definido como un sistema computarizado que usa conocimiento sobre un dominio
para arribar a una solución de un problema de ese dominio, esta solución es esencialmente
la misma que la obtenida por una persona experimentada en el dominio del problema cuando
se enfrenta al mismo problema Gálvez.(Moya Sosa 2017). De acuerdo con los
36
autores.(Šuman, Jakupovič, y Kaluža 2020)., algunas ventajas de los SBC son cuando
existen las siguientes situaciones:
 El experto no está disponible.

 La experiencia se va a guardar para uso futuro o cuando la experiencia va a ser
clonado o multiplicado.
 Se requiere la asistencia o entrenamiento inteligente para la toma de decisiones la
solución del problema.
 Los conocimientos de más de un experto tienen que ser agrupados en una sola
plataforma.
1.5.3.1. REPRESENTACIONES DE LOS CASOS
Las formas de representar la solución, la justificación y el resultado varían según el

dominio de aplicación del sistema RBC y la aproximación utilizada en.(Smiti y Elouedi
2011)., distinguen dos grandes tipos de representaciones para los casos:
REPRESENTACIONES PLANAS: En este tipo de representación se define una

serie de atributos, cada uno con un conjunto de posibles valores de tipos simples cadenas de
caracteres, números, símbolos. En general no se define relación alguna entre los atributos ni
entre sus valores, esto es, si utilizamos n atributos en la representación, un caso vendrá
descrito por la n-tupla de valores de los atributos del caso en cuestión.
REPRESENTACIONES ESTRUCTURADAS: También aquí se analizan listas de

atributos y valores asociados, pero a diferencia de las representaciones planas, los valores
pueden ser objetos que a su vez tienen atributos. De esta forma se consiguen expresiones
más expresivas en las que se definen relaciones entre los atributos y/o entre los valores. Para
implementar este tipo de descripciones se suelen utilizar cálculos de predicados, redes
semánticas, lenguajes basados en marcos, lenguajes orientados a objetos y lógicas
descriptivas, entre otros.
1.5.4. ALGORITMOS GENÉTICOS
Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para
resolver problemas de búsqueda y optimización, están basados en el proceso genético de los
organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la
naturaleza de acorde con los principios de la selección natural y la supervivencia de los más
fuertes, postulados por Darwin. Por imitación de este proceso, los Algoritmos Genéticos son
37
capaces de ir creando soluciones para problemas del mundo real, la evolución de dichas
soluciones hacia valores óptimos del problema depende en buena medida de una adecuada
codificación de las mismas.
Un Algoritmo Genético consiste en una función matemática o una rutina de software

que toma como entradas a los ejemplares y retorna como salidas cuáles de ellos deben
generar descendencia para la nueva generación.
Versiones más complejas de Algoritmos Genéticos generan un ciclo iterativo que

directamente toma a la especie (el total de los ejemplares) y crea una nueva generación que
reemplaza a la antigua una cantidad de veces determinada por su propio diseño. Una de sus
características principales es la de ir perfeccionando su propia heurística en el proceso de
ejecución, por lo que no requiere largos períodos de entrenamiento especializado por parte
del ser humano, principal defecto de otros métodos para solucionar problemas, como los
Sistemas Expertos.
El aumento de la capacidad de proceso de los ordenadores durante la década de los

60, convirtieron a éstos en instrumentos adecuados para la resolución de problemas con
grandes requerimientos de cálculo. A finales de esa década y principios de la siguiente, un
grupo de investigadores de la Universidad de Michigan en Ann Arbor, denominado Logic
of Computers, encabezados por John Holland, desarrollan los algoritmos genéticos
basándose en una analogía con la evolución de los seres vivos.(Fernandez et al. 2019). Por
otra parte, los individuos menos dotados y adaptados al entorno tendrán una probabilidad
menor de trasmitir dichas características a las siguientes generaciones se puede visualizar en
la Figura 13.
38
Figura 13
Estructura genética
Nota. El grafico representa la estructura genética basados en el proceso genético de los

organismos vivos según.(Mouret 2015).
1.5.4.1. TERMINOLOGÍA Y ANALOGÍAS PLANTEADAS
Antes de profundizar en la exposición se hace necesario proporcionar algunas

definiciones de términos posteriormente empleados:
SOLUCIÓN O ALTERNATIVA: Configuración compatible con las restricciones

del problema y que le da solución.
INDIVIDUO: Equivalente analógicamente a solución o alternativa.
ESPACIO DE SOLUCIONES: Conjunto de todas las posibles soluciones a un

problema determinado que es posible alcanzar con el sistema de resolución empleado,
equivale a espacio de individuos.
POBLACIÓN: Conjunto de individuos existentes en un momento (iteración) dado,

en adelante denotado por P.
GENERACIÓN: Proceso de creación de nuevos individuos, también se emplea

como sinónimo de población.
FUNCIÓN OBJETIVO O FUNCIÓN DE EVALUACIÓN: Función empleada

para evaluar la calidad de las soluciones. Analógicamente mediría la adaptación de los
individuos a su entorno, denominándose entones adaptabilidad, generalmente es una función
definida sobre el espacio de soluciones S y con imagen en R:
FO: S ø R
39
Los problemas planteados pretenden encontrar individuos en S que minimicen (o en
su caso maximicen) su imagen en R que se muestra en la Figura 14.
SOLUCIÓN ÓPTIMA: Solución s € S tal que FO(s) sea óptimo. Analógicamente,

el individuo mejor adaptado a su entorno.
SOLUCIÓN SUB-OPTIMA: Solución de calidad cercana a la de la solución óptima

o bien, de calidad aceptable para las condiciones del problema planteado.
CADENA, ESTRUCTURA O CODIFICACIÓN: Secuencia de elementos que

representa (codifica) a una solución o individuo. En la analogía natural es un cromosoma.
GEN: Analogía natural de cada uno de los elementos que conforman la cadena o
cromosoma que representa un individuo.
ALELO: Valor que puede adoptar un gen.
GENOTIPO: Se empleará para denotar el contenido genético de un individuo, es

decir, el cromosoma que lo codifica.
MEDIO EXTERNO: Entorno en el que se desarrollan y compiten los individuos.

En el caso del presente trabajo será análogo al dominio de ubicación de las actividades.
FENOTIPO: Características físicas de un individuo determinadas por su genotipo y

las condiciones del medio externo.
40
Figura 14
Analogías en los algoritmos genéticos
6 1 4
5
7 2 3
Individuo
Solucion
i i d a b b
Cadena o codificacion
Cromosoma
i i d a b b
Gen
Gen
i i d a b b
(a,b,i,d)
alelo
alelo
Nota. Este grafico representa la analogía de los algoritmos genéticos donde se hace una
comparación de la genética de los seres vivos y su comportamiento con los algoritmos genéticos.
1.5.4.2. ESTRUCTURA DE UN ALGORITMO GENÉTICO
En el capítulo anterior ya se expuso brevemente la estructura básica de un algoritmo

genético, pero se considera conveniente reproducirla aquí, para que sirva de guía al análisis
detallado de cada uno de sus componentes.
El algoritmo comienza creando un número determinado de cadenas que codifican un

conjunto de soluciones al problema objeto de estudio. Este conjunto de individuos representa
la población inicial y su tamaño es un parámetro fundamental del proceso.
El criterio para valorar la calidad de cada una de las soluciones (en la analogía el
grado de adecuación de cada individuo al entorno) es el valor de la función objetivo. Así en
un proceso denominado genéricamente evaluación, se determina el valor de la función para
cada individuo.
Una vez conocida la valoración de cada individuo se somete a la población a un

proceso denominado selección, mediante el cual se escoge un grupo de individuos que
41
determinarán la nueva generación. La selección puede llevarse a cabo mediante diversos
procedimientos, pero en general se realiza otorgando una mayor probabilidad de ser escogido
a los individuos mejor valorados que se ve en la Figura 15.
Figura 15
Esquema general de un algoritmo genético
Nota. Este grafico representa el esquema general de un algoritmo genético donde se hace una
selección que puede llevarse a cabo mediante diversos procedimientos por.(Diego Más 2020).
Aunque de esta fase del algoritmo existen múltiples variantes, en general, los
individuos escogidos forman una población intermedia o auxiliar, de la que se seleccionarán
los individuos que se reproducirán de manera efectiva. Estos serán sometidos a los
operadores genéticos (habitualmente cruzamiento y mutación), que permitirán obtener una
descendencia que recoja las mejores características de los progenitores e introduzcan
diversidad en la población. Del conjunto de la población auxiliar y de la descendencia se
escogerá el número suficiente de individuos como para formar una nueva población. Este
proceso de sustitución de los individuos de la generación anterior por nuevos individuos (que
pueden ser idénticos a los ya existentes) se denomina reemplazo. Todo el proceso
42
(evaluación, selección, aplicación de operadores y reemplazo) se repite hasta que se cumple
un criterio de parada preestablecido.(Diego Más 2020).
1.5.4.3. PROGRAMACIÓN GENÉTICA
La programación genética (PG) difiere de los algoritmos genéticos (AGs)

tradicionales en la forma en que los individuos son representados, siendo común en AGs que
los individuos sean un arreglo de tamaño fijo en donde cada posición puede contener valores
numéricos o alfanuméricos. Para codificar las características de un individuo de la población,
se da un valor a cada posición del arreglo, esta representación es adecuada para los problemas
de optimización (principal uso de los AGs); no obstante, los AGs no permiten individuos
con tamaños y formas dinámicas, lo que limita su campo de acción en cuanto a la búsqueda
de reglas de clasificación y a la simulación de programas de computación permitido por la
PG.
El concepto de evolución biológica (reproducción, selección, supervivencia del más

fuerte) es de utilidad en la solución de otros problemas distintos a los de optimización, como
lo es la extracción de reglas, por lo que se extiende este paradigma a la programación
genética.
Para la PG, los individuos tienen estructuras similares a los programas de computador
con jerarquía, de tamaño y forma variables, al igual que los AGs se realizan las fases de:
• Generación de una población inicial.
• Asignación de un valor de fitness para cada individuo. El fitness se asigna mediante

una función, también conocida como función de evaluación o función objetivo; el fitness es
una medida de desempeño del individuo y depende enteramente del contexto del problema
evaluado.
• Creación de una nueva población de individuos a partir de la copia de los ya

existentes o mediante la recombinación genética y mutación.
La PG hace la exploración en un espacio de soluciones compuesto por programas (o
algoritmos) de computador que pretenden dar solución a un problema, los individuos se
representan como árboles, definidos por R. Koza como "el conjunto de las posibles
composiciones de funciones que puedan ser creadas recursivamente del conjunto de Nfunc
43
funciones de F={f1 ,f2,...,fNfunc} y el conjunto de Nterm terminales de T={a1 ,a2
,...,aNterm}" Las funciones pueden ser:
 Operadores aritméticos (+,-,*,/).

 Funciones matemáticas (seno, coseno, exponenciación, logaritmo, valor
absoluto).
 Operadores de lógica booleana (AND, OR, NOT).
 Operadores condicionales (If-Then-Else).
 Iteraciones (Do-Until).
 Funciones recursivas.
Figura 16
Ejemplo de una regla lógica representada en forma de árbol
Nota. Este grafico representa una regla lógica representada en forma de árbol el conjunto de las
posibles composiciones de funciones que puedan ser creadas recursivamente del conjunto
según.(Diego Más 2020).
44
1.6. CUADRO COMPARATIVO DE REVISIÓN BIBLIOGRÁFICA SOBRES LAS
TECNICAS DE INTELIGENCIA ARTIFICIAL
Mediante la recopilación de información obtenida a través de revisión bibliográfica,

se realizó un cuadro comparativo con los diferentes tipos de técnicas de inteligencia artificial
donde se determinó que una de las mejores técnicas que se puede aplicar para el estudio de
la inteligencia artificial en sistemas eléctricos es la red neuronal, ya que estas RNA
contemplan una topología estructurada que es muy sencilla, lo cual garantiza un tiempo de
aprendizaje corto, posee una gran flexibilidad para atender los diferentes requerimientos de
los sistemas eléctricos en general.
45
CAPÍTULO II.
2. MARCO METODOLÓGICO
El siguiente estudio tiene la intención de analizar la arquitectura de la red neuronal

con la finalidad de formar un sistema inteligente que nos permita una correcta gestión
energética en la Facultad de Ciencias Matemáticas, Físicas y Químicas de la Universidad
Técnica de Manabí. Para esto se presentó la metodología de trabajo que busca alcanzar el
objetivo propuesto. En el abordaje de este capítulo se detalla el camino a continuar en la
investigación, conlleva un orden sistemático que le proporciona validez científica a los
hallazgos donde se implementaron los siguientes criterios.
Se implementaron cuatro criterios para realizar el caso de estudio como son:
1. Conocer los parámetros eléctricos que presenta la facultad.

2. Establecer las variables de entradas y salida de la red.
3. Entrenamiento de la red inteligente mediante el software Matlab.
4. Analizar los resultados obtenidos con el entrenamiento.
Se pretende impulsar cambios en el sistema energético con miras a obtener un mejor

aprovechamiento de los recursos y de esta forma contribuir al medio ambiente, minimizar
los precios de los servicios mediante más activación de las energías limpias y paralelamente
llevar a cabo con los estándares nacionales e mundiales del uso racional y eficiente de la
energía eléctrica.
2.1. PARAMETROS ELECTRICOS

Esta arquitectura va a tener los vectores que se formarán con los parámetros
eléctricos que corresponden a los escenarios de trabajo, como la potencia que se presenta en
la FCMFQ, mini-central fotovoltaicos, sistema de almacenamiento( batería), factor de
potencia, transformado que suministra de energía la facultad y el generado diésel, dichos
parámetros eléctricos que formarán parte de la RNA, son analizados, y así, trabajar con
límites que brinden estabilidad, y que sean capaces de llevar a cabo con los requerimientos
necesarios que apoyen con la obtención de las metas planteados en esta indagación.
46
2.1.1. POTENCIA QUE SE PRESENTA EN LA FCMFQ
Este diagnóstico del parámetro de potencia es parte fundamental para el proceso del
diseño de un sistema inteligente, con el fin de conocer el comportamiento del sistema
electrico de la facultad donde se realiza una evaluación y análisis del mismo
La recolección de datos se llevó a cabo en algunas etapas, partiendo por la

observación directa y registro de cada una de las cargas conectadas a los circuitos eléctricos
de la FCMFQ, se llevó a cabo una secuencia de mediciones en los terminales eléctricos con
el analizador de RED Modelos PQ-Box 150, equipo de medición y registro de consumo de
energía.
Las Tablas de observación se realizaron para darnos cuenta de la potencia que hay
en la UTM especial mente en la Facultad de Ciencias Matemáticas, Físicas y Químicas sin
la inclusión de la tecnología de inteligencia artificial. La bibliografía que permitió dar mayor
relevancia científica a la parte teórica de la investigación.
El instrumento de medición que se usó en la recolección de los valores eléctricos es

un analizador de redes Modelo PQ-Box 150 marca a-eberle, mostrado en la siguiente Figura
17, este posibilita evaluar la potencia consumida.
Figura 17
Analizador de redes modelo PQ-Box 150
Nota. El grafico presenta el analizador de redes modelo PQ-Box 150 que se encarga de las
mediciones eléctricas realizadas por.(Holguín, G. 2021).
47
2.1.1.1. DESCRIPCIÓN DEL SISTEMA ELÉCTRICO DE LA FACULTAD
Para decidir el grupo de cargas y las terminales eléctricas que se hallan instaladas en
la FCMFQ, se procedió a hacer la verificación y actualización física de las cargas. Este
levantamiento físico dejo establecer los tipos de cargas que muestran mayor consumo
eléctrico.
Es relevante indicar que para gestionar la información recopilada se elaboraron tablas

de datos de las cargas eléctricas que detallan los grupos instalados en las aulas de clases,
laboratorios, aulas de cómputo y pasillos de la FCMFQ.
La Facultad de Ciencias, Matemáticas, Físicas y Químicas, cuenta con un

transformador trifásico tipo pedestal de 250 KVA, que alimenta las cargas en sus
instalaciones, la protección principal se hace con un interruptor automático Schneider
Electric de caja moldeada de 3 polos y 630 Amperes, de estos derivan los circuitos asociados
a la Planta N+44.75 (Planta Baja PB), Planta N+48.45 (1er Piso P1), Planta N+51.65 (2do
Piso P2), Planta N+54.85 (3er Piso P3), Planta Terraza N+58.05 (Terraza PT o Azotea) como
se puede valorar en la Figura 18.
48
Figura 18
Diagrama Unifilar
TPD #1
400 AMP
TPD #2
60 AMP
13800 VOLTIOS AEREOS EXISTENTE DE CNEL-MANABI
PP3-2
60 AMP
PP3-1
60 AMP
PP2-2
60 AMP
PP2-1
13800/220/127 V
60 AMP
PP1-2
3E100 3P-630AMP
250 KVA 3F 60 AMP
PP1-1
60 AMP
PPB-4
60 AMP
PPB-3
60 AMP
PPB-2
60 AMP
PPB-1
Nota. Este grafico presenta el diagrama unifilar de la facultad de Matemáticas, físicas y Químicas
de la UTM.(Autoría propia).
En las siguientes tablas que se presenta se puede observar de manera detallada la

potencia del edificio en su totalidad con las diferentes cargas y por cada piso. La Tabla 4
muestra la forma de conexión de carga en forma detallada, que está acompañado por el
tablero de distribución (TDP # 1), que incluye: sistemas de iluminación, sistemas de aires
acondicionado, sistemas de tomacorrientes y cargas especiales.
49
2.1.1.2. DEFINICIÓN DE LAS MUESTRAS INICIALES DEL ESTUDIO
Tabla 4
Registro de cargas eléctricas del edificio según fichas técnicas de los equipos
50
segunda
planta Aula 11 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 12 LED 3x18 W 8 1 18000 1 Proyector 220 W
C. Equip.
Telecom LED 3x18 W 1 1 12000 1 Telecom 1 KW
Baños P2 LED 3x18 W 4
Pasillo P2 LED 3x18 W 32
tercera
planta Aula 22 LED 3x18 W 8 1 18000 1 Proyector 220 W
C. Equip.
Telecom LED 3x18 W 1 1 12000 1 Telecom 1 KW
Baños P3 LED 3x18 W 4
Pasillo P3 LED 3x18 W 32
Nota. Esta tabla muestra la división por pisos que cuenta la FCMFQ con sus diferentes cargas que
posee realizado por.(Holguín, G. 2021).
Respecto a la planta baja (PB), cuenta con 5 aulas de clases con iluminación LED de
3x18W (3 tubos de 18W), con sus respectivos aires acondicionados (A.A) de 18.000 BTU y
tomacorrientes para energizar el proyector (video Beam) entre otros, la PB cuenta con un
auditorio de usos múltiple, que tiene un A.A de 60.000 BTU y dos de 18.000 BTU, con
proyector, televisores, entre otras cargas. En la PB se hallan ubicadas 2 aulas de
computación, con una capacidad de 40 computadores particulares, un proyector, con sus
respectivos aires acondicionados de 60.000 BTU, con iluminación LED de 3x18W (3 tubos
de 18W).
La primera planta alta tiene 5 aulas de clases y 12 oficinas para el personal docente,
con iluminación LED de 3x18W (3 tubos de 18W), con sus respectivos aires acondicionados
de 12.000 BTU/h y tomacorrientes para alimentar diversas cargas. Referente a la segunda y
tercera planta alta, es semejantes a planta anterior tienen 11 aulas de clases con iluminación
LED de 3x18W (3 tubos de 18W), con sus respectivos aires acondicionados de 18.000
BTU/h.
51
2.1.1.3. ANÁLISIS DE LAS MEDICIONES
Los datos recolectados con los equipamientos de medición PQ-Box 150, permitieron
conocer el comportamiento del sistema eléctrico en el edificio de la FCMFQ.
2.1.1.4. CÁLCULO DEL CONSUMO DE POTENCIA.

Desde la investigación previa hecha se determinó el consumo de potencia de la
FCMFQ por zonas basados en un levantamiento eléctrico de cargas lo cual permitió
direccionar nuestro análisis hacia los circuitos más frecuentes como, por ejemplo: los de
iluminación, las unidades de aires acondicionados, entre otras cargas eléctricas presentes en
la edificación.
2.1.1.5. CÁLCULOS DEL CONSUMO DE POTENCIA DE LOS SISTEMAS

DE ILUMINACIÓN
En la actualidad el edificio de la FCMFQ, tiene un sistema de iluminación compuesto

por luminarias tipo LED 3x18W (3 tubos de 18W) para oficinas y aulas de clases, en pasillos
hay luminarias 2x18W (2 tubos de 18W); según el estudio realizado, estas cargas eléctricas
se encuentran funcionando en forma permanente de lunes a viernes a partir de las 07:30
horas hasta las 18:00 horas, mientras que los fines de semana registran un bajo consumo
energético. En la Tabla 5 se observa la distribución de la iluminación por pisos.
52
2.1.1.6. REGISTO DE CARGA DE SISTEMAS DE ILUMINACION
Tabla 5.
Sistema de iluminación Consumo de un día laborable
COSTO
CONSUM TOTAL
PLANTA AMBIENTE TIPO CAPCIDAD CANT POTENCIA HORA DE USO O (KWH) (KWH/$)
Reflectores
Planta Terraza, Fluorescent 400 W
Terraza Ascensor e 2x18 W 4 1600 13 20,8 1,872
Planta
Baja (PB) Aula 1 LED 3x18 W 8 432 10 4,32 0,3888
Aula 2 LED 3x18 W 8 432 10 4,32 0,3888
Aula 3 LED 3x18 W 8 432 10 4,32 0,3888
Aula 4 LED 3x18 W 8 432 10 4,32 0,3888
Aula 5 LED 3x18 W 8 432 10 4,32 0,3888
S. Computo 1 LED 3x18 W 16 864 10 8,64 0,7776

0,7776
S. Computo 2 LED 3x18 W 16 864 10 8,64
C. Telecom LED 3x18 W 1 36 1 0,036 0,00324
Auditorio
(Usos
Múltiples) LED 3x18 W 16 864 10 8,64 0,7776
Fachada Fluorescente 1x42 W 22 924 13 12,012 1,08108
Baños PB LED 3x18 W 4 216 10 2,16 0,1944
Pasillo PB LED 3x18 W 32 1224 10 12,24 1,1016
primera
Aula 6
planta LED 3x18 W 8 432 10 4,32 0,3888
Aula 7 LED 3x18 W 8 432 10 4,32 0,3888
Aula 8 LED 3x18 W 8 432 10 4,32 0,3888
Aula 9 LED 3x18 W 8 432 10 4,32 0,3888
Aula 10 LED 3x18 W 8 432 10 4,32 0,3888
Oficina 1 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 2 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 3 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 4 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 5 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 6 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 7 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 8 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 9 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 10 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 11 LED 3x18 W 4 216 10 2,16 0,1944
Oficina 12 LED 3x18 W 4 216 10 2,16 0,1944
C. Telecom LED 3x18 W 1 36 1 0,036 0,00324
Baños P1 LED 3x18 W 4 216 10 2,16 0,1944
Pasillo P1 LED 3x18 W 32 1224 10 12,24 1,1016
53
segunda
Aula 11
planta LED 3x18 W 8 432 10 4,32 0,3888
Aula 12 LED 3x18 W 8 432 10 4,32 0,3888
Aula 13 LED 3x18 W 8 432 10 4,32 0,3888
Aula 14 LED 3x18 W 8 432 10 4,32 0,3888
Aula 15 LED 3x18 W 8 432 10 4,32 0,3888
Aula 16 LED 3x18 W 8 432 10 4,32 0,3888
Aula 17 LED 3x18 W 8 432 10 4,32 0,3888
Aula 18 LED 3x18 W 8 432 10 4,32 0,3888
Aula 19 LED 3x18 W 8 432 10 4,32 0,3888
Aula 20 LED 3x18 W 8 432 10 4,32 0,3888
Aula 21 LED 3x18 W 8 432 10 4,32 0,3888
C. Telecom LED 3x18 W 1 36 1 0,036 0,00324
Baños P2 LED 3x18 W 4 216 10 2,16 0,1944
Pasillo P2 LED 3x18 W 32 1224 10 12,24 1,1016
tercera
Aula 22
planta LED 3x18 W 8 432 10 4,32 0,3888
Aula 23 LED 3x18 W 8 432 10 4,32 0,3888
Aula 24 LED 3x18 W 8 432 10 4,32 0,3888
Aula 25 LED 3x18 W 8 432 10 4,32 0,3888
Aula 26 LED 3x18 W 8 432 10 4,32 0,3888
Aula 27 LED 3x18 W 8 432 10 4,32 0,3888
Aula 28 LED 3x18 W 8 432 10 4,32 0,3888
Aula 29 LED 3x18 W 8 432 10 4,32 0,3888
Aula 30 LED 3x18 W 8 432 10 4,32 0,3888
Aula 31 LED 3x18 W 8 432 10 4,32 0,3888
Aula 32 LED 3x18 W 8 432 10 4,32 0,3888
C. Telecom LED 3x18 W 1 36 1 0,036 0,00324
Baños P3 LED 3x18 W 4 216 10 2,16 0,1944
Pasillo P3 LED 3x18 W 32 1224 10 12,24 1,1016
Nota. Esta tabla presenta el consumo energético mensual del sistema de iluminación de la FCMFQ
distribuida por piso realizado por.(Holguín, G. 2021).
El consumo de potencia mensual del sistema de iluminación, representa una carga de

5514,932 KW, del consumo total de la FCMFQ; el mayor consumo se encuentra en la planta
baja con 1494,856 KW, en los pisos 1, 2 y 3 se consumen 1158,068 KW, y en la terraza
545,872 KW. La secuencia de consumo del sistema de iluminación se observa en la Tabla
6.
54
Tabla 6
Distribución del Consumo por piso del sistema de iluminación

Planta Consumo Energético (KW)
Lunes Martes Miércoles Jueves Viernes Sábado Domingo Semanal Mensual
Planta Baja (PB) 73,935 66,492 70,298 71,334 63,384 15,198 13,073 373,714 1494,856
Planta 1 (1er Piso) 61,947 55,711 58,899 59,767 53,107 0,046 0,04 289,517 1158,068
Planta 2 (2do Piso) 61,947 55,711 58,899 59,767 53,107 0,046 0,04 289,517 1158,068
Planta 3 (3er Piso) 61,947 55,711 58,899 59,767 53,107 0,046 0,04 289,517 1158,068
Planta Terraza 21,798 19,604 20,726 21,031 18,688 18,612 16,009 136,468 545,872
Consumo Actual
281,574 253,229 267,721 271,666 241,393 33,948 29,202 1378,733 5514,932
Sistema de Iluminación
Nota. Esta tabla presenta la distribución del consumo de potencia del sistema de iluminación a lo
largo de los días de la semana, presentando un consumo semana y mensual realizado
por.(Holguín, G. 2021).
2.1.1.7. CÁLCULOS DEL CONSUMO DE POTENCIA DE AIRES

ACONDICIONADOS
En Tabla 7 se observa los aires acondicionados que se encuentran en el edificio de la

FCMFQ, las aulas de clases tienen unidades de 18000 BTU, las oficinas de los docentes de
12000 BTU, y el auditorio cuenta con una unidad de 60000 BTU., se muestra un resumen
del consumo diario del sistema de aires acondicionados.
Se estimó que el tiempo de operación de estos equipos es continuo de lunes a viernes,

de 7:30 am a 6:00 pm, según la información recopilada realizada anteriormente.
55
2.1.1.8. REGISTRO DE CONSUMO DE AIRES ACONDICIONADOS
Tabla 7
Sistema de aires acondicionados consumo de potencia de un día laborable
FACTOR
DE COSTO
POTENCI DEMANDA OPERACI POTENCIA HORA DE CONSUMO TOTAL
PLANTA AMBIENTE A BTU (K) ÓN A(KW) USO (KWH) (KWH/$)
Planta
Baja (PB) Aula 1 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 2 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 3 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 4 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 5 18000 2,4 0,4 0,96 7 6,72 0,6048
S. Computo 1 18000 8 0,4 3,2 7 22,4 2,016
S. Computo 2 18000 8 0,4 3,2 7 22,4 2,016

C. Telecom 18000 1,6 0,4 0,64 10 6,4 0,576
Auditorio
(Usos
Múltiples) 18000 8 0,4 3,2 4 12,8 1,152
Aula 6 18000 2,4 0,4 0,96 7 6,72 0,6048
primera
Aula 7
planta 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 8 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 9 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 10 18000 2,4 0,4 0,96 7 6,72 0,6048
Oficina 1 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 2 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 3 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 4 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 5 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 6 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 7 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 8 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 9 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 10 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 11 12000 1,6 0,4 0,64 6 3,84 0,3456
Oficina 12 12000 1,6 0,4 0,64 6 3,84 0,3456
C. Telecom 12000 1,6 0,4 0,64 10 3,84 0,3456
56
segunda
Aula 11
planta 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 12 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 13 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 14 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 15 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 16 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 17 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 18 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 19 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 20 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 21 18000 2,4 0,4 0,96 7 6,72 0,6048
C. Telecom 12000 1,6 0,4 0,64 10 6,4 0,576
tercera
Aula 22
planta 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 23 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 24 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 25 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 26 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 27 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 28 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 29 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 30 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 31 18000 2,4 0,4 0,96 7 6,72 0,6048
Aula 32 18000 2,4 0,4 0,96 7 6,72 0,6048
Nota. Esta tabla presenta el consumo de las unidades de aires acondicionados que se encuentran
en la FCMFQ realizado por.(Holguín, G. 2021).
El consumo mensual de las unidades de aires acondicionados equivale a 6705,888

KW, en la planta baja se consume 1999,348 KW, el 1er piso alto 1640,3 KW, el 2do piso
alto 1533,12 KW y el 3er piso alto 1533,12 KW. En la Tabla 8 se muestra el consumo diario
por niveles, mensual y semanal.
Tabla 8
Distribución del Consumo por piso de los aires acondicionados

Planta Baja (PB) 105,241 94,64 100,06 101,5 90,22 4,369 3,758 499,83 1999,3
Planta 1 (1er Piso) 86,029 77,36 81,796 83 73,75 4,369 3,758 410,07 1640,3
Planta 2 (2do Piso) 80,29 72,21 76,343 77,46 68,83 4,369 3,758 383,28 1533,1
Planta
Consumo3 (3er Piso)
Actual 80,29 72,21 76,343 77,46 68,83 4,369 3,758 383,28 1533,1
Sistema de aires 351,85 316,4 334,54 339,4 301,6 17,47 15,032 1676,4 6705,8
acondicionado
Nota. Esta tabla presenta el consumo mensual de las unidades de aires acondicionados diario por
niveles, mensual y semanal elaborado por.(Holguín, G. 2021).
57
2.1.1.9. CÁLCULOS DEL CONSUMO EN TOMA CORRIENTES
En los circuitos de toma corriente se encuentran diversas cargas, producto de los

diversos usuarios que ingresan a la FCMFQ, sin embargo, las más significativas permanecen
representadas por conjuntos audiovisuales como, por ejemplo, computadores y proyectores,
dichos se hallan en las aulas de clases como primordial herramienta de trabajo. En la Tabla
9 se puede ver la distribución de tomas en la Facultad de Ciencias Matemáticas, Físicas y
Químicas.
2.1.1.10. REGISTRO DE CONSUMO DE TOMACORRIENTES
Tabla 9
Consumo en los Toma Corriente de un día laborable
EQUIPOS COSTO
POTENC FACTOR DE STANDB HORA DE CONSUM
PLANTA AMBIENTE CANT CONECTAD TOTAL
IA (W) OPERACIÓN y (W) USO O KW/H
OS DEL KWH $
Planta
Baja (PB) Aula 1 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 2 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 3 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 4 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 5 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
1 Proyector 210 0,41 7 0,67856 0,0610704
2,074190
S. Computo 1
40 Computador 180 0,4 0,41 7 23,04656 4
1 Proyector 210 0,41 7 0,67856 0,0639504
S. Computo 2
40 Computador 180 0,4 0,41 7 23,04656 2,0741904
C. Telecom 1 Eq.Telecom 750 0,4 0,41 10 3,40574 0,3065166
Auditorio 1 Proyector 180 0,4 0,41 4 0,36779 0,0331011
(Usos
Múltiples) 2 TV 42” 58 0,4 0,41 4 0,1938 0,017442
primera
Aula 6
planta 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 7 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 8 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 9 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 10 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Oficina 1 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
58
segunda
Aula 11
Aula 12 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 13 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 14 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 15 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 16 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 17 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 18 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 19 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 20 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 21 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
tercera
Aula 22
Aula 23 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 24 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 25 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 26 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 27 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 28 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 29 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 30 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 31 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Aula 32 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
Nota. Esta tabla presenta el consumo en los circuitos de toma corriente hay diferentes cargas que
son cambiantes, producto de los diversos usuarios del FCMFQ realizado por.(Holguín, G. 2021).
El consumo mensual calculado para los circuitos de toma corriente es de 1817,552

KW, este se separó por pisos, en donde el mayor consumo está represente en la planta baja
con 1049,168 KW ya que ahí se hallan ambos laboratorios de computación, el piso #1
consume 308,632 KW, el 2do piso 229,876 KW y el 3er piso con 229,876 KW.
En la Tabla 10 se presenta la distribución de energía consumida por cada piso de la

FCMFQ, donde se recolecto datos de lunes a domingos, por semanas y datos mensuales del
consumo.
59
Tabla 10
Distribución del Consumo por piso de los Toma Corriente

Planta Baja (PB) 54,679 49,174 51,989 52,755 46,876 3,666 3,153 262,292 1049,168
Planta 1 (1er Piso) 15,055 13,539 14,314 14,525 12,906 3,666 3,153 77,158 308,632
Planta 2 (2do Piso) 10,841 9,749 10,307 10,459 9,294 3,666 3,153 57,469 229,876
Planta 3 (3er Piso) 10,841 9,749 10,307 10,459 9,294 3,666 3,153 57,469 229,876
Consumo Actual
Sistema de toma 91,416 82,211 86,917 88,198 78,37 14,664 12,612 454,388 1817,552
corrientes
Nota. Esta tabla presenta la distribución por cada piso de la FCMFQ, donde se recolecta datos de
lunes a domingos, por semanas y datos mensuales del consumo realizado por.(Holguín, G. 2021).
2.1.1.11. CONSUMO POR HORA DE LA FCMFQ
Para el cálculo de del consumo realiza por hora de la FCMFQ se tomó en cuenta las
horas de trabajo que se realizan en la facultad, se realizó el estudio desde las 7:00 am de la
mañana es cuando empiezan la jornada laboral dentro de la institución hasta las 18:00 pm de
la tarde por lo general es cuando se terminal la jornada, en la Tabla 11 se puede observar el
consumo de las carga distribuida de lunes a domingo en la jornada de trabajo que se
mencionó dónde podemos estimar el consumo de potencia del edificio diariamente.
Tabla 11.
Consumo por horas de la FCMFQ
Consumo Energético (KW)
Horas Lunes Martes Miércoles Jueves Viernes Sábado Domingo
7:00 0 0 0 0 0 0 0
8:00 66,21 59,55 62,94 63,81 56,75 6,36 5,46
9:00 68,21 61,55 64,94 65,81 58,75 8,36 8,46
10:00 69,21 62,55 65,94 66,81 59,75 9,36 9,46
11:00 70,21 63,55 66,94 67,81 60,75 10,36 10,46
12:00 61,21 54,55 57,94 58,81 51,75 1,36 2,46
13:00 60,21 53,55 56,94 57,81 50,75 0,36 2,46
14:00 73,21 66,55 69,94 70,81 63,75 13,36 13,46
15:00 74,21 67,55 70,94 71,81 64,75 14,36 14,46
16:00 75,21 68,55 71,94 72,81 65,75 15,36 15,46
17:00 56,21 49,55 52,94 53,81 46,75 2,36 1,46
18:00 55,21 48,55 51,94 52,81 45,75 1,36 1,46
Nota. Esta tabla presenta la distribución por hora de la FCMFQ, donde se recolecta datos de lunes
a domingos del consumo realizado por.(Holguín, G. 2021).
60
2.1.1.12. CONSUMO MENSUAL DE LA FCMFQ
Una vez se determinó los consumos de potencia cotidianos productos del sistema de
iluminación, sistema de aire acondicionado, toma corriente y otras cargas especiales; se
calculó los consumos semanales y mensuales para cada tipo de cargas eléctricas analizada
anteriormente, en este sentido el consumo mensual en la FCMFQ es de alrededor de
14132,09262 KW.
En la Tabla 12 se presenta lo valores de consumo obtenido en el edificio de la

FCMFQ con el analizador de red.
Tabla 12
Distribución del Consumo actual de la FCMFQ

Tipo de Cargas
Eléctricas Consumo Energético (KW)
Sistemas de Luminarias 281,368 253,726 267,858 271,707 242,184 66,743 59,321 1442,907 5771,628
Aires Acondicionados 351,673 317,124 334,787 339,598 302,697 0 0 1645,879 6583,516
Toma Corrientes 91,575 82,579 87,178 88,431 78,822 0,572 0,508 429,665 1718,66
Cargas Especiales 21,718 19,585 20,676 20,973 18,694 20,601 18,31 140,557 562,228
Central fotovoltaica
(aporte) 18 18 18 18 18 18 18 126 504
Total consumo actual 728,334 655,014 692,499 702,709 624,397 69,916 60,139 3533,008 14132,032
Nota. Esta tabla presenta los valores de consumo obtenido en el edificio de la FCMFQ con todos
los equipos que se ha venido estudiando realizado por.(Holguín, G 2021).
2.1.2. CARACTERISTICAS DE LA CENTRAL FOTOVOLTAICA
La FCMFQ cuenta con unos paneles fotovoltaicos de 190 Wp ,instalados en la cuarta

planta alta del edificio (terraza) como se muestra en la Figura 25 el cual se encarga de
suministra o aportar energía en condiciones de funcionamiento 3032 kWp (50º) , esta fuente
de energía renovable tiene 18 módulos de silicio monocristalino marca SIMAX de patente
alemana con un área de captación por módulo de 6,4m2, con 9 módulos en paralelos, con
una inclinación de 5º; poseen un inversor fotovoltaico de conexión a la red de 3KW de
potencia.
61
Figura 19
Paneles fotovoltaicos instalados en la azotea de la FCMFQ
Nota. El grafico presenta una vista en el aire de la central fotovoltaica que se encuentra en la
terraza del edificio de FCMFQ que es realizado por.(Holguín, G. 2021).
2.1.2.1. RADIACIÓN SOLAR DIARIA EN LA CIUDAD DE PORTOVIEJO
La provincia de Manabí se ubica en el territorio costero del Ecuador, posee uno de

los niveles más elevados de la radiación solar incidente en relación con el resto del país. En
la tabla 13 se muestra la información estadística del potencial solar promedio al, la ciudad
de Portoviejo posee niveles elevados de radiación solar los cuales se presentan desde las 7
am hasta las 18 pm diariamente, donde se existe una mayor radiación en las horas de las 12
a 13 pm. El análisis de los datos reflejados en la Tabla permite definir que el nivel de la
radiación solar promedio incidente en la ciudad de Portoviejo, se encuentra por encima de
los valores promedios registrados para la provincia de Manabí, por lo que cualquier inversión
realizada en el área de estudio, garantiza niveles energéticos superiores a los esperados en el
resto de la provincia.(Gámez et al. 2017).
62
Tabla 13.
Radiación solar diaria de Portoviejo
RADIACION SOLAR (W/M^2)
HORA LUNES MARTESMIÉRCOLES JUEVES VIERNES SÁBADO DOMINGO
7:00 24 25 25 32 40 26 31
8:00 84 84 85 199 119 86 111
9:00 240 440 138 425 180 139 181
10:00 491 646 182 638 201 182 255
11:00 466 736 255 726 235 440 487
12:00 294 693 317 763 252 634 671
13:00 413 484 357 736 228 755 780
14:00 624 615 493 744 211 699 758
15:00 673 563 523 672 179 600 671
16:00 493 617 454 522 135 450 518
17:00 283 259 279 303 222 279 281
18:00 79 69 72 71 72 70 56
Nota. La tabla presenta la radiación solar que se presenta diariamente en la ciudad de

Portoviejo realizado por. (Gámez et al. 2017).
El estudio realizado en la tabla anterior demuestra la radiación solar que se genera
en la ciudad de Portoviejo en una semana alzar donde podemos observar que desde las 7 am
hasta las 18 pm hay presencia de radiación por lo tanto la central fotovoltaica puede empezar
a trabajar cuando exista presencia del sol, y llega a su potencia máximo te trabajo de 3KW
cual son las 12 a 13 pm debido a que en esas horas del día es donde se encuentra en el pico
máximo la radiación solar y puede ser usada de mejor manera por el equipo entregado así su
potencia máxima instalada, ya en hora del ocaso en donde va disminuyendo la radiación
hasta llega a las 18 pm donde se observó el valor más bajo.
2.1.3. ANÁLISIS DE FACTOR DE POTENCIA

Este estudio no se lo hace con el propósito de corregir el Fp, sino, entender la
conducta del mismo, ya sean en el día como en la noche. De tal forma la Figura 25 , es la
representación de la toma de datos que corresponden al Fp, en la cual se aprecian valores
por abajo de 0,92. Teniendo presente la conducta del Fp presente anteriormente mencionada,
tenemos la posibilidad de tener una iniciativa de las fuertes penalizaciones que recaerán
sobre la UTM por exponer valores de Fp por abajo de 0,92, de la misma forma que lo decreta
la Agencia de Regulación y Control de Electricidad, (2018), potro lado, no ya que presente
valores bajos de Fp supone que va a ser penalizado rápidamente, para ello se debe examinar
el tipo de tarifa que tiene la UTM, y así poder decidir quién es el responsable de anular las
penalizaciones que produce la organización.
63
Figura 20.
Diagrama de factor de potencia (WinPQ Mobil).
Nota. El grafico presenta el factor de potencia que se presenta en el edificio de FCMFQ que es
realizado por.( Holguín, G. 2021).
Se registró una potencia inductiva gracias a las cargas de iluminación, aires

acondicionados entre otros. El costo promedio del componente del factor de potencia es
0,766 en atraso. En la Tabla 14 se presentan valores máximos y mínimos del elemento de
potencia. Es claro comprender que los valores bajos de Fp, se muestran en su enorme mayor
parte en las noches, debido a que, la carga reduce de manera considerable, realizando que el
Fp caiga a valores por abajo del 0,92
Tabla 14
Factor de Potencia por fase medidas
Min Mean Max

PFL1 0,852 0,949 0,993
PFL2 0,668 0,893 0,995
PFL3 0,779 0,94 0,996
Nota. Esta tabla presenta valores máximos y mínimos del elemento del factor potencia en cada fase
realizados por.(Holguín, G. 2021).
64
2.1.4. SISTEMA DE ALMACENAMIENTO DE ENERGÍA(BATERÍAS)
Para este dimensionamiento se hizo un estudio con la energía que la facultad

consume de la red, y con las propiedades que tiene la mini-central fotovoltaica que existe.
Con esto, se obtuvo el dimensionamiento de la batería, para la utiliza el sistema, la batería
que se implementa es de litio de alta tensión; con un rango de 120 - 500 V, y con una
capacidad de 7 kWh, las baterías se deben de cargar cuando estén en un 60% de su capacidad
para cuidar el equipo y aumenta el tiempo de vida útil.
Con los requerimientos antes mencionados se utiliza la batería de Litio LG Chem

RESU 7H, la cual presenta las siguientes características.(Vélez 2018).
 La batería RESU 7H está desarrollada específicamente para ser compatible

con SolarEdger;
 Cuenta con una capacidad útil de 6,6 kWh;
 Se acopla con sistemas de SMA SB Storage 2,5 y Solaredge;
 Se adapta a un consumo anual de 2000 kWh – 15000 kWh;
 El nivel de tensión de trabajo 120 – 500 V;
 Cuenta con una potencia máxima 3,5 kW;
 Cuenta con un pico de potencia de 7,0 kWh durante 10 segundos;
 Cuenta con una capacidad de 63 Ah;
 El peso de la batería es de 76 kg;
 Las dimensiones de la batería son de 744x692x206 mm (HxAxP);
 Presenta una profundidad máxima superior al 90%;
 Garantía de 10 años. Más de 6000 ciclos.
Cuando se dimensionó el sistema de almacenamiento de energía, se incursionó en un

estudio para conocer cuál podría ser el aporte de las baterías en el sistema eléctrico, en caso
de guardar toda la energía que se produce en el día, y usarla por las noches para satisfacer la
demanda que se consume en esa hora.
65
2.1.5. TRANSFORMADO QUE SUMINISTRA DE ENERGÍA LA FCMFQ
La Facultad de Ciencias, Matemáticas, Físicas y Químicas, cuenta con un

transformador trifásico tipo pedestal de 250 KVA es radial está conectado a la línea de
alimentación primaria, alimenta las cargas en sus instalaciones, la protección de MV del
transformador pedestal consiste en un fusible de expulsión tipo bay-onet en serie con el
fusible limitador de corriente. La protección en BV consiste en un interruptor automático
Schneider Electric de caja moldeada de 3 polos y 630 Amperes, el borne neutro del
transformador está conectado con un conductor, del mismo calibre del conductor de neutro,
hacia la malla de puesta a tierra. El tanque del transformador está conectado también a la
malla de puesta a tierra. A esta tierra se deben conectar sólidamente todas las partes metálicas
que no transporten corriente y estén descubiertas, para el sistema de distribución subterráneo
para medio voltaje, se utilizaron cables monopolares con conductor de cobre aislados (100%
y 133% de nivel de aislamiento) con polietileno reticulado termoestable (XLPE) o
polietileno reticulado retardante a la arborescencia (TRXLPE), en la Tabla 15 se presenta
las característica del transformado que se encuentra instalado en los predios de la FCMFQ
Características del transformador de distribución
Tabla 15.
Características del transformador de distribución
Potencia 250 kVA
Voltaje Primario: 13800 voltios
Voltaje secundario: 127/220 voltios
Trans. Clase: Distribución
Tipo: Trifásico- padmounted
Frecuencia: 60 HZ
Temperatura a ambiente promedio: 30 °c
Refrigeración: ONAM
Polaridad: Aditiva
Derivación del TAP: +1 a -3 x 2,5%
BIL P(KV) 95
BIL S(KV) 30
Nota. Esta tabla presenta las característica del transformador que se encuentra en la FCMFQ
realizados por.(Autoría propia).
66
Cabe indicar que previa inspección se pudo determinar que en el sector existe la red
de medio voltaje trifásica a 13,8 KV con conductor de aluminio ACSR.2/0, configuración
Conductores es 3F4C sobre un poste de hormigón armado propiedad de la CNEL EP Unidad
de Negocios Manabí proveniente del alimentador 11_10_21 UTM de la S/E PORTOVIEJO
1, la cual suministra de energía a la Universidad Técnica de Manabi y también a la FCMFQ
donde trabaja diariamente para suplir la carga que genera constantemente.
2.1.6. GENERADOR DIÉSEL

El generador diésel cumple las funciones de fuente de energía de emergencias que se
mantiene siempre disponible en caso se presenten problemas en el suministro de energía en
la red externa o interna de la UTM, este generados solo es usado para casos especiales o de
suma necesidad cuando se lo requiera, funcionamiento del generador un grupo electrógeno
se encarga de convertir el movimiento o energía mecánica en energía eléctrica alterna, la
cual pasa a través de una serie de cables y llegan a las instalaciones. En muchos sentidos, el
generador actúa de la misma forma en la que una bomba se encarga de hacer que el agua
fluya por las tuberías. Las partes de un generador eléctrico comprenden un motor, un
alternador, un sistema de combustible, un regulador de voltaje, un sistema de lubricación,
sistemas de enfriamiento y escape, un panel de control y un cargador de batería, en la Tabla
16 se presenta las características del generador.
67
Tabla 16.
Características del generador diésel
Motor
Marca Cummins
Modelo NTA855-G1B
Numero de cilindros 6/L
RON nominal 1800 RPM
Sistema de enfriamiento Por agua radiador
Combustible Diésel
Gobernador Electrónico
Consumo (L/H, prime 100%) 800.5 L/H
Alternador
Marca Stamford
Modelo HCI444D
Potencia prime 275KW/344KVA
Potencia standby 250 KW/275 KVA
Corriente 985 A
Voltaje 220 V
Numero de fase 3F
Factor de potencia 0.8
Frecuencia 60 HZ
Nota. Esta tabla presenta las característica del generado diésel que será usado en caso de
emergencia para suplir la energía que se requiera en la FCMFQ realizados por.(Autoría propia).
2.1.7. ANÁLISIS DE LOS PARÁMETROS

Una vez hecho el análisis de los parámetros eléctricos que influyen en la FCMFQ,
tenemos la posibilidad de comprender cuáles son las necesidades e inconvenientes que hay
en el sistema eléctrico, y por tal razón se alcanzó la conclusión, de llevar a formar un sistema
inteligente que nos permita una correcta gestión energética para un mayor aprovechamiento
de la misma, de esta forma le lograra una optimización del sistema llevándolo a un sistema
energéticamente eficiente.
2.2. ESTRUCTURA RNA PROPUESTA
Una vez examinado los datos más relevantes, y se tuvo una iniciativa clara de cuáles
podrían ser los decisores para la toma de elección, se determinó que para esta investigación
se usó la estructura de “The Neural Net Pattern Recognition (Las redes de reconocimiento
de patrones.)”, son redes de avance de dos capas que se pueden entrenar para clasificar las
entradas según las clases, le ayuda a seleccionar datos, dividirlos en conjuntos de
entrenamiento, validación y prueba, la red usa el algoritmo de Retropropagacion de
68
Gradiente Conjugado Escalado (Scaled Conjugated Gradient Backpropagation-SCGB) por
ser simple y rápido al momento del entrenamiento y genera resultado aceptables, este
algoritmo se basa en direcciones conjugadas pero no realiza una búsqueda de línea en cada
iteración.
Después de que se llevó a cabo diferentes arquitecturas, partiendo de la más

elemental, se llegó a la conclusión que la arquitectura óptima para solucionar este problema
consta de 1 capa oculta con 30 neuronas en ella. Usando la capacidad de activación sigmoidal
para la capa de salida, se establece cada valor objetivo escalar en (0) o (1), lo que indica a
qué clase pertenece la entrada correspondiente.
Las redes de reconocimiento de patrones brindan varios beneficios, según la

aplicación, en general, encontrar patrones en los datos ayuda a analizar y predecir tendencias
futuras o desarrollar sistemas de alerta temprana basados en indicadores de patrones
específicos. En la Figura 21 se presenta la estructura de la red donde se puede observar que
consta de 6 entradas en la que se cuenta 30 neuronas en la capa oculta como se mencionó
con anterioridad y posea 5 salidas para cada respuesta de los valores que se ingresen
Figura 21
Estructura de la RNA
Nota. Este grafico presenta la estructura de la red neuronal de reconocimiento de patrones con sus
entradas, capa oculta y las salidas realizado por.(Autoría propia).
2.3. VARIABLES
2.3.1. ENTRADAS DE LA RNA
Las variables de entrada de la red para este caso fueron los parámetros de consumo
obtenido, radiación solar que se genera en el día, el factor de potencia, la conexión a la red
pública (trafo), el generador diésel y las baterías. Para mayor facilidad se optó por tomar los
valores de los parámetros previamente mencionados y se los normaliza entre (0 – 1), con el
69
objetivo de que fueran las entradas de la RNA, tal y como se lo muestra en la Tabla 17. Por
otro lado, la adecuada interpretación de dichos valores ayudará a comprender los resultados
que se obtendrán con la RNA, por lo cual en la Tabla 17 se presentan los valores de entrada
que serán analizados por la red.
Tabla 17
Rango de los valores de los parámetros
RANGO DE CONSUMO PANEL FV

Con radiación solar Radiación solar
Mayor a 75kw Menor a 3kw mayo a 100 w/m^2 menor a 100 w/m^2
1 0 1 0
RED ELÉCTRICA (TRAFO) GENERADOR DIÉSEL

Red Energizada Red des energizada Conectado Desconectado
1 0 1 0
BATERÍAS FACTOR DE POTENCIA

Cargadas al 100% Descargadas al 60% Mayor o igual a 0,92 Menor a 0,92
1 0 1 0
Nota. Esta tabla presenta los rangos que se le dieron a los valores de entrada para poder realizar
el entrenamiento de la red realizado por.(Autoría propia).
En la Tabla 18 se evidencian los valores de cada variable de entrada en la que se

otorgó un rango de (1) a (0), para las siguientes variables:
La primera variable CONSUMO se representa el valor de (1) cuando el consumo de

potencia de la FCMFQ se encuentra por encima de los 75kw es el valor máximo que genera
la facultad en dias laborables, por lo tanto, el valor que se representa con el valor (0) es el
consumo que está por debajo de los 3kw este valor se genera cuando se acaba la jornada
laboral y el edificio deja de generar por lo genera este valor desciende en las horas de la
noche que es donde no hay cargas conectadas, este parámetro se usa para ver cuál es el
consumo que se encuentra generando el edificio.
La segunda variable de entrada es la RED ELÉCTRICA(TRAFO) el valor asignado

para (1), que significa que el transformado se encuentra suministrada de energía al Facultad
de Ciencias Matemática, Física y Química, mientras que para el valor de (0), lo que indica
el transformador no se encuentra abasteciendo de energía a la FCMFQ, se puede deberse a
diversas circunstancias externa como fallas a la red pública, por daños al transformador o
por accidentes, esta segunda variable es usada permanente mente debido a que la facultad
70
no cuenta con otra fuente de energía que supla la demanda que se requiere en el día, la centra
fotovoltaica que se encuentra no genera la suficiente potencia que se requiere para satisfacer
la demanda en dias laborables.
Para la tercera variable de entrada tenemos las BATERÍAS cuyo valor de (1), indican
que están cargadas a su totalidad listas para ser usadas cuando se lo requiera, mientras que
el valor de (0) indica que se encuentran a un 60% de su capacidad debido que si se descarga
a menos del 60% la vida útil del equipo se acorta, esta variable puede ser usada en las horas
de la noche cuando hay poco consumo debido a que no se encuentran cargas conectada lo
que puede genera caída al factor de potencia.
Para la variable de PANELES FV muestra que el valor de (1) es cuando existe

radiación solar mayor a los 100 w/𝑚2 con la que pueda trabajar el módulo fotovoltaico, por
consiguiente, el su valor de (0) indica que la radiación solar esta por deja bajo o es inferior
a 100 w/𝑚2 lo que no permita trabajar al panel fotovoltaico, que puede estar ocasionado por
días lluvioso o que se encuentre en horas de la noche, este parámetro se lo puede usar para
los día sábados y domingos que no se labora en la FCMFQ por lo tanto la potencia que puede
entregar la central sería suficiente para mantener el funcionamiento de la facultad sin estar
conectado a la red.
Por su parte la variable del GENERADOR DIÉSEL su valor de (1) significa que el
equipo está en funcionamiento por lo tanto se encuentra suministrando energía y su valor de
(0) que se encuentra desconectado, debido a que este solo es usado de emergencia cuando la
FCMFQ lo requiera, este parámetro como se lo menciona es solo usado para casos de
emergencia cuando no se encuentra presente el suministro de la red y el consumo del edificio
se encuentra en su punto máximo y es necesaria su utilización debido a que la central
fotovoltaica que se encuentra no es capaz de suplir la demanda, en tal caso solo se usara el
generador con fines de emergencia.
Como último se tiene la variable de FACTOR DE POTENCIA en la que se puede

observar cómo su valor de (1) está considerado para el FP de la FMCFQ que se encuentre
en 0,92 mientras que el valor de (0) se considera para cuando su FP sea inferior a 0,92 debido
a que por las noches su valor desciende lo que podría generar multa para la institución porque
la empresa penaliza un FP bajo, esto se produce debido a las cargas de iluminación y de aires
acondicionado.
71
Todos estos rangos que se han considerado como los valores de entrada que se le da
a la red para su entrenamiento. baterías
Tabla 18
Valores de entrada de la red
Consumo PV FP RED G. diésel Baterías

1 1 1 1 0 0
0 1 1 1 0 0
0 1 0 1 0 0
1 1 1 1 1 0
0 1 1 1 1 0
0 1 0 1 1 0
1 1 1 1 1 1
1 0 1 1 1 1
1 0 1 1 0 1
0 0 1 1 1 1
0 0 1 1 0 1
0 0 0 1 0 0
0 0 0 1 0 1
0 0 0 0 0 1
0 0 0 0 1 1
0 0 0 1 1 1
0 0 0 1 0 0
0 0 0 1 1 0
1 0 1 0 1 0
1 1 1 0 1 1
0 0 1 0 1 0
0 0 1 0 1 1
0 0 0 0 1 0
0 0 0 0 0 0
Nota. Esta tabla presenta la matriz de entrada que se incorpora a la red para el proceso de
entrenamiento con sus 6 variables realizado por.(Autoría propia).
En la Tabla 18 se consideran los vectores de entrada que se incorporaron en la red

para su proceso de entrenamiento, los 'datos' de entrada son una matriz de 6 x 124, que
representa datos estáticos: 6 muestras de 124 elementos los cuales se encuentra entre los
rangos mencionados anterior mente en la Tabla 17 donde se puede observar algunos datos
tomados.
72
2.3.2. SALIDAS DE LA RNA
Para el desarrollo de este trabajo se expuso como resultado de la topología obtenida

por el sistema que da cinco salidas cuyos parámetros son: Conectar Central fotovoltaica/
Mantener RED/ Conectar Baterías, Mantener RED/Desconectar Central fotovoltaica/
Desconectar Baterías, Aislar RED/Conectar Baterías, Conectar RED/Desconectar BAT
(descargadas), Conectar Generador/Aislar RED. Estos vectores se clasificaron en 5 clases
cuya codificación es (1 0 0 0 0), (0 1 0 0 0), (0 0 1 0 0), (0 0 0 1 0) y (0 0 0 0 1), como se
muestra en la Tabla 19, cana una de estas salidas corresponde a un conjunto de valores de
entra que se le da a la red, esta información que se le ingresa pasa a través de las capas que
posee la estructura donde como resultado una de las salidas ya mencionada que se a escogido
con referencia a los valores de ingreso, en consecuencia si tiene un valor de salida en
consecuencia la neurona que se ubique en esa posición recibe el valor de (1) que afirma a
que salida pertenece mientras que toda las demás se les otorga su valor de (0) como se
observa en la Tabla.
Tabla 19
Parámetros de salida de la red
Conectar CV/ Mantener Aislar Conectar

RED/ Conectar BAT para Mantener RED/Desconectar RED/Conectar RED/Desconectar BAT Conectar
cargar CV/ Desconectar BAT BAT (descargadas) GEN/Aislar RED
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
Nota. Esta tabla presenta la topología obtenida por el sistema que da cinco salidas representadas
en código binario realizado por.(Autoría propia).
2.4. ENTRENAMIENTO DE LA RNA
El software para realizar el proceso de entrenamiento fue el Matlab R2017b. Es capaz

de producir un modelo de red neuronal bastante sencillo si se usa varias herramientas de
ayuda que dispone el programa como Math, statistic and optimization el cual despliega un
menú con diversas aplicaciones como son: neural next clustering, neural next fitting, curve
fitting, neural, neural network pattern, next time series, entre otras más como
73
A través de la herramienta neural network pattern recognition tool (nprtool) de
MATLAB, se hizo el entrenamiento de la red neuronal usando las muestras recolectadas. La
red neuronal propuesta se basa en 6 entradas correspondientes a los 124 datos de los
parámetros mencionados, que corresponden a los patrones: consumo de la demanda de
potencia obtenida, radiación solar que se genera en el día, el factor de potencia, la conexión
a la red pública, el generador diésel y las baterías.
El entrenamiento se hizo mediante método de retropropagación de gradiente

conjugado y el rendimiento de la red neuronal por medio del procedimiento de entropía
cruzada debido a que esta posibilita penalizar poderosamente las salidas con enorme error,
y establece una escasa penalización para las salidas con errores mínimos.
La aplicación neural network pattern recognition tool ayudo a seleccionar datos,

crear y entrenar una red, donde a esta red neuronal se asignó entre un conjunto de datos de
entradas numéricas y un conjunto de objetivos numéricos.
Es una red de alimentación hacia adelante de dos capas con neuronas sigmoides
ocultas y neuronas de salida softmax (patternnet), puede clasificar vectores arbitrariamente
bien dadas suficientes neuronas en su capa oculta.
2.4.1. MÉTODO DE RETROPROPAGACIÓN DE GRADIENTE

CONJUGADO
El algoritmo de retropropagación es el algoritmo primordial de aprendizaje del
perceptron multicapa. Por medio de él se van adaptando los parámetros de la red, es un tipo
de entrenamiento supervisado, este algoritmo muestra una convergencia superlineal en la
mayor parte de los inconvenientes. Utilizando un mecanismo para dictaminar que tan lejos
ir en una dirección especificada, previene un periodo de consumo en la búsqueda lineal por
iteración de aprendizaje, el cual hace el algoritmo más veloz que otros algoritmos de segundo
orden. El entrenamiento de la red neuronal se realizó por medio de la técnica back-
propagation. Los métodos de gradiente conjugado escalado están basados en la técnica
general de optimización. Utilizamos back-propagation gradiente conjugado escalado para
realizar la red neuronal.
2.4.2. TRASMISIÓN DE LOS DATOS DE ENTRADA

Una vez que se muestro el patrón de ingreso o entrada, éste se transmite por medio
de los pesos a partir de la capa de acceso hacia la capa oculta. Las neuronas de esta capa
intermedia convierten las señales recibidas por medio de la aplicación de una funcionalidad
74
de activación proporcionando, formando, un valor de salida. Este se procesa por medio de
los pesos hacia la capa de salida, donde implementando la misma operación que en el caso
anterior, las neuronas de esta última capa otorgan la salida de la red.
Una vez ingresados los valores tanto de entrada con los de salida se precede a realizar
el entrenamiento de la red. En la fase de aprendizaje, el propósito que se sigue es hacer
mínima la discrepancia o error entre la salida obtenida por la red frente a la presentación de
un grupo de patrones nombrado conjunto de entrenamiento. Por este fundamento, se planteó
que el aprendizaje en las redes es de tipo supervisado, gracias al supervisor establece la salida
deseada frente a la presentación de un determinado patrón de entrada.
2.4.3. APRENDIZAJE TIPO SUPERVISADO

El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se hace
por medio de un entrenamiento controlado por un agente externo (supervisor, maestro) que
establece la respuesta que debe generar la red a partir de un conjunto de entradas numéricas.
El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada,
se procederá a cambiar los pesos de las conexiones, con el propósito de lograr que la salida
obtenida se aproxime a la deseada.
2.4.4. RESULTADOS DEL ENTRENAMIENTO DE LA RED
Una vez que finalizado el entrenamiento se puede observar en la Figura 22 que hay
630 iteraciones, donde el error de validación ha disminuido dando por finalizado el
entrenamiento, donde podemos apreciar las siguientes graficas de nuestro proceso.
75
Figura 22
Resultado del entrenamiento
Nota. Este grafico presenta los resultados que arroja el programa después de realizar su
entrenamiento donde se presentan sus respectivas graficas realizado por.(Autoría propia-Matlab).
PERFORMANCE: Traza el error frente a la época para el entrenamiento, la

validación y el rendimiento de las pruebas del registro de entrenamiento TR devuelto por la
función train, se muestra el error cuadrático medio en funcionalidad del número de
iteraciones que para esta situación fueron 630 iteraciones con un Mean Squared Error (mse)
de 6.0615 е-15, que se puede notar en la Figura 23, un estupendo valor, que ofrece garantía
de los resultados conseguidos. Por otro lado, el entrenamiento, validación y las pruebas que
se conducen a cabo en el aprendizaje de la RNA, demuestran que la red tiene un excelente
aprendizaje y adaptación al medio para el cual se ha realizado.
76
Figura 23
Mean Squared Error (mse) vs número de iteracione
Nota. Esta grafica presenta la traza el error frente a la época para el entrenamiento, la validación
y el rendimiento de las pruebas del registro de entrenamiento TR devuelto por la función train
realizado por.(Autoría propia-Matlab).
Generalmente, el error se reduce después de más épocas de entrenamiento, pero

podría comenzar a aumentar en el conjunto de datos de validación a medida que la red
comienza a sobre ajustar los datos de entrenamiento. En la configuración predeterminada, el
entrenamiento se detiene después de seis aumentos consecutivos en el error de validación y
el mejor rendimiento se toma de la época con el error de validación más bajo.
TRAINING STATE: En la gráfica que se muestra en la Figura 24 presenta

gradiente, Mu y la validación de fallo en función de las iteraciones, traza el estado de
entrenamiento a partir de un registro de entrenamiento TR devuelto por el tren.
77
Figura 24
Val fail, Mu y Gradient vs iteraciones
Nota. Esta grafica presenta gradiente, mu y la validación de fallo en función de las

iteraciones, traza el estado de entrenamiento a partir de un registro de entrenamiento TR
devuelto por el tren realizado por.(Autoría propia-Matlab).
RECEIVER OPERATING CHARACTERISTIC: En la Figura 25 se puede

observar el trazo de la característica operativa del receptor para cada clase de salida. Cuanto
más se acerque cada curva a los bordes izquierdo y superior del gráfico, mejor será la
clasificación.
Las líneas coloreadas en cada eje representan las curvas ROC. La curva ROC es un
gráfico de la tasa de verdaderos positivos (sensibilidad) frente a la tasa de falsos positivos (1
- especificidad) a medida que se varía el umbral. Una prueba perfecta mostraría puntos en la
esquina superior izquierda, con 100 % de sensibilidad y 100 % de especificidad. Para este
problema, la red funciona muy bien.
78
Figura 25
Curva característica operativa del receptor (ROC)
Nota. Esta grafica presenta el trazo de la característica operativa del receptor para cada clase de
salida. Cuanto más se acerque cada curva a los bordes izquierdo y superior del gráfico, mejor será
la clasificación, realizado por.(Autoría propia-Matlab).
ERROR HISTOGRAM: Muestra el histograma del error, del cual se prueba que
está compartido en torno al cero y con pequeñas dispersiones. De la matriz de error calculada
por el programa que se generó, en la cual se verifica lo dicho antes, que la media aritmética
del error de cada salida está cerca a cero y que también sus valores de dispersión (desviación
estándar y varianza) poseen valores bastante pequeños que se puede visualizar en la Figura
26.
79
Figura 26
Histograma del error de la RN
Nota. Esta grafica Muestra el histograma del error, del cual se prueba que está compartido en
torno al cero y con pequeñas dispersiones realizado por.(Autoría propia-Matlab).
CONFUSIÓN: Devuelve un diagrama de matriz de confusión para los datos de

destino y salida en destinos y salidas, respectivamente. En el diagrama de matriz de
confusión, las filas corresponden a la clase predicha (clase de salida) y las columnas
muestran la clase verdadera (clase objetivo). Las celdas diagonales muestran para cuántos
(y qué porcentaje) de los ejemplos, la red entrenada estima correctamente las clases de
observaciones, es decir, muestra qué porcentaje de las clases verdaderas y predichas
coinciden, las celdas fuera de la diagonal muestran dónde ha cometido errores el clasificador,
la columna en el extremo derecho de la gráfica muestra la precisión de cada clase predicha,
mientras que la fila en la parte inferior de la gráfica muestra la precisión de cada clase real,
la celda en la parte inferior derecha de la gráfica muestra la precisión general.
80
La Figura 27 muestra las matrices de confusión para entrenamiento, prueba y
validación, y los tres tipos de datos combinados. Los resultados de la red son muy precisos,
como puede ver por el alto número de respuestas correctas en los cuadrados verdes y el bajo
número de respuestas incorrectas en los cuadrados rojos. Los cuadrados azules inferiores a
la derecha ilustran las precisiones generales.
Figura 27
Matrices de confusión
Nota. Esta grafica presenta las matrices de confusión para entrenamiento, prueba y
validación, y los tres tipos de datos combinados realizado por.(Autoría propia-Matlab).
2.4.1. FLUJOGRAMA DEL COMPORTAMIENTO DE RNA

El flujograma que se muestra en la Figura 28, muestra cómo se comportó la RNA,
dejando un bosquejo bastante claro sobre la conducta que debería tener la red eléctrica
inteligente. En esta situación si se le ingresa las entradas pertinentes para que se otorgue la
81
salida que corresponda a dichos valores ingresados, en aquel momento entra funcionando el
sistema previamente dimensionado para cubrir con dichas entradas en aquel instante.
Figura 28
Flujograma para la toma de decisión
Nota. Este grafico presenta el flujo grama cómo debería comportase la RNA, dejando un bosquejo
bastante claro sobre la conducta que debería tener la red eléctrica inteligente realizado
por.(Autoría propia).
82
CAPÍTULO III.
3. RESULTADOS Y DISCUSIÓN
3.1. RESULTADOS
En este capítulo se muestran los resultados logrados en el proceso investigativo,

teniendo presente la metodología iniciativa en el capítulo anterior, para de esta forma
consumar con los objetivos planteados.
3.1.1. ANÁLISIS DE ESTUDIO
Una vez obtenido los perfiles de consumo, radiación solar que se genera en el día, el
factor de potencia, la conexión a la red pública, el generador diésel y las baterías, dichos
datos son incorporados a la red neuronal para su aprendizaje, es importante mencionar que
el objetivo del trabajo es estableces la técnica más eficiente para la FCMFQ mediante el
estudio bibliográfico realizado.
Mediante este estudio investigativo se generó un aporte sobre la utilización de las

técnicas de inteligencia artificial aplicadas al trabajo de redes eléctricas inteligentes para la
eficiencia energética en la Universidad Técnica de Manabí, con la aplicación de estas
técnicas se presentan algunos beneficios como reducción de las pérdidas en el transporte,
monitorización inteligente, control y comunicación para facilitar la conexión y operación
de generadores, proveer a los consumidores de mayor información, opciones de
abastecimiento y ofrecer un abastecimiento energético más seguro y confiable al
aprovecharse la generación en la Facultad de Ciencias Matemáticas, Físicas y Químicas.
Las redes inteligente que hace referencia en este proyecto es una forma de generación
distribuida que bien estudiada permitirá aprovechar la generación renovable ya instalada, de
tipo no gestionable como es la eólica o la fotovoltaica; la finalidad es combinarla con otras
formas de generación gestionables, de tal manera que se logre una reducción de las pérdidas
en el transporte al aprovecharse la generación en la Facultad de Ciencias Matemáticas,
Físicas y Químicas, eliminación de las fluctuaciones debidas a la aleatoriedad de la
generación de la red principal. En el caso de la Universidad Técnica de Manabí, se busca
que estas redes con la implementación de las técnicas de inteligencia artificial lleven hacia
la eficiencia energética, elevado actualmente debido al déficits tarifarios, a las primas al
régimen especial, a las pérdidas en el transporte, siendo Manabí una provincia cuyo precio
energético es de los más elevados de Ecuador.
83
El estudio realizado permitió definir la gran importancia que sirve de consideración
para las soluciones tecnológicas relacionadas con redes inteligentes la implementación de
técnicas de inteligencia artificial, para ellos se requiere elevar la preparación técnica del
personal que se encuentran vinculado con esta tecnología, comenzando con la UTM como
centro formador de los futuros especialista que tendrán la tarea y generalizar las mejores
tecnologías y experiencias.
En el siguiente apartado se muestran los resultados del entrenamiento de la red

neuronal usada para la predicción de consumo energético.
3.1.2. RESULTADOS DEL ENTRENAMIENTO
Se realizó el entrenamiento de la red con diferentes números de neuronas en la capa

oculta, donde se usaron valores de 10, 15, 20, 25 y 30 neuronas, se puedo sacar una
comparativa y dictaminar que red luego de ser entrenada se determinó que es la mejor para
nuestro sistema y ya se procederá a la simulación de la misma con los nuevos valores de
ingreso.
Para poder comprobar que el entrenamiento de la red neuronal fue aceptable, se

procedió a probar la red creada, se introdujo el código generado por el proceso que se realizó,
al desplegarse la ventana de comandos se incorporó dicho código a la red, donde se pudo
observar el proceso del resultado del aprendizaje en formato de código, dándonos así la
respuesta deseada.
De esta forma para ver el funcionamiento de la red se incorporó una variable de

entrada con valores aleatorios que fueron ingresados en la ventana de comandos de Matlab
con los parámetros de consumo de la potencia obtenida, radiación solar que se genera en el
día, el factor de potencia, la conexión a la red pública, el generador diésel y las baterías.
Después de haber ingresado nuestra variable con nuevos valores en el comando de

la red neuronal el resultado fue una matriz de 5x1 en la ventana de comando que representa
la salida correspondiente a dichas entradas.
A continuación, se presentan las gráficas arrojadas por la red de cada entrenamiento

con la cantidad de neuronas antes mencionada en donde se puede observar en cada figura su
comportamiento al aumenta la cantidad de neuronas en la capa oculta, la prueba se realizó
con el valor estándar del programa y se iba aumentado la cantidad hasta conseguir que el
84
entrenamiento no diera erros y se lograra obtener la salida deseada que correspondiera a los
valores de entrada que se le daban.
3.1.2.1. RESULTADO DEL ENTRENAMIENTO DE LA RED CON LOS

DIFERENTES VALORES DE NEURONAS
RESULTADO DE LA RED CON 10 NEURONAS
Figura 29
Entrenamiento 10 neuronas Mean Squared Error (mse) vs número de iteracione
Nota. Este grafico presenta la traza el error frente a la época para el entrenamiento, la validación
y el rendimiento con 10 neurona realizado por.(Autoría propia-Matlab).
85
Figure 30
Entrenamiento con 10 neuronas matrices de confusión
Nota. Esta grafica presenta las matrices de confusión para entrenamiento con 10 neuronas, prueba
y validación, y los tres tipos de datos combinados realizado por.(Autoría propia-Matlab).
Figura 31
Entrenamiento con 10 neuronas curva característica operativa del receptor (ROC)
salida con un entrenamiento de 10 neuronas, realizado por.(Autoría propia-Matlab).
86
Tabla 20
Ventana de comandos Matlab 10 neuronas
Nota. Esta tabla presenta el comportamiento que tiene la red con un entrenamiento de 10 neuronas
en la capa oculta realizado por.(Autoría propia-Matlab).
En la Tabla 20 se hace la prueba de la red ingresando los valores de entrada que se

escogieron para ver el comportamiento de la misma donde se obtuvo una salida que no era
la deseada. Denotando un resultado con los valores que se ingresaron donde tenemos un
porcentaje de error de 0.5%.
87
Figura 32
Nota. Esta grafica presenta la traza el error frente a la época para el entrenamiento con 15
neuronas realizado por.(Autoría propia-Matlab).
Figure 33
Nota. Esta grafica presenta las matrices de confusión para entrenamiento con 15 neuronas, prueba
y validación, y los tres tipos de datos combinados realizado por.(Autoría propia-Matlab).
88
Figura 34
Salida con el entrenamiento de 15 neuronas, realizado por.(Autoría propia-Matlab).
Tabla 21
red ([1 1 1 1 0 0]')
ans =
0.6000
0.1000
0.0000
0.2000
0.1000
Nota. Esta tabla presenta los resultados del entrenamiento de la red neuronal con el aumento de
las neuronas de la capa oculta a la cantidad de 15 realizado por.(Autoría propia-Matlab).
89
Al igual que con el entrenamiento anterior que se realizó con de 10 neurona en esta Tabla
21 se presenta el resultado que se realizó con el aumento a 15 neuronas en la capa oculta.
Denotando un resultado con los valores que se ingresaron donde tenemos un porcentaje de
error de 0.4%.
Figura 35
Nota. Esta grafica presenta la traza el error frente a la época para el entrenamiento con 20
neuronas realizado por.(Autoría propia-Matlab)
90
Figure 36
Nota. Esta grafica presenta las matrices de confusión para entrenamiento con 20 neuronas,
realizado por.(Autoría propia-Matlab).
Figura 37
Salida con 20 neuronas, realizado por.(Autoría propia-Matlab).
91
Tabla 22
red ([1 1 1 1 0 0]')
ans =
0.8000
0.0000
0.1000
0.1000
0.0000
Nota. Esta tabla presenta los resultados arrojados por el entrenamiento realizado con 20 neuronas
en la capa oculta donde se ve el comportamiento de la red realizado por.(Autoría propia-Matlab).
Para este entrenamiento se lo realizo con la cantidad de 20 neuronas donde se puede

observar en la Tabla 22 que hay un mejoramiento con respecto a la salida. Denotando un
resultado con los valores que se ingresaron donde tenemos un porcentaje de error de 0.2%.
92
Figura 38
y el rendimiento con 25 neuronas en la capa oculta realizado por.(Autoría propia-Matlab).
Figure 39
Nota. Esta grafica presenta las matrices de confusión para entrenamiento, prueba y Validación
con25 neuronas, y los tres tipos de datos combinados realizado por.(Autoría propia-Matlab).
93
Figura 40
salida con 25 neuronas en la capa oculta. realizado por.(Autoría propia-Matlab).
Tabla 23
Ventana de comandos Matlab 25 neuronas neuronas
red ([1 1 1 1 0 0]')
ans =
0.9000
0.0000
0.1000
0.0000
0.0000
Nota. Esta grafica presenta los resultados del entrenamiento realizado con la cantidad de 25
neuronas en su capa oculta realizado por.(Autoría propia-Matlab).
94
En la Tabla 23 se muestra el entrenamiento ya con 25 neuronas donde se puede
aprecias la reducción del error en la salida. Denotando un resultado con los valores que se
ingresaron donde tenemos un porcentaje de error de 0.1%.
Figura 41
y el rendimiento de 30 neuronas realizado por.(Autoría propia-Matlab).
95
Figure 42
Nota. Esta grafica presenta las matrices de confusión para entrenamiento, prueba y Validación
con 30 neuronas, y los tres tipos de datos combinados realizado por.(Autoría propia-Matlab).
Figura 43
salida con 30 neuronas en su capa oculta, realizado por.(Autoría propia-Matlab).
96
Tabla 24
red ([1 1 1 1 0 0]')
ans =
1.0000
0.0000
0.0000
0.0000
0.0000
Nota. Esta tabla presenta el resultado que se obtuvo con el entrenamiento de la red neuronal con
30 neuronas en su capa oculta realizado por.(Autoría propia-Matlab).
En la Tabla 24 se muestra el entrenamiento de la red con el valor de 30 neuronas en

la capa oculta y como se puede observar en dicha tabla que el error es cero lo que el resultado
en la salida es el deseado. Denotando un resultado esperado con los valores que se ingresaron
dónde nos da salida que deseamos.
Luego de haber desarrollado, entrenado y examinado qué tipo de red es la mejor, con
cuantas capas ocultas y predeterminado el número de neuronas, se han obtenido las próximas
predicciones y sus respectivos errores entre los targets y salidas logradas de los diferentes
entrenamientos con los diferentes números de neuronas como se muestra en la Tabla 25.
97
Tabla 25
Errores obtenidos
SALIDA OBTENIDA SALIDA DESEADA No. NEURONAS ERROR %

0.5000 1,0000
0.0000 0.0000
0.1000 0.0000 10 0,5
0.2000 0.0000
0.2000 0.0000
0.6000 1,0000
0.1000 0.0000
0.1000 0.0000 15 0,4
0.2000 0.0000
0.1000 0.0000
0.8000 1,0000
0.0000 0.0000
0.1000 0.0000 20 0,2
0.1000 0.0000
0.0000 0.0000
0.9000 1,0000
0.0000 0.0000
0.1000 0.0000 25 0,1
0.0000 0.0000
0.0000 0.0000
1,0000 1,0000
0.0000 0.0000
0.0000 0.0000 30 0
0.0000 0.0000
0.0000 0.0000
Nota. Esta tabla muestra los diferentes entrenamientos que se realizaron con las neuronas donde
se obtuvo un porcentaje de erros hasta llegar al deseado realizado por.(Autoría propia).
Como se observa en la Tabla 25 que con 30 neuronas se logra obtener el error de

más bajo en este caso es cero, que genera un valor de salida deseado, en cambio con las
otras neuronas su valor del error que se produjo es elevado para la predicción lo que quiere
decir que no es una red adecuada ya que siempre se busca que la salida sea más próxima a
la deseada.
98
3.1.3. ANÁLISIS DE RESULTADOS
En base a los resultados expuesto con anterioridad podemos concluir que la red
neuronal que se entrenó con un valor de 30 neuronas en su capa oculta cumple correctamente
con su manejo debido a que tiene una varianza y desviación estándar del error con en relación
a la media aceptables. Además de que la media del error está en un costo muy unido a cero,
así se puede brindar un caso muestra a la sociedad para hacer conciencia de los gigantes
beneficios que contrae la implementación de sistemas eléctricos capaces.
CONCLUSIONES
1. Para esta tesis se realizó el análisis mediante revisión bibliográfica las técnicas de
inteligencia artificial más utilizadas en las redes inteligentes para determinar la mejor
técnica que se puede aplicar para el estudio de la inteligencia artificial en sistemas
eléctricos que permite utilizar de una manera mucho más eficiente la energía
garantizan el exitoso desempeño que las redes eléctricas inteligentes a partir de la
correcta gestión que debe tener un sistema inteligente.
2. Se logró establecer la mejor técnica de aplicación de inteligencia artificial para una
red eléctrica inteligente en donde se optó por escoger la red neuronal que contemplan
una topología estructurada que es muy sencilla, lo cual garantiza un tiempo de
aprendizaje corto y posee una gran flexibilidad para atender los diferentes
requerimientos de los sistemas eléctricos en general.
3. Para este estudio se establecieron los criterios para el entrenamiento de la técnica de
inteligencia artificial donde se utilizó la estructura de The Neural Pattern Recognition
que necesita menor experiencia con en relación a otros procedimientos de predicción,
debido a que es el propio algoritmo de aprendizaje el que establece cuales son los
pesos sinápticos, desde los datos históricos, esto se debe, a su rapidez en el
aprendizaje y, por ende, rapidez en la obtención de resultados. Esto es de gran
beneficio, ya que, la actuación que se requiere en los sistemas eléctricos tiene que ser
lo más rápido posible para una respuesta en tiempo.
99
RECOMENDACIONES
Considerando lo realizado en el proyecto se recomienda lo siguiente:
1. La efectividad de respuesta de la The Neural Pattern Recognition es dependiente

especialmente de la base de datos con la que se entrene, esta debería ser lo
suficientemente vasta, con la más grande proporción de escenarios probables, con
la intención de que la RNA aprenda y mejore sus predicciones.
2. Para lograr entablar su utilización, se hace primordial el trabajo en tiempo real
de la red eléctrica inteligente con la captura de la información que se crea cada
10 min en el analizador de red. En este sentido se tendrá que laborar en el diseño
de la interfaz para aquel acoplamiento y poder tomar las elecciones de conexión
y desconexión oportunamente.
3. Se sugiere además continuar en la generalización de los resultados conseguidos
en este trabajo de indagación al resto de las construcciones de la UTM, con la
finalidad de conseguir mejoras considerables en la administración energética, con
aportaciones a la eficiencia energética de la UTM
100
REFERENCIAS BIBLIOGRÁFICAS
Alber, Maximilian, Sebastian Lapuschkin, Philipp Seegerer, Miriam Hägele, Kristof T. Schütt,
Grégoire Montavon, Wojciech Samek, Klaus-Robert Müller, Sven Dähne, y Pieter-Jan
Kindermans. 2019. «iNNvestigate neural networks!» J. Mach. Learn. Res. 20(93):1-8.
https://www.jmlr.org/papers/volume20/18-540/18-540.pdf
Alzaeemi, Shehab, Mohd Asyraf Mansor, Mohd Shareduwan Mohd Kasihmuddin, Saratha
Sathasivam, y Mustafa Mamat. 2020. «Radial basis function neural network for 2
satisfiability programming». Indonesian Journal of Electrical Engineering and Computer
Science 18(1):459-69. https://n9.cl/71ahp
Anón. 2020. Fuzzy Logic. BoD – Books on Demand.

https://books.google.com.ec/books?id=UUP8DwAAQBAJ
Anón. s. f. «Mejorar el rendimiento y la solidez de los modelos de hábitat FUZZY LOGIC basados
en el conocimiento - ScienceDirect». Recuperado 24 de diciembre de 2021
(https://www.sciencedirect.com/science/article/abs/pii/S136481522100181X).
Arfeen, Zeeshan Ahmad, Azhar B. Khairuddin, Raja Masood Larik, y Mohammad Salman Saeed.
2019. «Control of distributed generation systems for microgrid applications: A
technological review». International Transactions on Electrical Energy Systems
29(9):e12072. https://onlinelibrary.wiley.com/doi/epdf/10.1002/2050-7038.12072
Ayala, Helon Vicente Hultmann, Didace Habineza, Micky Rakotondrabe, y Leandro dos Santos
Coelho. 2020. «Nonlinear black-box system identification through coevolutionary
algorithms and radial basis function artificial neural networks». Applied Soft Computing
87:105990. https://www.sciencedirect.com/science/article/abs/pii/S1568494619307719
Barrero Viciedo, Egly, Beatriz Fernández Díaz, y Orestes Llanes Santiago. 2014. «Propuesta de
procedimiento para configurar una red neuronal artificial de Base Radial con aplicaciones
en el diagnóstico de fallos». Ingeniería Electrónica, Automática y Comunicaciones
35(3):60-75. http://scielo.sld.cu/scielo.php?pid=S1815
59282014000300006&script=sci_arttext&tlng=en
Bastida-Molina, Paula, Ma Molina Palomares, Juan Ángel Saiz, y Bernardo Álvarez Valenzuela.
2017. «Instalaciones solares fotovoltaicas de autoconsumo para pequeñas instalaciones.
Aplicación a una nave industrial.» 3C Tecnología 6(1):1-14. https://n9.cl/0xz5v
Blume, Steven W. 2016. Electric power system basics for the nonelectrical professional. John Wiley
& Sons. https://n9.cl/wfaqg
Bodyanskiy, Yevgeniy, Anastasiia Pirus, y Anastasiia Deineko. 2020. «Multilayer Radial-Basis

Function Network and Its Learning». Pp. 92-95 en 2020 IEEE 15th International Conference
on Computer Sciences and Information Technologies (CSIT). Vol. 1. IEEE.
https://ieeexplore.ieee.org/abstract/document/9322001
Bowen, Alexandra Martínez, I. T. T. Telemática, y Hugo Galán Asensio. s. f. «Inteligencia artificial.

Redes neuronales y aplicaciones.» https://n9.cl/zdcka
Burgos, Francisco José Palacios. s. f. «Herramientas en GNU/Linux para estudiantes

universitarios». Obtenido de Redes Neuronales con GNU/Linux: https://www. ibiblio.
101
org/pub/linux/docs/LuCaS/Presentaciones/200304cursoglisa/redes_neuronales/curso-
glisa-redes_neuronales-html/x38. html.
Butt, Osama Majeed, Muhammad Zulqarnain, y Tallal Majeed Butt. 2021. «Recent advancement
in smart grid technology: Future prospects in the electrical power network». Ain Shams
Engineering Journal 12(1):687-95.
https://www.sciencedirect.com/science/article/pii/S2090447920301064
Calderon Quispe, Aldo. 2019. «Smart Grids en el sistema de distribución del distrito de Moquegua
para mejorar la confiabilidad, año 2017».
http://repositorio.ujcm.edu.pe/handle/20.500.12819/896
Calvas Sàenz, Ruth, y Santiago Quishpe Gaibor. 2019. «Ética de las fuentes no convencionales».
Observatorio de la Economía Latinoamericana (diciembre).
https://www.eumed.net/rev/oel/2019/12/etica-fuentes-noconvencionales.html
Camacho, Oscar, Edinzo Iglesias, Marco Herrera, y Hanna Aboukheir. 2021. «Control basado en
lógica difusa: De los fundamentos a las aplicaciones». Revista Digital Novasinergia 4(2):6-
37. http://scielo.senescyt.gob.ec/scielo.php?script=sci_arttext&pid=S2631-
26542021000200006
Cayllahua Quispe, Ludolfo Fredy. 2019. «Diseño y construcción de un sistema de seguimiento

solar, para sistemas fotovoltaicos, basado en procesamiento de imágenes».
http://repositorio.unsa.edu.pe/handle/UNSA/9531
Chen, Ziran, Baoyong Zhang, Vladimir Stojanovic, Yijun Zhang, y Zhengqiang Zhang. 2020. «Event-
based fuzzy control for TS fuzzy networked systems with various data missing».
Neurocomputing 417:322-32.
https://www.sciencedirect.com/science/article/abs/pii/S0925231220313448
Chumo, Edwin Adrián Muñoz, Ney Raúl Balderramo Vélez, y Gabriel Enrique Pico Mera. 2018.
«Eficiencia Energética en Función del Desarrollo del Plan Maestro de Electrificación (PME)
en Ecuador». Revista de Investigaciones en Energía, Medio Ambiente y Tecnología:
RIEMAT ISSN: 2588-0721 3(2):1-12.
https://190.15.136.223/index.php/Riemat/article/download/1624/1819
Coaquira, Carlos. 2021. «Sílabo de Inteligencia Artificial». https://w.spc.org.pe/Peru/Syllabi/CS-

UCSP/Plan2010/2018-I/CS261T.pdf
Contreras Sosa, Erika Elizabeth. 2019. «Análisis y predicción de accidentes automovilísticos

mediante la aplicación de la red neuronal artificial de máxima sensibilidad y un prototipo
de sistema web para la visualización de la información». PhD Thesis, Universidad
Autónoma de Nuevo León. http://eprints.uanl.mx/20079/
Correa, María Patricia Giraldo, y Jairo Abdala Martínez Henao. 2020. «Energía renovable y
competitividad en la empresa Walmart México». Dictamen Libre (26):169-79.
https://revistas.unilibre.edu.co/index.php/dictamenlibre/article/view/6194
Cortés, Baldwin, Roberto Tapia Sánchez, y Juan J. Flores. 2020. «Characterization of a

polycrystalline photovoltaic cell using artificial neural networks». Solar Energy 196:157-
67. https://www.sciencedirect.com/science/article/abs/pii/S0038092X19312265
102
Cox, Sam J., Dongsu Kim, Heejin Cho, y Pedro Mago. 2019. «Real time optimal control of district
cooling system with thermal energy storage using neural networks». Applied energy
238:466-80. https://www.sciencedirect.com/science/article/abs/pii/S0306261919300911
Cunduri, Mayra Alejandra Pacheco, Isidoro Enrique Tapia Segarra, y Esteban Augusto Guevara
Cabezas. 2020. «Diseño e implementación de un seguidor solar de un eje para la
optimización de un sistema fotovoltaico de 100 W aplicando cálculos matemáticos y
automatización industrial». Ciencia Digital 4(3):336-54.
https://www.cienciadigital.org/revistacienciadigital2/index.php/CienciaDigital/article/vie
w/1359
Dick, Stephanie. 2019. «Artificial intelligence». https://dl.acm.org/doi/abs/10.5555/129914
Diego Más, José Antonio. 2020. «Optimización de la distribución en planta de instalaciones

industriales mediante algoritmos genéticos. Aportación al control de la geometría de las
actividades». PhD Thesis, Universitat Politècnica de València. https://n9.cl/3yfy9
Escobar Arriagada, Víctor Guillermo Jonathan. 2019. «Aporte de las redes inteligentes
comunitarias al aumento de la generación distribuida».
https://repositorio.uchile.cl/handle/2250/170843
Fath, Aref Hashemi, Farshid Madanifar, y Masood Abbasi. 2020. «Implementation of multilayer
perceptron (MLP) and radial basis function (RBF) neural networks to predict solution gas-
oil ratio of crude oil systems». Petroleum 6(1):80-91.
Fernandez, Alberto, Francisco Herrera, Oscar Cordon, Maria Jose del Jesus, y Francesco
Marcelloni. 2019. «Evolutionary Fuzzy Systems for Explainable Artificial Intelligence: Why,
When, What for, and Where to?» IEEE Computational Intelligence Magazine 14(1):69-81.
doi: 10.1109/MCI.2018.2881645.
Frolov, Denys, Wojciech Radziewicz, Volodymyr Saienko, Nina Kuchuk, Mykhailo Mozhaiev, Yurii
Gnusov, y Yurii Onishchenko. 2021. «Theoretical And Technological Aspects Of Intelligent
Systems: Problems Of Artificial Intelligence». International Journal of Computer Science &
Network Security 21(5):35-38.
https://koreascience.kr/article/JAKO202121055693012.view?orgId=anpor&hide=breadcr
umb,journalinfo
Gámez, María Rodriguez, Antonio Vázquez Pérez, M. Wilber, y Josnier Ramos Guardarrama. 2017.
«El Potencial Solar y la Generación Distribuida en la Provincia de Manabí en el Ecuador».
Revista de Investigaciones en Energía, Medio Ambiente y Tecnología: RIEMAT ISSN: 2588-
0721 2(2):41-45. https://n9.cl/rsgfx
Ganiyu, Soliu Oladejo, y Carlos Alberto Martinez-Huitle. 2020. «The use of renewable energies
driving electrochemical technologies for environmental applications». Current Opinion in
Electrochemistry.
Gellings, Clark W. 2020. The smart grid: enabling energy efficiency and demand response. CRC
press. https://n9.cl/35ytf
103
Gómez Borges, Manuel Israel, Adriana Virginia Acosta Corzo, Yaniel Fundora Curbelo, Manuel
Israel Gómez Borges, Adriana Virginia Acosta Corzo, y Yaniel Fundora Curbelo. 2020.
«Programación de un controlador lógico difuso en un PLC M241: Aplicación práctica a un
túnel de lavado industrial de textil». Revista Cubana de Ciencias Informáticas 14(3):105-
23. http://scielo.sld.cu/scielo.php?pid=S2227-
18992020000300105&script=sci_arttext&tlng=pt
Gómez, Víctor A., Cesar Hernández, y Edwin Rivas. 2018. «Visión General, Características y
Funcionalidades de la Red Eléctrica Inteligente (Smart Grid)». Información tecnológica
29(2):89-102. https://www.scielo.cl/scielo.php?pid=S0718-
07642018000200089&script=sci_arttext&tlng=pt
Gordillo, Jaime Andrés Estrada, Juan Camilo Jaramillo Acosta, y Fabio Camilo Gómez Meneses.
2021. «Estudio de factibilidad económica y potencial de irradiación solar en la Universidad
Mariana». Entrelazando formación, experiencias, escena-rios y procesos vivenciales de
investigación e innovación 149. https://n9.cl/q96ov
Guzmán, Jonathan Bedolla. 2019. «Diseño y desarrollo de una red neuronal de base radial híbrida
para la clasificación de los clientes de una PYME: Un caso de estudio». JÓVENES EN LA
CIENCIA 6.
http://www.jovenesenlaciencia.ugto.mx/index.php/jovenesenlaciencia/article/view/3186
Hannan, Mahammad A., Zamre ABD Ghani, Md Murshadul Hoque, Pin Jern Ker, Aini Hussain, y
Azah Mohamed. 2019. «Fuzzy logic inverter controller in photovoltaic applications: Issues
and recommendations». IEEE Access 7:24934-55.
Helm, J. Matthew, Andrew M. Swiergosz, Heather S. Haeberle, Jaret M. Karnuta, Jonathan L.

Schaffer, Viktor E. Krebs, Andrew I. Spitzer, y Prem N. Ramkumar. 2020. «Machine
learning and artificial intelligence: definitions, applications, and future directions».
Current reviews in musculoskeletal medicine 13(1):69-76.
https://link.springer.com/article/10.1007/s12178-020-09600-8
Hernández-Callejo, Luis, Sara Gallardo-Saavedra, y Víctor Alonso-Gómez. 2019. «A review of

photovoltaic systems: Design, operation and maintenance». Solar Energy 188:426-40.
https://www.sciencedirect.com/science/article/abs/pii/S0038092X19305912
Hervias Segovia, Andrea Alexandra. 2019. «Diseño de un sistema de bombeo mediante energía
solar fotovoltaica para suministrar agua potable a la población de Maynas–Perú».
http://repositorio.unac.edu.pe/handle/20.500.12952/3949
Hussain, Manzoor, y Sirajul Haq. 2021. «Radial Basis Functions Collocation Method for Numerical
Solution of Coupled Burgers’ and Korteweg-de Vries Equations of Fractional Order».
Iranian Journal of Science and Technology, Transactions A: Science 45(2):707-25.
Ibrahim, Ashraf Osman, Siti Mariyam Shamsuddin, Ajith Abraham, y Sultan Noman Qasem. 2019.
«Adaptive memetic method of multi-objective genetic evolutionary algorithm for
backpropagation neural network». Neural Computing and Applications 31(9):4945-62.
104
Jalali, Seyed Mohammad Jafar, Sajad Ahmadian, Abbas Khosravi, Miadreza Shafie-khah, Saeid
Nahavandi, y Joao PS Catalao. 2021. «A novel evolutionary-based deep convolutional
neural network model for intelligent load forecasting». IEEE Transactions on Industrial
Informatics. https://ieeexplore.ieee.org/abstract/document/9376913
Játiva Sierra, Jorge Eduardo, y Santiago Quishpe Gaibor. 2019. «La ética en el consumo de
distintas energías». Observatorio de la Economía Latinoamericana (diciembre).
https://www.eumed.net/rev/oel/2019/12/etica-consumo-energias.html
Kabalci, Ersan, y Yasin Kabalci. 2019. «Introduction to smart grid architecture». Pp. 3-45 en Smart
grids and their communication systems. Springer.
https://link.springer.com/chapter/10.1007/978-981-13-1768-2_1
Kubat, Miroslav. 2021. «Artificial neural networks». Pp. 117-43 en An Introduction to Machine
Learning. Springer. https://www.tandfonline.com/doi/abs/10.1080/00221680209499899
Lao-León, Yosvani Orlando, Ariam Rivas-Méndez, Milagros Caridad Pérez-Pravia, y Fernando

Marrero-Delgado. s. f. «Procedimiento para el pronóstico de la demanda mediante redes
neuronales artificiales/Procedure for forecasting demand by using artificial neural
networks». https://www.redalyc.org/journal/1815/181549596004/html/
Lee, Chankyu, Syed Shakib Sarwar, y Kaushik Roy. 2019. «Enabling spike-based backpropagation in
state-of-the-art deep neural network architectures».
https://www.frontiersin.org/articles/10.3389/fnins.2020.00119/full?ref=https://githubhel
p.com
León-Trigo, Luz Ireri, Enrique Reyes-Archundia, José Antonio Gutiérrez-Gnecchi, Arturo Méndez-
Patiño, y Gerardo Marx Chávez-Campos. 2019. «Smart Grids en México: Situación actual,
retos y propuesta de implementación». Ingeniería, investigación y tecnología 20(2):0-0.
https://www.scielo.org.mx/scielo.php?pid=S1405-
77432019000200003&script=sci_arttext
Londoño-Patiño, Julio Albeiro. 2020. «Toma de decisiones basada en la productividad en Pymes

manufactureras: aproximación desde la Lógica Difusa (Productivity-Based Decision
Making in Manufacturing SMEs: A Fuzzy Logic Approach)». Revista CEA 6(12).
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3788194
Luna, Márcia Andréa Rosas, Felipe Barroco Fontes Cunha, Maria Cândida Arrais de Miranda
Mousinho, y Ednildo Andrade Torres. 2019. «Solar photovoltaic distributed generation in
Brazil: the case of resolution 482/2012». Energy Procedia 159:484-90.
Marín, Luis G., Nicolás Cruz, Doris Sáez, Mark Sumner, y Alfredo Núñez. 2019. «Prediction interval
methodology based on fuzzy numbers and its extension to fuzzy systems and neural
networks». Expert Systems with Applications 119:128-41.
Merentes, Karla. 2020. «Estado del Arte en la aplicación de técnicas de optimización basadas en
Inteligencia Artificial en la Estimación de Estado de Redes Eléctricas de Potencia».
105
Mieles-Mieles, Gino Joaquín, Yolanda Llosas-Albuerne, y Alcira Magdalena Vélez-Quiroz. 2021.
«Resultados de un diseño fotovoltaico en el cantón Olmedo-Provincia de Manabí». Polo
del Conocimiento 6(9):2268-79. https://oa.upm.es/63765/
Montazer, Gholam Ali, Davar Giveki, Maryam Karami, y Homayon Rastegar. 2018. «Radial basis
function neural networks: a review». Computers Reviews Journal 1(1):52-74.
https://core.ac.uk/download/pdf/322551455.pdf
Mouret, Jean-Baptiste. 2015. «Evolutionary Adaptation in Natural and Artificial Systems». PhD
Thesis, Université Pierre et Marie Curie. https://hal.inria.fr/tel-01252289/document
Moya Sosa, Arletis. 2017. «Conociendo a Martha Abreu». PhD Thesis, Universidad Central “Marta
Abreu” de Las Villas. https://dspace.uclv.edu.cu/handle/123456789/8423
Muñoz-Vizhñay, Jorge Patricio, Marco Vinicio Rojas-Moncayo, y Carlos Raúl Barreto-Calle. 2018.
«Incentivo a la generación distribuida en el Ecuador». Ingenius. Revista de Ciencia y
Tecnología (19):60-68.
https://www.redalyc.org/journal/5055/505554803006/505554803006.pdf
Olaya Rúa, Laura, Jesús Enrique Sierra García, y Matilde Santos. 2021. «Modelado y simulación de
un aerogenerador de 5 MW escalado a partir de uno de 7 KW». Pp. 469-76 en XLII
Jornadas de Automática. Universidade da Coruña, Servizo de Publicacións.
https://ruc.udc.es/dspace/handle/2183/28365
Pachamora Pinedo, David. 2019. «Sistemas expertos: una opción de solución confiable».
Universidad Peruana Unión. https://repositorio.upeu.edu.pe/handle/20.500.12840/2318
Pacheco Rodríguez, Jorge Eduardo. s. f. «Diseño y emulación de un sistema de control para la

suspensión de un vehículo utilizando técnicas de Hardware in the Loop y comunicación
por protocolo CAN». https://repository.unimilitar.edu.co/handle/10654/15328
Park, Wook Joo, y Jun-Beom Park. 2018. «History and application of artificial neural networks in
dentistry». European journal of dentistry 12(04):594-601. https://www.thieme-
connect.com/products/ejournals/html/10.4103/ejd.ejd_325_18
Peñarrubia Montero, Carlos. 2019. «Instalación solar fotovoltaica conectada a red en un edificio».
PhD Thesis. https://riunet.upv.es/handle/10251/129435
Pesce, Vincenzo, Stefano Silvestrini, y Michele Lavagna. 2020. «Radial basis function neural
network aided adaptive extended Kalman filter for spacecraft relative navigation».
Aerospace Science and Technology 96:105527.
Petersen Lozano, Nicolas. 2020. «El impacto de la inteligencia artificial en el desarrollo de las
redes eléctricas». https://repositorio.comillas.edu/xmlui/handle/11531/54979
Prieto, Alberto. 2018. «Redes Neuronales: modelos y aplicaciones.»

https://digibug.ugr.es/handle/10481/55772
Puglesi, Alfredo, y Maria Bernasconi. 2021. CONTROL DE UN SISTEMA MOTOR -GENERADOR

MEDIANTE LÓGICA NEURO -DIFUSA.
106
Quishpe Gaibor, Jeverson Santiago, y Byron Xavier Prado Gaibor. 2019. «Aplicación de la
deontologia enfocada a la generacion distribuida en el Ecuador». Observatorio de la
Economía Latinoamericana (noviembre).
https://www.eumed.net/rev/oel/2019/11/deontologia-enfocada-ecuador.html
Rahmanifard, Hamid, y Tatyana Plaksina. 2019. «Application of artificial intelligence techniques in

the petroleum industry: a review». Artificial Intelligence Review 52(4):2295-2318.
Ramos Guardarrama, Josnier, Orestes Hernández Areu, y Raimundo Carlos Silverio Freire. 2019.
«Sistema de supervisión para el monitoreo de redes eléctricas inteligentes». Ingeniería
Energética 40(3):264-72. http://scielo.sld.cu/scielo.php?pid=S1815-
Ramos Rodríguez, Víctor Hugo. 2020. «Diseño de un algoritmo de gestión basado en lógica difusa
para el intercambio de potencia entre microrredes eléctricas.»
http://dspace.espoch.edu.ec/handle/123456789/14503
Rendón, Jhon Jairo García, Alejandro Gutiérrez Gómez, Luisa Vargas Tobón, y Hermilson
Velasquez Ceballos. 2019. «Redes inteligentes y mecanismo de respuesta de la
demanda». Revista de Economía del Caribe (23):33.
https://www.proquest.com/openview/94516ab5472b066dd71373eac95f53f5/1?pq-
origsite=gscholar&cbl=2027437
Repetur, Ariel E. 2019. «Redes Neuronales Artificiales». PhD Thesis, Universidad Nacional del
Centro de la Provincia de Buenos Aires. https://n9.cl/156wj
Rivas Asanza, Wilmer, Bertha Mazón Olivo, y Edwin Mejía Peñafiel. 2018. «Generalidades de las
redes neuronales artificiales». https://n9.cl/3kewk
Rivera, Carlos Sotero Gaytan, Antonia Martínez Luévanos, Elsa N. Aguilera-González, y Catalina M.
Pérez Berumen. s. f. «Celdas Solares sensibilizadas con colorantes: Factores para mejorar
su eficiencia». https://n9.cl/nmu66
Rizzo, Fabio, y Luca Caracoglia. 2020. «Artificial Neural Network model to predict the flutter
velocity of suspension bridges». Computers & Structures 233:106236.
Rolón, Román Emanuel. 2019. «Algoritmos avanzados para detección del síndrome de apnea-
hipopnea obstructiva del sueño». https://core.ac.uk/download/pdf/237185557.pdf
Rubio, Pedro Mayorga, Javier Fernández Quijano, Pablo Zambrana López, J. Jesús Fernández
Lozano, Alfonso García Cerezo, y Joaquín Ortega Casanova. 2019. «Control inteligente
para mejorar el rendimiento de una plataforma semisumergible híbrida con
aerogeneradores y convertidores de oleaje: sistema de control borroso para la turbina».
Revista Iberoamericana de Automática e Informática industrial 16(4):480-91.
http://polipapers.upv.es/index.php/RIAI/article/view/10972
Ruiz, Milton, y Esteban Inga. 2019. «Despliegue óptimo de redes ópticas para comunicaciones en
redes eléctricas inteligentes». I+ D Tecnológico 15(2):79-85.
https://core.ac.uk/download/pdf/234019614.pdf
107
Sandoval-Ruiz, Cecilia E. 2020. «Arreglo inteligente de concentración solar FV para MPPT usando
tecnología FPGA». Revista Técnica de la Facultad de Ingeniería, Universidad del Zulia
43(3):122-33. https://www.redalyc.org/journal/6057/605766264003/605766264003.pdf
SARA, VERA NOGUEZ. s. f. «ANTECEDENTES HISTORICOS DE LAS REDES NEURONALES

ARTIFICIALES». http://ri.uaemex.mx/bitstream/handle/20.500.11799/108487/secme-
12408_2.pdf?sequence=2
Sarkar, Tathagata, Ankur Bhattacharjee, Hiranmay Samanta, Konika Bhattacharya, y Hiranmay

Saha. 2019. «Optimal design and implementation of solar PV-wind-biogas-VRFB storage
integrated smart hybrid microgrid for ensuring zero loss of power supply probability».
Energy conversion and management 191:102-18.
Serna, Alexei, Eder Acevedo, y Edgar Serna. 2017. «Principios de la inteligencia artificial en las
ciencias computacionales». Desarrollo e Innovación en Ingeniería 161. https://n9.cl/nxz42
Sharifi, Sina, Nasim Monjezi, y Negar Hafezi. 2020. «Performance of Multilayer Perceptron Neural
Network Models and Radial-Based Functions in Estimation of Sugar-cane Crop Yield».
JOURNAL OF AGRICULTURAL SCIENCE AND SUSTAINABLE PRODUCTION 30(4):213-28.
https://sustainagriculture.tabrizu.ac.ir/mobile/article_12313.html?lang=en
Sierra-García, J. E., y M. Santos. 2021. «Redes neuronales y aprendizaje por refuerzo en el control
de turbinas eólicas». Revista Iberoamericana de Automática e Informática industrial
18(4):327-35. http://polipapers.upv.es/index.php/RIAI/article/view/16111
Smarandache, Florentin, y Maikel Leyva-Vázquez. 2018. Fundamentos de la lógica y los conjuntos

neutrosóficos y su papel en la inteligencia artificial. Infinite Study. https://n9.cl/x8k5ds
Solano Meza, Johanna Karina. 2021. «Propuesta metodológica basada en redes neuronales
artificiales para la determinación de la gestión óptima de residuos sólidos urbanos:
aplicación en las localidades de Suba y Engativá de la ciudad de Bogotá (Colombia)». PhD
Thesis, Universitat Politècnica de València. https://riunet.upv.es/handle/10251/168119
Solar, Energia. 2020. «Energia Solar». Acesso em 15(03).

http://www.instalacionesindustriales.es/documentos/divrenovables/cuaderno_FOTOVOL
TAICA.pdf
Suaterna Fandiño, Deisy Paola. s. f. «Estado del arte de la estructura, elementos y funciones de
sistemas de generación en el contexto de redes inteligentes, industria 4.0, energía y
eficiencia energética teniendo en cuenta el sistema eléctrico colombiano.»
https://repository.udistrital.edu.co/handle/11349/24736
Šuman, S., A. Jakupovič, y M. Kaluža. 2020. «Knowledge-based system for data modelling based
on verbalisation–an architecture proposal». Pp. 1639-44 en 2020 43rd International
Convention on Information, Communication and Electronic Technology (MIPRO). IEEE.
Sun, Lei, Wenjun Yi, Dandan Yuan, y Jun Guan. 2019. «Application of Elman neural network based
on genetic algorithm in initial alignment of SINS for guided projectile». Mathematical
Problems in Engineering 2019. https://www.hindawi.com/journals/mpe/2019/5810174/
108
Torres, Yamir Sánchez, Antonio Sarmiento-Sera, Pedro Antonio Rodríguez Ramos, y Yunesky
Masip-Macía. 2021. «Dimensionado de sistema fotovoltaico autónomo para recargar
vehículos eléctricos». Ingeniería Mecánica 24(1):4.
http://scielo.sld.cu/scielo.php?pid=S1815-
Valbuena, Roiman. 2021. Inteligencia Artificial: Investigación Científica Avanzada Centrada en

Datos. ROIMAN VALBUENA. https://n9.cl/sk77q
Valencia, Liliana, Teresa Guarda, Gabriel Patricio Luna Arias, y Geovanni Ninahualpa Quiña. 2019.
«Seguridad de la Información en WSN aplicada a Redes de Medición Inteligentes basado
en técnicas de criptografía». Revista Ibérica de Sistemas e Tecnologias de Informação
(E17):393-406.
https://www.proquest.com/openview/5720c78f2e17a2735a48f2ca5015a08f/1?pq-
origsite=gscholar&cbl=1006393
Vázquez, A., M. Rodríguez, W. Saltos, C. Rodríguez, y L. Cuenca. 2018. «Rendimiento energético,

económico y ambiental de una Central Fotovoltaica de 3, 4 KWp en el modo de la
generación distribuida (GD)». Revista Espacios. https://n9.cl/x8muh
Vázquez, Ana Lucía Antonio, Luis Alberto Hernández Montiel, y Nayeli Joaquinita Meléndez. s. f.
«Segmentación de Imágenes Oftalmológicas a Color utilizando Conjuntos Difusos».
http://www.progmat.uaem.mx:8080/Vol12num2/vol12no2art3.pdf
Vehi, Josep. s. f. «CONTROL IN℡IGENTE EN AGENTES FÍSICOS UNA PROPUESTA BASADA EN

CAPACIDADES ATÓMICAS». file:///C:/Users/CompuMega/Downloads/CEM121499.pdf
Vélez, Ney Raúl Balderramo. 2018. «Gestión eficiente de redes eléctricas inteligentes en la mini-
central fotovoltaica de la universidad técnica de Manabí». PhD Thesis.
https://www.proquest.com/openview/d5ed0e6e887ed0a8daa4855e54135e3b/1?pq-
origsite=gscholar&cbl=2026366&diss=y
Verdezoto, Pedro L. Castro, Jorge A. Vidoza, y Waldyr LR Gallo. 2019. «Analysis and projection of
energy consumption in Ecuador: Energy efficiency policies in the transportation sector».
Energy Policy 134:110948.
https://www.sciencedirect.com/science/article/abs/pii/S030142151930535X
Villarroya Sánchez, Cristian. 2021. «Modelo basado en redes neuronales para la predicción de
tráfico en la ciudad de Valencia». https://riunet.upv.es/handle/10251/175201
Wang, Huan, Kai Liu, Yang Wu, Song Wang, Zheng Zhang, Fang Li, y Jiafeng Yao. 2020. «Image
reconstruction for electrical impedance tomography using radial basis function neural
network based on hybrid particle swarm optimization algorithm». IEEE Sensors Journal
21(2):1926-34. https://ieeexplore.ieee.org/abstract/document/9177056
Wehrens, Ron, y Johannes Kruisselbrink. 2018. «Flexible self-organizing maps in kohonen 3.0».
Journal of Statistical Software 87(1):1-18. https://www.jstatsoft.org/article/view/v087i07
Willis, H. Lee, y Walter G. Scott. 2018. Distributed power generation: planning and evaluation. Crc
Press. https://www.taylorfrancis.com/books/mono/10.1201/9781315215006/distributed-
power-generation-lee-willis
109
Yigitcanlar, Tan, Kevin C. Desouza, Luke Butler, y Farnoosh Roozkhosh. 2020. «Contributions and
risks of artificial intelligence (AI) in building smarter cities: Insights from a systematic
review of the literature». Energies 13(6):1473. https://www.mdpi.com/1996-
1073/13/6/1473
Yıldız, Adil Koray, Muhammed Taşova, y Hakan Polatcı. 2020. «The Use of Radial-Based Artificial
Neural Networks in Modelling Drying Kinetics». Turkish Journal of Agriculture-Food
Science and Technology 8(2):511-14.
http://www.agrifoodscience.com/index.php/TURJAF/article/view/3196
Zhang, Qiming, Haoyi Yu, Martina Barbiero, Baokai Wang, y Min Gu. 2019. «Artificial neural
networks enabled by nanophotonics». Light: Science & Applications 8(1):1-14.
https://www.nature.com/articles/s41377-019-0151-0
Zhou, Weidong, Zejing Xing, Bai Wenbin, Deng Chengchen, Yaen Xie, y Xiande Wu. 2019. «Route
planning algorithm for autonomous underwater vehicles based on the hybrid of particle
swarm optimization algorithm and radial basis function». Transactions of the Institute of
Measurement and Control 41(4):942-53.
https://journals.sagepub.com/doi/abs/10.1177/0142331218785708
Zhou, Yi, y Alun Gu. 2019. «Learning curve analysis of wind power and photovoltaics technology in
US: cost reduction and the importance of research, development and demonstration».
Sustainability 11(8):2310. https://www.mdpi.com/2071-1050/11/8/2310
Zuluaga Cajiao, Adelaida. 2019. «Predicción de demanda eléctrica a corto plazo para la operación
de microrredes aisladas». B.S. thesis, Uniandes.
https://repositorio.uniandes.edu.co/handle/1992/44479
110
ANEXOS
Toma de datos con el analizador de red
Panel principal de la FCMFQ
111
Panel foto voltaico de la FCMFQ
Salones de clases para el levantamiento de equipos
112
CÓDIGO DEL ENTRENAMIENTO DE LA RED
clc; clear all; close all;
vec_A=[1 1 1 1 0 0;
0 1 1 1 0 0;
0 1 0 1 0 0;
1 1 1 1 1 0;
0 1 1 1 1 0;
0 1 0 1 1 0;
1 1 1 1 1 1;
];
vec_B=[1 0 1 1 1 1;
1 0 1 1 0 1;
0 0 1 1 1 1;
0 0 1 1 0 1;
0 0 0 1 0 0;
];
vec_C=[0 0 0 1 0 1;
0 0 0 0 0 1;
0 0 0 0 1 1;
0 0 0 1 1 1;
];
vec_D=[0 0 0 1 0 0;
0 0 0 1 1 0;
];
vec_E=[1 0 1 0 1 0;
1 1 1 0 1 1;
0 0 1 0 1 0;
0 0 1 0 1 1;
0 0 0 0 1 0;
0 0 0 0 0 0;
];
% %
for j=1:7
T_A(:,j)=[1 0 0 0 0
];
end
for j=1:5
T_B(:,j)=[0 1 0 0 0
];
end
for j=1:4
T_C(:,j)=[0 0 1 0 0
];
end
113
for j=1:2
T_D(:,j)=[0 0 0 1 0
];
end
for j=1:6
T_E(:,j)=[0 0 0 0 1
];
end
% %
input=[vec_A' vec_B' vec_C' vec_D' vec_E'];

% %
targets=[T_A T_B T_C T_D T_E];
% %
red=patternnet(30,'trainlm');
red.trainParam.epochs=(1000); %numero de epocas maximas
red.trainParam.max_fail=100; %virificacion min local
red.trainParam.min_grad=1e-29; %error max
red.trainParam.mu=0.1; %factor de aprendizaje
red.trainParam.mu_dec=0.1; %factor de aprend
red.trainParam.mu_inc=10; %fc creciente
% red.layers{1}.transferFcn='tansig'; %cambio de fc
% las neuronas de la capa 1
% red.layess{2}.transferFcn='tansig';
% cambiar funcion de activacion
% las neuronas de la capa 2
configure(red,input,targets);
red.divideParam.trainRatio=90/100;
red.divideParam.valRatio=5/100;
red.divideParam.testRatio=5/100;
[red,tr]=train(red,input,targets);
114

Universidad Técnica de Manabí Instituto de Posgrado

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Universidad Técnica de Manabí Instituto de Posgrado

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA DE MANABÍ

TRABAJO DE TITULACIÓN DE POSGRADO PREVIA A LA

TÍTULO DE MAGISTER DE INVESTIGACION DE LA MAESTRÍA

SISTEMAS ELÉCTRICOS DE POTENCIA

UNIVERSIDAD TÉCNICA DE MANABÍ

ESTUDIO DE CRITERIOS DE INTELIGENCIA ARTIFICIAL

Trabajo de Titulación presentado por: Ing. Raúl Andrés García Talledo

Ciudad: Portoviejo, Manabí, Ecuador

A todos lo que me han acompañado en estos últimos años de superación y esfuerzos.

Raúl Andrés García Talledo

A mi tutor por ayudarme siempre con sus valiosas sugerencias y recomendaciones.

A mis profesores y personas que desde la dirección de la universidad hicieron posible la

¡Gracias eterna a todos!

Raúl Andrés García Talledo

Ing. Lenin Cuenca Álava, Mg, docente-investigador de la Carrera de Electricidad, de la

Que el presente trabajo de titulación del Programa de Maestría de Investigación en

Portoviejo, junio del 2022

Firmado electrónicamente por:

Ing. Lenin Cuenca Álava, Mg

Firmado electrónicamente por:

Ing. Raúl Andrés García Talledo

Tribunal 1 Tribunal 1 Tribunal 1

Figura 1 Mapa solar del Ecuador con fines de generación eléctrica 13

Tabla 1 Cronología de la evolución de las redes neuronales artificiales 20

Palabras claves: Red neuronal, Matlab R2017b, Variables de entrada, Consumo

Keywords: neural network, Matlab R2017b, input variables, energy consumption,

El trabajo presente aborda el estudio de criterios de inteligencia artificial para la

SITUACIÓN PROBLEMÁTICA DE LA INVESTIGACIÓN

El suministro de la energía eléctrica en la Universidad Técnica de Manabí proviene

JUSTIFICACIÓN DEL PROBLEMA CIENTÍFICO

Debido a la gran cantidad de perdidas tanto económicas como técnicas es necesario

Las implementaciones de esta nueva tecnología presentan una solución a la

FORMULACIÓN DEL PROBLEMA CIENTÍFICO

 Analizar mediante revisión bibliográfica las técnicas de inteligencia artificial

La investigación dirigida al estudio de técnicas de inteligencia artificial va a generar

Variable dependiente: Técnicas de inteligencia artificial

Definición conceptual: Las técnicas de inteligencia artificial son capaces de encontrar

Variable independiente: Gestión energética

Definición conceptual: Gestión Energética recoge el conjunto de acciones necesarias para

Mediante este estudio investigativo se espera genera un aporte sobre la utilización de

APORTE Y VALOR DE LA INVESTIGACIÓN

Esta investigación busca generar un aporte al conocimiento de las técnicas de

1.1. EVOLUCIÓN DEL SISTEMA ELÉCTRICO

El Sistema Eléctrico ha tenido cambios limitados en su estructura y funcionamiento,

1.1.1. EVOLUCIÓN DEL SECTOR ELÉCTRICO ECUATORIANO

Actualmente el parque generador produce energía eléctrica de fuentes de energía

Por otra parte, la demanda eléctrica en el período 1999-2011 la tasa de crecimiento

La situación energética actual a escala mundial ha comenzado a presentar los

1.2.1. EL SISTEMA ELÉCTRICO ECUATORIANO

En el Ecuador, al igual que en la mayoría de países, se dispone de un sistema de

 PARQUE GENERADOR NACIONAL:

1.2.2. PROBLEMÁTICA DEL SISTEMA ELÉCTRICO ACTUAL

El Sistema Eléctrico desde su origen cumple funciones básicas y tradicionales

1.2.3. RELATO HISTÓRICO DEL SISTEMA DE GENERACIÓN

La generación distribuida no es un concepto nuevo, originalmente toda la energía fue

1.2.3.1. GENERACIÓN DISTRIBUIDA

La Generación Distribuida (GD) o Generación Dispersa es posible gracias a la

El incremento de la Generación Distribuida se debe a la existencia de nuevas

1.2.3.2. ASPECTOS GENERALES DEL SISTEMA DE GENERACIÓN

Una confluencia de aspectos técnicos, económicos, tecnológicos, medioambientales,

ASPECTOS ECONÓMICOS: El problema de los sistemas centralizados no radica

ASPECTOS TÉCNICOS: El esquema de un sistema de generación distribuida

ASPECTOS TECNOLÓGICOS: Hace algún tiempo, los fabricantes han venido