Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INSTITUTO DE POSGRADO
TEMA
ESTUDIO DE CRITERIOS DE INTELIGENCIA ARTIFICIAL PARA LA
APLICACIÓN DE UNA RED ELÉCTRICA INTELIGENTE
AUTOR:
RAÚL ANDRÉS GARCÍA TALLEDO
OBTENCIÓN DEL
TUTOR:
MG. LENIN CUENCA ÁLAVA
2022
I
UNIVERSIDAD TÉCNICA DE MANABÍ
INSTITUTO DE POSGRADO
MAESTRÍA EN EFICIENCIA ENERGÉTICA
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.
Gracias eternamente.
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.
III
CERTIFICACIÓN DEL TUTOR DE TRABAJO DE TITULACIÓN
CERTIFICO:
Atentamente,
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
RAUL ANDRES
GARCIA
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.”.
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
XI
ÍNDICES DE TABLA
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.
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.
XIV
INTRODUCCIÓN
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.
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)
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.
3
lograr el aprovechamiento de la energía solar en el modo de generación distribuida e
introducir la tecnología relacionada o asociadas.
¿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
HIPÓTESIS
OPERACIONALIZACION DE LA VARIABLES
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.
RESULTADOS ESPERADOS
5
CAPÍTULO I
1. MARCO TEÓRICO
6
1.2. SITUACIÓN ENERGÉTICA
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).
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).
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).
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.
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).
12
Figura 1
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).
13
Figura 2
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).
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.
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).
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)..
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).
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).
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).
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
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
Figura 3
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
NEURONS
Nota. El grafico representa la formación de las 3 capas por donde ingresa los datos
según.(Wehrens y Kruisselbrink 2018).
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).
22
Tabla 2
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).
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.
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).
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
𝟐
GAUSSIANA 𝒚 = 𝑨𝒆𝒂𝒙 [𝟎, +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.).
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.).
Figura 6
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.).
Figura 7
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).
Figura 8
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).
Figura 9
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.).
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
29
Figura 11
Aprendizaje no-supervisado
Red Salida
ENTRADA
Neuronal Obtenida
Artificial
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).
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).
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
𝑨 = {𝒙|𝝁𝑨(𝒙). ∀𝒙 ∈ ∪}
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.
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
BASE DE
REGAS
BORRADAS
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 x es A y z es C ENTONCES y es F
33
Durante el desarrollo de un sistema difuso, para establecer el mecanismo de
inferencias de reglas, hay que seleccionar:
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.
Las tres operaciones básicas que se definen para los conjuntos convencionales se
puede generalizar para los conjuntos difusos.(Ramos Rodríguez 2020).
𝝁𝑨 (𝑿) = 𝟏 − 𝝁𝑨 (𝑿)
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
Conmutativa: 𝐴 𝐴 ځ 𝐵 = 𝐵 ځ
Asociativa: 𝐴 𝐶 ڂ )𝐵 ڂ 𝐴( = )𝐶 ڂ 𝐵(ڂ
Idempotencia: 𝐴 𝐴 = 𝐴 ځ 𝐴 𝑦 𝐴 = 𝐴 ڂ
Involución: ¬(¬A) =A
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).
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:
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)
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:
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.
38
Figura 13
Estructura genética
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.
GEN: Analogía natural de cada uno de los elementos que conforman la cadena o
cromosoma que representa un individuo.
40
Figura 14
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.
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.
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
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).
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:
43
funciones de F={f1 ,f2,...,fNfunc} y el conjunto de Nterm terminales de T={a1 ,a2
,...,aNterm}" Las funciones pueden ser:
Figura 16
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
45
CAPÍTULO II.
2. MARCO METODOLÓGICO
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
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.
Figura 17
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.
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).
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
Aula 13 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 14 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 15 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 16 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 17 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 18 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 19 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 20 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 21 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
Aula 23 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 24 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 25 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 26 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 27 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 28 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 29 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 30 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 31 LED 3x18 W 8 1 18000 1 Proyector 220 W
Aula 32 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.
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
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).
54
Tabla 6
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).
55
2.1.1.8. REGISTRO DE CONSUMO DE AIRES ACONDICIONADOS
Tabla 7
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
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).
Tabla 8
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
Tabla 9
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
Oficina 2 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 3 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 4 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 5 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 6 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 7 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 8 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 9 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 10 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 11 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
Oficina 12 1 Computador 180 0,4 0,41 6 0,87138 0,0784242
C. Telecom 1 Eq.Telecom 750 0,4 0,41 10 3,40574 0,3065166
58
segunda
Aula 11
planta 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
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
C. Telecom 1 Eq.Telecom 750 0,4 0,41 10 3,40574 0,3065166
tercera
Aula 22
planta 1 Proyector 210 0,4 0,41 7 0,67856 0,0610704
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
C. Telecom 1 Eq.Telecom 750 0,4 0,41 10 3,40574 0,3065166
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).
59
Tabla 10
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).
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.
Tabla 12
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).
61
Figura 19
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).
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
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).
Tabla 14
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)
65
2.1.5. TRANSFORMADO QUE SUMINISTRA DE ENERGÍA LA FCMFQ
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.
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).
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.
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
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).
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.
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.
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
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).
72
2.3.2. SALIDAS DE LA RNA
Tabla 19
Nota. Esta tabla presenta la topología obtenida por el sistema que da cinco salidas representadas
en código binario realizado por.(Autoría propia).
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.
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.
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.
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
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).
76
Figura 23
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).
77
Figura 24
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
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
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).
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).
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
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
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.
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.
84
entrenamiento no diera erros y se lograra obtener la salida deseada que correspondiera a los
valores de entrada que se le daban.
Figura 29
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
Nota. Esta grafica presenta el trazo de la característica operativa del receptor para cada clase de
salida con un entrenamiento de 10 neuronas, realizado por.(Autoría propia-Matlab).
86
Tabla 20
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).
87
RESULTADO DE LA RED CON 15 NEURONAS
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
Entrenamiento con 15 neuronas matrices de confusión
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
Nota. Esta grafica presenta el trazo de la característica operativa del receptor para cada clase de
Salida con el entrenamiento de 15 neuronas, realizado por.(Autoría propia-Matlab).
Tabla 21
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
Entrenamiento con 20 neuronas matrices de confusión
Nota. Esta grafica presenta las matrices de confusión para entrenamiento con 20 neuronas,
realizado por.(Autoría propia-Matlab).
Figura 37
Entrenamiento con 20 neuronas curva característica operativa del receptor (ROC)
Nota. Esta grafica presenta el trazo de la característica operativa del receptor para cada clase de
Salida con 20 neuronas, realizado por.(Autoría propia-Matlab).
91
Tabla 22
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).
92
RESULTADO DE LA RED CON 25 NEURONAS
Figura 38
Nota. Esta grafica presenta la traza el error frente a la época para el entrenamiento, la validación
y el rendimiento con 25 neuronas en la capa oculta realizado por.(Autoría propia-Matlab).
Figure 39
Entrenamiento con 25 neuronas matrices de confusión
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
Nota. Esta grafica presenta el trazo de la característica operativa del receptor para cada clase de
salida con 25 neuronas en la capa oculta. realizado por.(Autoría propia-Matlab).
Tabla 23
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
Nota. Esta grafica presenta la traza el error frente a la época para el entrenamiento, la validación
y el rendimiento de 30 neuronas realizado por.(Autoría propia-Matlab).
95
Figure 42
Entrenamiento con 30 neuronas matrices de confusión
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
Nota. Esta grafica presenta el trazo de la característica operativa del receptor para cada clase de
salida con 30 neuronas en su capa oculta, realizado por.(Autoría propia-Matlab).
96
Tabla 24
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).
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
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).
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
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. 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
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
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
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
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
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.
https://www.sciencedirect.com/science/article/pii/S2405656118301020
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.
https://ieeexplore.ieee.org/abstract/document/8610271
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.
https://www.sciencedirect.com/science/article/abs/pii/S2451910320301423
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.
https://ieeexplore.ieee.org/abstract/document/8642881
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.
https://link.springer.com/article/10.1007/s40995-021-01065-9
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.
https://link.springer.com/article/10.1007/s00521-018-03990-0
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
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
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.
https://www.sciencedirect.com/science/article/pii/S1876610218313316
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.
https://www.sciencedirect.com/science/article/abs/pii/S0957417418307012
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
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.
https://www.sciencedirect.com/science/article/abs/pii/S1270963818328785
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
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
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-
59012019000300264&script=sci_arttext&tlng=en
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.
https://www.sciencedirect.com/science/article/abs/pii/S0045794920300390
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
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
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
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.
https://ieeexplore.ieee.org/abstract/document/9245385
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-
59442021000100038&script=sci_arttext&tlng=en
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, 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
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
111
Panel foto voltaico de la FCMFQ
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
% %
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