Pronóstico del Consumo Pico para la Gestión Energética de la Universidad de Cienfuegos

Resumen

La predicción del consumo en el horario de máxima demanda contribuye a mejorar la gestión energética. Se presentan dos modelos de pronóstico del consumo pico y del total diario para la Sede “Carlos Rafael Rodríguez” de la Universidad de Cienfuegos. Los modelos desarrollados son de regresión lineal múltiple y uno no lineal, basado en una red neuronal artificial (RNA). Se procesaron los datos provenientes de los metros contadores y se clasificaron los días en aquellos de poca actividad y los de actividad normal. Los resultados muestran buena correspondencia entre las salidas del modelo y las mediciones reales, lo que demuestra la calidad, evaluada a partir de medidas de precisión como el coeficiente de correlación R2 y el porcentaje de error absoluto medio (MAPE). Se demuestra que el modelo no lineal es superior y que se puede emplear en la gestión energética de la Universidad para estimar la estructura de consumo del pico con anticipación.

Palabras clave:

Pronóstico de consumo, modelos de regresión lineal múltiple, redes neuronales artificiales, modelos de pronóstico, consumo pico, consumo de energía.

ABSTRACT

The peak load forecasting contributes to improve energy management. In this paper, two forecast models of peak consumption and the total daily are presented for Campus “Carlos Rafael Rodríguez” of the University of Cienfuegos. The developed models are of multiple linear regression and one of non-linear type. Non-linear model is based on an artificial neural network (ANN). The data from the readings of meters were processed and the days were classified in days of low activity and days of normal activity. The results obtained show good correlation between the model outputs and measurements. It shows model quality evaluated from the correlation coefficient R2 and the medium absolute percentage error (MAPE). It is shown that the non-linear model is better than linear one and it can be used for energy management system at University of Cienfuegos to estimate with anticipation the peak load.

Keywords:

Energy forecasting, multiple lineal regression models, artificial neural network, forecasting models, peak load, energy consumption.