Motor selector de técnicas de machine learning para la detección de anomalías de consumo eléctrico en clientes residenciales

Vista sencilla de ítem
dc.contributor.advisorSalas Fuentes, Rodrigo
dc.contributor.authorFernández Escobar, Álvaro Francisco
dc.date.accessioned2022-04-04T21:23:49Z
dc.date.available2022-04-04T21:23:49Z
dc.date.issued2021-12-23
dc.description.abstractLas empresas distribuidoras de electricidad, se recogen una enorme cantidad de datos sobre sus clientes en particular, producidas mensualmente por medidores ubicados en cada propiedad. Cada cliente tiene un comportamiento diferente, lo que se verá reflejado en cada una de las categorías que se le atribuye a los clientes respectivos. Esta información es analizada para aportar a las empresas distribuidoras de electricidad, mediante la detección de consumos de energía anómalos. Estos consumos se conocen como órdenes de crítica. De esa forma, poder entender su origen y tomar decisiones al respecto. Entonces, una orden de crítica se refiere a aquella solicitud para analizar un cliente, el cual posee un consumo superior a los anteriores, bajo ciertas condiciones determinadas por la empresa. En ese sentido, este proyecto está basado en la selección de un modelo de machine learning, a través de un motor selector que distingue la mejor metodología que se ajuste al conjunto de datos. Dado ese contexto, son tres metodologías de predicción seleccionadas: suavización exponencial, boosting y redes neuronales. El primero trata del modelo predictivo Holt-Winters. El segundo, conocido como Extreme Gradient Boosting (XGBOOST), reacondiciona y es más efectivo que otros modelos gracias a la optimización de sistemas y mejoras algorítmicas. Mientras que el modelo de redes neuronales está basado en redes Long-Short Term Memory (LSTM), tiene la cualidad de detectar variaciones de comportamiento en el núcleo familiar.en_ES
dc.facultadFacultad de Cienciasen_ES
dc.identifier.citationFernández, A. (2021). Motor selector de técnicas de machine learning para la detección de anomalías de consumo eléctrico en clientes residenciales (Tesis de pregrado). Universidad de Valparaíso, Chileen_ES
dc.identifier.urihttp://repositoriobibliotecas.uv.cl/handle/uvscl/3956
dc.language.isoesen_ES
dc.publisherUniversidad de Valparaísoen_ES
dc.subjectCONSUMO DE ENERGIA ELECTRICAen_ES
dc.subjectMODELO PREDICTIVOen_ES
dc.subjectMODELO DE CORRECION DE ERRORESen_ES
dc.titleMotor selector de técnicas de machine learning para la detección de anomalías de consumo eléctrico en clientes residencialesen_ES
dc.typeTesisen_ES
uv.catalogadorVC CIENen_ES
uv.departamentoInstituto de Estadisticaen_ES
uv.notageneralIngeniero en Estadística. Licenciado en Estadísticaen_ES
uv.profesorinformanteRoco Saavedra, Cristóbal (Profesor Co-Guía)

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Motor selector de técnicass de machine learning para la detección de anomalías de consumo eléctrico en clientes residenciales.pdf
Tamaño:
9.31 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
384 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Tesis