Artículos - Ingeniería en Electricidad

Permanent URI for this collection

https://repositorio.utc.edu.ec/handle/123456789/12817

Browse

Browsing Artículos - Ingeniería en Electricidad by Author "Castillo Fiallos, Jessica Nataly"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Evaluación de Técnicas de Filtrado y Suavizado de Datos en la Estimación Paramétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMUétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMU
    (Ecuador: Latacunga: Universidad Técnica de Cotopaxi: (UTC), 2026-01-25) Laica Pozo , Henry Patricio; Tituaña Tituaña, Kevin Israel; Castillo Fiallos, Jessica Nataly
    Hoy en día modelar adecuadamente las cargas y cómo sus parámetros varían con el tiempo es un tema fundamental. Para esto, una solución, que es una tendencia actual, es estimar los modelos de carga con datos tipo ambiente de Unidades de Medición Fasorial (PMU), sin embargo, el ruido de las propias mediciones juega un papel fundamental ya que tiene un impacto significativo y negativo en la precisión alcanzada. Dado que en la literatura los trabajos no estudian a profundidad las técnicas de filtrado en el modelamiento de carga, en este trabajo se evalúan diferentes técnicas de filtrado y suavizado de datos en la estimación paramétrica del modelo de carga ZIP y, se determina la mejor, junto con el valor óptimo de su parámetro de diseño. Como resultado se obtiene que la técnica Savitzky – Golay con polinomio de grado 3 y un ancho de ventana de 35 muestras es la que mejor desempeño alcanza, por lo que se recomienda su utilización en la estimación paramétrica del modelo de carga ZIP con datos tipo ambiente de PMU.
  • Thumbnail Image
    Item
    Implementación de un sistema fotovoltaico residencial OFF-GRID con predicción energética
    (Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2025-07-29) Herrera Robayo, David Ramiro; Lovato Caiza, Washington Gregorio; Castillo Fiallos, Jessica Nataly
    This study presents the implementation of an OFF-GRID residential photovoltaic system for a type D house located in Chimborazo Province, Ecuador, where there is no access to the conventional power grid. Two predictive models were used to estimate solar radiation: second-degree polynomial regression and a decision tree, using hourly data from the NASA POWER portal covering the years 2019 to 2024. The decision tree model showed better performance in terms of accuracy, with a Mean Squared Error (MSE) of 0.212 and a Coefficient of Determination (R²) of 0.8561, compared to the polynomial model which achieved an MSE of 0.6359 and R² of 0.6599. The prediction estimated a maximum solar radiation of 416.21 W/m² at 12:00 PM in January. These results are crucial for designing efficient solar energy systems in rural areas without grid access. The research demonstrates that machine learning models offer significant advantages for predicting complex phenomena such as solar radiation, enabling better planning for renewable energy use and improving the quality of life in isolated communities
  • Thumbnail Image
    Item
    Predicción a corto plazo de energía eólica basada en Técnica de Machine Learning
    (Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2025-08-01) Llerena Ortiz, Bryan David; Castillo Fiallos, Jessica Nataly
    El siguiente trabajo investigativo presenta un modelo de predicción a corto plazo del potencial eléctrico elaborado con técnicas de Machine Learning. Se utilizó una base de datos históricos entre 2022 y 2024 arrojados por la red hidrometeorológica de Tungurahua específicamente en el embalse chiquihurcu a 3875 msnm, que contienen las variables velocidad; dirección del viento; temperatura; humedad relativa y potencia eléctrica generada. Por análisis estadístico se halló una generación de potencia variable a lo largo del periodo (desviación estándar de 72,79 W) y un viento moderadamente bajo (media de 2,46 m/s); cuyos valores fueron validados mediante la distribución Weibull con un parámetro de forma (k) = 2,38 y de escala (c) = 2,77. Mediante Python se entrenó tres modelos de aprendizaje automático con el objetivo de predecir la potencia eléctrica a corto plazo (6 meses), los modelos utilizados fueron Random Forest, Decision Tree y XGBoost, como resultado Random Forest mostró el mejor rendimiento a la hora de adaptarse a la variabilidad de los datos, generalizándolos correctamente y manejando muy bien los errores, esto constatado con las siguientes métricas de validación MSE = 0,108; MAE = 0,174 y R2 = 99,97%. A pesar de las velocidades de viento relativamente bajas las técnicas de machine learning pueden proporcionar una predicción precisa del potencial eléctrico, abriendo la puerta a sistemas energéticos autónomos creando bases para futuras microrredes inteligentes en comunidades aisladas