This paper deals the need to meet with less uncertainty the value of the electricity demand in the future, for this is made mention of: general concepts of electricity demand, the technique of artificial neural networks and time series modeling by this technique. To introduce the reader regarding the forecast of electricity demand is necessary to know the importance of making this forecast according to the time horizon that has referred, in addition to taking into account the factors that influence the performance of that variable. It is noteworthy that for this purpose makes use of historical data of electric demand, provided by the agency providing the service. Therefore, it is important to understand the basics concepts of time series such as stationary, seasonality, trend, cyclical; all this is shown in detail in Chapter 2 of this work. It is presented in Chapter 3 all matters related to the technique of artificial neural networks, in order to know the advantages, applications and characteristics offered by this technique. Network models PERCEPTRON, ADALINE AND BACKPROPAGATION are commonly used for modeling time series so it was necessary to know the learning algorithms of such models. Finally, in the final chapter is shown in detail the modeling of time series using artificial neural networks, for it follows step by step each of stages, problem identification, data preparation, neural network modeling and analysis results It is noteworthy that there were no precedents for a similar project in the area described in this paper, the methodology is innovative, which represents a technological breakthrough in forecasting electricity demand.
La presente tesis aborda la necesidad de conocer con menor incertidumbre el valor de la demanda de electricidad en un futuro, para ello se hace mención de: conceptos generales sobre demanda de electricidad, la técnica de Redes Neuronales Artificiales y el modelado de series de tiempo mediante dicha técnica. Para empapar al lector en lo concerniente al pronóstico de la demanda de energía eléctrica es necesario conocer la importancia de realizar dicho pronóstico de acuerdo al horizonte temporal que se tenga contemplado, además, de tener en cuenta los factores que influyen en el comportamiento de dicha variable. Es importante mencionar que para dicho propósito se hace uso de los datos históricos de la carga de energía eléctrica proporcionados por el organismo encargado de prestar el servicio. Por lo anterior es importante conocer conceptos básicos de las series de tiempo como la estacionariedad, estacionalidad, tendencia, ciclicidad; todo esto se muestra de manera detallada en al capítulo número 2 del presente trabajo. Se presenta en el capítulo 3 todo lo relacionado con la técnica de Redes Neuronales Artificiales con el objetivo de conocer las ventajas, aplicaciones y características que ofrece dicha técnica. Los modelos de red PERCEPTRON, ADALINE Y BACKPROPAGATION son utilizados comúnmente para realizar el modelado de series temporales, por lo que fue necesario conocer los algoritmos de aprendizaje de dichos modelos. En el capítulo final se muestra detalladamente el proceso de modelado de la serie de tiempo mediante Redes Neuronales Artificiales, para ello se sigue paso a paso cada una de sus fases: identificación del problema, preparación de datos, modelado de la red neuronal y análisis de resultados.
