Agrupamiento de datos mediante optimización multiobjetivo basada en inteligencia de enjambres

Abstract

Debido a los avances tecnológicos de los últimos años en materia de almacenamiento y procesamiento de datos y con la liberación del mercado eléctrico, existe la tendencia de colocar medidores inteligentes en diversos puntos de la red, con el principal fin de recabar la información que ayude a mejorar los procesos de generación, transmisión y distribución de la energía eléctrica. Esta información es aprovechada por particulares para mejorar la ofertademanda de la energía en el mercado eléctrico, es por esta razón que recientemente se han introducido técnicas y metodologías de la minería de datos como son el agrupamiento de perfiles y la predicción de cargas a los sistemas eléctricos de potencia. Para abordar esta área de investigación, se propone utilizar técnicas de agrupamiento basadas en métodos de optimización, tal como, la optimización con el enjambre de partículas (PSO) para aprovechar el conocimiento de los métodos de optimización con las funciones objetivo y las ventajas que ofrecen los algoritmos de inteligencia de enjambres. Con el principal fin de ofrecer una metodología para el agrupamiento de perfiles de carga, lo cual puede ser aprovechado para la predicción de cargas y para la mejora de las tarifas electricas. En esta tesis se realiza el estudio de los criterios de diseño para la formación de los grupos que permitan identificar la relación de los distintos clientes eléctricos con base a los hábitos de consumo eléctrico, a partir de esto se propone una nueva función objetivo la cual presenta mejoras con respecto a las funciones tradicionales de separación intergrupal e intragrupo en cuanto la tasa de convergencia y precisión con el algoritmo PSO. También se realiza el estudio del impacto del preprocesamiento de los datos reales de alta dimensión, para lo cual se propone la utilización de múltiples métricas de manera simultánea y la aplicación de técnicas de reducción de la dimensión que permitan mejorar la separación natural de los datos de estudio para un desempeño optimo de los algoritmos de agrupamiento de acuerdo con los índices de validación interna.