Análisis diagnóstico de datos AMI a partir de técnicas de aprendizaje no supervisado sobre series temporales

Vista sencilla de ítem
dc.contributor.advisorAlfonso-Morales, Wilfredo
dc.contributor.advisorTorres López, Wilmar Alexander
dc.contributor.authorMurillo Narváez, Edier Alexis
dc.date.accessioned2025-10-15T15:35:22Z
dc.date.available2025-10-15T15:35:22Z
dc.date.issued2025
dc.description.abstractLa gestión energética moderna enfrenta el desafío de optimizar el suministro eléctrico mediante el análisis de datos granulares de consumo, generados por la Infraestructura de Medición Avanzada (AMI). Sin embargo, el gran volumen de información requiere técnicas avanzadas para identificar patrones, gestionar la demanda y detectar anomalías, como el fraude energético. Para abordar este problema, este trabajo propone un modelo basado en técnicas de aprendizaje no supervisado aplicadas a series temporales, combinando algoritmos de clustering (DBSCAN, K-Means y K-Medoids) con la métrica Dynamic Time Warping (DTW) para capturar similitudes en los patrones de consumo. La metodología se implementó en dos etapas: primero, se agruparon los usuarios según la forma de sus curvas de consumo mediante técnicas de clustering no supervisado, y luego se segmentaron por magnitud utilizando Análisis de Componentes Principales (PCA). Los resultados revelaron patrones diferenciados en los cuatro municipios estudiados: destacó la marcada heterogeneidad en Popayán y El Tambo, donde se identificaron múltiples perfiles de consumo contrastantes; la notable homogeneidad en Morales, con patrones de consumo muy similares entre usuarios; y en Santander de Quilichao se observó un comportamiento intermedio, con algunos grupos bien definidos pero también presencia significativa de consumos atípicos.spa
dc.description.degreelevelPregradospa
dc.description.degreenameINGENIERO(A) EN ELECTRÓNICAspa
dc.format.extent1 recurso en línea (86 páginas)
dc.format.mimetypeapplication/pdf
dc.identifier.urihttps://hdl.handle.net/10893/38349
dc.language.isospa
dc.publisherUniversidad del Vallespa
dc.publisher.branchSede Cali
dc.publisher.facultyFACULTAD DE INGENIERÍAspa
dc.publisher.placeColombiaspa
dc.publisher.programINGENIERIA EN ELECTRÓNICAspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.lembInfraestructura de Medición Avanzada
dc.subject.lembGestión energética
dc.subject.lembAnálisis de datos
dc.subject.lembSeries de tiempo
dc.subject.lembBig Data
dc.titleAnálisis diagnóstico de datos AMI a partir de técnicas de aprendizaje no supervisado sobre series temporalesspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
person.identifier.orcid0000-0002-3091-6082
person.identifier.orcid0000-0002-2482-013X
relation.isDirectorOfPublication49bc3caa-eba1-4951-9cfb-fb06e0a6988a
relation.isDirectorOfPublication54fdc59b-45a2-48cb-9c9a-fad43c99f735
relation.isDirectorOfPublication.latestForDiscovery49bc3caa-eba1-4951-9cfb-fb06e0a6988a
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
3744 M977.pdf
Tamaño:
3.08 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
autorizacion-publicacion-digital.pdf
Tamaño:
198.13 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Ingeniería Electrónica