Garcia et al 2020b - Revision history

Rimni at 09:34, 24 August 2020

2020-08-24T09:34:43Z

Rimni at 11:02, 16 July 2020

2020-07-16T11:02:37Z

Rimni at 11:02, 16 July 2020

2020-07-16T11:02:20Z

Rimni at 14:15, 13 July 2020

2020-07-13T14:15:50Z

Rimni at 14:15, 13 July 2020

2020-07-13T14:15:24Z

Rimni at 14:14, 13 July 2020

2020-07-13T14:14:19Z

Rimni at 14:13, 13 July 2020

2020-07-13T14:13:18Z

Rimni at 14:12, 13 July 2020

2020-07-13T14:12:46Z

Rimni at 14:12, 13 July 2020

2020-07-13T14:12:26Z

Rimni at 14:11, 13 July 2020

2020-07-13T14:11:51Z

@@ Line 55: / Line 55: @@
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
 |-
-|style="padding:10px;"| [[Image:Draft_Rivera_373381492-image1.png|450px]]
+|style="padding:10px;"| [[Image:Draft_Rivera_373381492-image1.png|350px]]
 |- style="text-align: center; font-size: 75%;"
 | colspan="1" style="padding-bottom:10px;"| '''Figura 1'''. Propuesta de pronóstico de demanda en 2 etapas

← Older revision		Revision as of 11:02, 16 July 2020
Line 340:		Line 340:

	El desempeño de los dos algoritmos se evaluó entrenándolos mediante registros de mediciones de temperatura de 28 estaciones meteorológicas durante 2 años con el fin de predecir la demanda para un tercer año. Como resultado, el RS-DEEPSO redujo el error en 77,7% respecto al RS no lineal hibrido, con un error promedio en el pronóstico por días inferior al 3,9% y un error promedio máximo para las 8 a.m de 5,62%.		El desempeño de los dos algoritmos se evaluó entrenándolos mediante registros de mediciones de temperatura de 28 estaciones meteorológicas durante 2 años con el fin de predecir la demanda para un tercer año. Como resultado, el RS-DEEPSO redujo el error en 77,7% respecto al RS no lineal hibrido, con un error promedio en el pronóstico por días inferior al 3,9% y un error promedio máximo para las 8 a.m de 5,62%.
−

	==Acknowledgements==		==Acknowledgements==

@@ Line 351: / Line 351: @@
 <div class="auto" style="text-align: left;width: auto; margin-left: auto; margin-right: auto;font-size: 85%;">
-[1] García-Guarín J., Rivera S., Rodriguez H. Revisión REI: realidad en Colombia y expectativas. V encuentro Int. innovación tecnológica. Vol. 5: 1–7, 2018.
+[1] García-Guarín J., Rivera S., Rodriguez H. Revisión REI: realidad en Colombia y expectativas. V Encuentro Int. Innovación Tecnológica, 5:1–7, 2018.
-[2] Hong T., Wang P., White L. Weather station selection for electric load forecasting. Int. J. Forecast. Vol. 31, no. 2: 286–295, 2015.
+[2] Hong T., Wang P., White L. Weather station selection for electric load forecasting. Int. J. Forecast., 31(2): 286–295, 2015.
-[3] Vargas S., Rodriguez D., Rivera S. Mathematical formulation and numerical validation of uncertainty costs for controllable loads. Rev. Int. Métodos Numéricos para Cálculo y Diseño en Ing. Vol. 35, no. 1: 163.172, Feb. 2019.
+[3] Vargas S., Rodriguez D., Rivera S. Mathematical formulation and numerical validation of uncertainty costs for controllable loads. Rev. Int. Métodos Numéricos para Cálculo y Diseño en Ing., 35:16, 2019.
-[4] Chen Y., Hong W., Shen W. Electric load forecasting based on a least squares support vector machine with fuzzy time series and global harmony search algorithm. Energies. Vol. 9, no. 2: 70-79, 2016.
+[4] Chen Y., Hong W., Shen W. Electric load forecasting based on a least squares support vector machine with fuzzy time series and global harmony search algorithm. Energies, 9(2):70-79, 2016.
-[5] Choi S., Pellen A., Masson V. How does daylight saving time affect electricity demand? An answer using aggregate data from a natural experiment in Western Australia. Energy Econ. Vol. 66: 247–260, Aug. 2017.
+[5] Choi S., Pellen A., Masson V. How does daylight saving time affect electricity demand? An answer using aggregate data from a natural experiment in Western Australia. Energy Econ., 66:247–260, 2017.
-[6] Manrique-Naranjo S., Guzman M., Rivera S. Hybrid inference algorithm by combining genetic programming methods and nonlinear regression techniques. Far East Journal of Experimental and Theoretical Artificial Intelligence. Vol. 7, no. 1: 1-27, June 2018.
+[6] Manrique-Naranjo S., Guzman M., Rivera S. Hybrid inference algorithm by combining genetic programming methods and nonlinear regression techniques. Far East Journal of Experimental and Theoretical Artificial Intelligence, 7(1):1-27, 2018.
-[7] Miranda V., Alves R. Differential evolutionary particle swarm optimization (deepso): A successful hybrid. IEEE BRICS Congr. Comput. Intell. 11th Brazilian Congr. Comput. Intell. 368–374, 2013.
+[7] Miranda V., Alves R. Differential evolutionary particle swarm optimization (deepso): A successful hybrid. IEEE BRICS Congress on Computational Intelligence and 11th Brazilian Congress on Computational Intelligence, 368–374, 2013.
-[8] Pérez E., Bautista D., Acevedo F., Pimentel J. Programación genética aplicada al pronóstico de viento en la región del istmo de tehuantepec. 2° Congr. Int. Energías Renov. Vol. 1: 1–11, 2016.
+[8] Pérez E., Bautista D., Acevedo F., Pimentel J. Programación genética aplicada al pronóstico de viento en la región del istmo de tehuantepec. 2° Congr. Int. Energías Renov., 1:1–11, 2016.
-[9] Kronberger G., Kommenda M., Lughofer E., Saminger-Platz S., Promberger A., Nickel F., Winkler S., Affenzeller M. Using robust generalized fuzzy modeling and enhanced symbolic regression to model tribological systems. Applied Soft Computing. Vol. 69: 610-624, 2018.
+[9] Kronberger G., Kommenda M., Lughofer E., Saminger-Platz S., Promberger A., Nickel F., Winkler S., Affenzeller M. Using robust generalized fuzzy modeling and enhanced symbolic regression to model tribological systems. Applied Soft Computing, 69:610-624, 2018.
-[10] Langdon W., Poli R., McPhee N.,  Koza J. Genetic programming: An introduction and tutorial, with a survey of techniques and applications. Computational Intelligence: A Compendium. Studies in Computational Intelligence. Vol 115, Springer, Berlin, 2008.
+[10] Langdon W., Poli R., McPhee N.,  Koza J. Genetic programming: An introduction and tutorial, with a survey of techniques and applications. Computational Intelligence: A Compendium. Studies in Computational Intelligence, Vol. 115, Springer, Berlin, 2008.
-[11] Patelli A. Genetic programming techniques for nonlinear systems identification. Iasi, Rum. Ed. Politeh. Vol. 22, no. 16: 1–243, 2011.
+[11] Patelli A. Genetic programming techniques for nonlinear systems identification. Iasi, Rum. Ed. Politeh., 22(16):1–243, 2011.
-[12] Vanneschi L. Improving genetic programming for the prediction of pharmacokinetic parameters. Memetic Comput. Vol. 6, no. 4: 255–262, Dec. 2014.
+[12] Vanneschi L. Improving genetic programming for the prediction of pharmacokinetic parameters. Memetic Comput., 6(4):255–262, 2014.
-[13] Searson D., Leahy D., Willis M. GPTIPS: an open source genetic programming toolbox for multigene symbolic regression. Proc. Int. Multiconference Eng. Comput. Sci. Vol. 1, no. 1: 77–80, 2010.
+[13] Searson D., Leahy D., Willis M. GPTIPS: an open source genetic programming toolbox for multigene symbolic regression. Proc. Int. Multiconference Eng. Comput. Sci., 1(1):77–80, 2010.
-[14] Hii C., Searson D., Willis M. Evolving toxicity models using multigene symbolic regression and multiple objectives. Int. J. Mach. Learn. Comput. Vol. 1, no. 1: 22-30, 2011.
+[14] Hii C., Searson D., Willis M. Evolving toxicity models using multigene symbolic regression and multiple objectives. Int. J. Mach. Learn. Comput., 1(1):22-30, 2011.
-[15] Miranda V., Fonseca N. EPSO-evolutionary particle swarm optimization, a new algorithm with applications in power systems. IEEE/PES Transm. Distrib. Conf. Exhib. Vol. 2, no. 1: 745–750, 2002.
+[15] Miranda V., Fonseca N. EPSO-evolutionary particle swarm optimization, a new algorithm with applications in power systems. IEEE/PES Transm. Distrib. Conf. Exhib., 2(1):745–750, 2002.
 <!--

@@ Line 306: / Line 306: @@
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
 |-
-|style="padding:10px;"| [[Image:Figuraaa11.jpg|600px]]
+|style="padding:10px;"| [[Image:Figuraaa11.jpg|550px]]
 |- style="text-align: center; font-size: 75%;"
 | colspan="1" style="padding-bottom:10px;"| '''Figura 11'''. Error de pronóstico por horas con el algoritmo RS-DEEPSO
@@ Line 330: / Line 330: @@
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
 |-
-|style="padding:10px;"| [[Image:Draft_Rivera_373381492-image22-c.png|600px]]
+|style="padding:10px;"| [[Image:Draft_Rivera_373381492-image22-c.png|550px]]
 |- style="text-align: center; font-size: 75%;"
 | colspan="1" style="padding-bottom:10px;"| '''Figura 12'''. Reducción del error de pronóstico por horas con el algoritmo RS-DEEPSO
 |}
 ==4. Conclusión==

@@ Line 272: / Line 272: @@
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
 |-
-|style="padding:10px;"|  [[Image:Draft_Rivera_373381492-image17-c.png|600px]]
+|style="padding:10px;"|  [[Image:Draft_Rivera_373381492-image17-c.png|550px]]
 |- style="text-align: center; font-size: 75%;"
 | colspan="1" style="padding-bottom:10px;"| '''Figura 8'''. Error de aprendizaje por horas con el algoritmo RS

@@ Line 283: / Line 283: @@
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
 |-
-|style="padding:10px;"| [[Image:Figuraaa9.jpg|600px]]
+|style="padding:10px;"| [[Image:Figuraaa9.jpg|550px]]
 |- style="text-align: center; font-size: 75%;"
 | colspan="1" style="padding-bottom:10px;"| '''Figura 9'''. Error de pronóstico por horas con el algoritmo RS
 |}
 ===3.2. Segunda etapa con DEEPSO===

@@ Line 147: / Line 147: @@
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
 |-
-|style="padding:10px;"|  [[Image:Draft_Rivera_373381492-image8.png|300px]]
+|style="padding:10px;"|  [[Image:Draft_Rivera_373381492-image8.png|310px]]
 |- style="text-align: center; font-size: 75%;"
 | colspan="1" style="padding-bottom:10px;"| '''Figura 3'''. Algoritmo de representación simbólica no lineal

@@ Line 63: / Line 63: @@
 ===2.1. Primera etapa:  regresión simbólica en el proceso de inferencia===
-El algoritmo RS representa la evolución natural usando su propia programación genética [8]. Es decir, similar al principio Darwiniano evolucionan el cruce, los cromosomas y la mutación genética. Su esencia brinda la posibilidad de variar programas que forman parte de la población de soluciones. Esto permite encontrar un programa óptimo en menor tiempo. Algunos términos biológicos se utilizan en el algoritmo RS. El fenotipo se denomina al conjunto de rasgos que representan a un cromosoma en particular. La información necesaria para construir un nuevo organismo se denomina genotipo. Esta información se procesa con un cromosoma y se ejemplifica usando un programa de árbol ([[#img-1|Figura 1]]) [8]. Los programas de árbol se basan en regresión simbólica, por lo que es posible incluir conceptos de búsqueda basados en poblaciones [6]. [[#img-9|Figura 9]]
+El algoritmo RS representa la evolución natural usando su propia programación genética [8]. Es decir, similar al principio Darwiniano evolucionan el cruce, los cromosomas y la mutación genética. Su esencia brinda la posibilidad de variar programas que forman parte de la población de soluciones. Esto permite encontrar un programa óptimo en menor tiempo. Algunos términos biológicos se utilizan en el algoritmo RS. El fenotipo se denomina al conjunto de rasgos que representan a un cromosoma en particular. La información necesaria para construir un nuevo organismo se denomina genotipo. Esta información se procesa con un cromosoma y se ejemplifica usando un programa de árbol ([[#img-1|Figura 1]]) [8]. Los programas de árbol se basan en regresión simbólica, por lo que es posible incluir conceptos de búsqueda basados en poblaciones [6].
 ====2.1.1. Algoritmo de regresión simbólica  ====
@@ Line 291: / Line 291: @@
 ===3.2. Segunda etapa con DEEPSO===
-La predicción tiene un error del 16,2%. Al utilizar el algoritmo DEEPSO, el error se disminuyó al 2,7%, como se muestra en la Fig. 10.
+La predicción tiene un error del 16,2%. Al utilizar el algoritmo DEEPSO, el error se disminuyó al 2,7%, como se muestra en la [[#img-10|Figura 10]].
-<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
+<div id=img-10></div>
-[[Image:Figuraaa10.jpg|600px]] </div>
+{| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
-El error del algoritmo RS se mejora utilizando el algoritmo DEEPSO. Dos efectos se evidencian: el primero es una reducción del error porcentual a un valor medio de 3,9% y el segundo efecto está relacionado con suavizar picos en la curva de pronóstico del error como se muestra en la Fig. 11. El error máximo para pronóstico de demanda intradia (por horas) es del 5,62% a las 8 a.m usando el RS-DEEPSO. El horizonte de pronóstico es de 366 días.
+El error del algoritmo RS se mejora utilizando el algoritmo DEEPSO. Dos efectos se evidencian: el primero es una reducción del error porcentual a un valor medio de 3,9% y el segundo efecto está relacionado con suavizar picos en la curva de pronóstico del error como se muestra en la [[#img-11|Figura 11]]. El error máximo para pronóstico de demanda intradia (por horas) es del 5,62% a las 8 a.m usando el RS-DEEPSO. El horizonte de pronóstico es de 366 días.
-<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
+<div id=img-11></div>
-[[Image:Figuraaa11.jpg|600px]]</div>
+{| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
-El indicador de la Ecuación 10 permite conocer la reducción del error en porcentaje.
+El indicador de la ecuación (10) permite conocer la reducción del error en porcentaje.
 {| class="formulaSCP" style="width: 100%; text-align: center;"
@@ Line 312: / Line 320: @@
 {| style="text-align: center; margin:auto;"
 |-
-| <span id='_Hlk32661484'></span>  <math>R\%=\frac{e_{RS}-e_{DEEPSO}}{e_{RS}}\ast 100\%</math>
+| <span id='_Hlk32661484'></span>  <math>R\% =\frac{e_{RS}-e_{DEEPSO}}{e_{RS}}\ast 100\%</math>
 |}
 | style="width: 5px;text-align: right;white-space: nowrap;" | (10)
@@ Line 318: / Line 326: @@
-El error se reduce en la segunda etapa con el algoritmo RS-DEEPSO. La reducción del error promedio es de un 77,7%, la distribución del error se muestra en la Fig. 12. En cada hora el error se reduce con pequeñas fluctuaciones alrededor de 77,7%, con excepción de la hora 8, donde la reducción del error es alrededor del 48%.
+El error se reduce en la segunda etapa con el algoritmo RS-DEEPSO. La reducción del error promedio es de un 77,7%, la distribución del error se muestra en la [[#img-12|Figura 12]]. En cada hora el error se reduce con pequeñas fluctuaciones alrededor de 77,7%, con excepción de la hora 8, donde la reducción del error es alrededor del 48%.
-<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
+<div id=img-12></div>
-[[Image:Draft_Rivera_373381492-image22-c.png|600px]]</div>
+{| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
-==4. CONCLUSIÓN==
+==4. Conclusión==
 Pronósticos con alta incertidumbre de la demanda energía dan como resultados un desabastecimiento de la demanda o sobrecostos. Así, mediante pronósticos de demanda con una baja incertidumbre se contribuye a optimizar la planeación operativa de las redes eléctricas. Este artículo se presentó y evaluó el algoritmo RS-DEEPSO para el pronóstico de demanda anual de energía por horas. El algoritmo RS no lineal hibrido con sus más resientes modificaciones fue comparado con un nuevo hibrido el algoritmo RS-DEEPSO.
@@ Line 334: / Line 346: @@
 ==Acknowledgements==
-The  authors  would  like  to thank  the  Cyted  Network:    RED  IBEROAMERICANA PARA EL DESARROLLO Y LA INTEGRACION DE PEQUENOS GENERADORES EOLICOS(MICRO-EOLO) for the continued support during thedevelopment of this work.
+Los autores quieren agradecer a Cyted  Network:  RED  IBEROAMERICANA PARA EL DESARROLLO Y LA INTEGRACION DE PEQUENOS GENERADORES EOLICOS (MICRO-EOLO) por el continuo apoyo durante el desarrollo de este trabajo.
 ==Referencias==
@@ Line 369: / Line 382: @@
 [15] Miranda V., Fonseca N. EPSO-evolutionary particle swarm optimization, a new algorithm with applications in power systems. IEEE/PES Transm. Distrib. Conf. Exhib. Vol. 2, no. 1: 745–750, 2002.
+<!--
 [[Image:Draft_Rivera_373381492-image23-c.jpeg|center|102px]]
@@ Line 382: / Line 395: @@
 '''Sergio Raul Rivera Rodriguez '''is currently an associate professor of electrical engineering at the National University of Colombia where he specializes in smart grids. He got a Fulbright fellowship as a research scholar at the University of Florida. He was a postdoctoral researcher at the Massachusetts Institute of Technology and the within the LIINES at the Masdar Institute of Science & Technology. Prior to his postdoctoral fellowships, he was working General Motors as a Senior Process Engineer in the Manufacturing Engineering Area. Meanwhile, he was a professor of power systems in the District University where he taught courses in the reliability of power systems and electricity markets. His received his Ph.D. from the Electric Energy Institute at the national University of San Jan in Argentina. There, he proposed a methodology for short-term investment decisions in electric distribution networks considering uncertainties in planning parameters.