Resumen
Nowadays, electrical energy is of vital importance in our lives, every country needs this resource to develop its economy, factories, businesses, and homes are the basis of the economic structure of a country. In the city of Newcastle as in other cities are in constant development growing day by day in terms of industries, homes and businesses, these elements are the ones that consume all the electricity produced in Newcastle. Although Australia has strategically located substations that serve the function of supplying all existing loads with quality power, from time to time the load will exceed the capacity of these substations and will not be able to supply the loads that will arise in the future as the city grows. To find a solution to this problem, we use a deep learning model to improve accuracy. In this paper, a Long Short-Term Memory recurrent neural network (LSTM) is tested on a publicly available 30-minute dataset containing measured real power data for individual zone substations in the Ausgrid supply area data. The performance of the model is comprehensively compared with 4 different configurations of the LSTM. The proposed LSTM approach with 2 hidden layers and 50 neurons outperforms the other configurations with a mean absolute error (MAE) of 0.0050 in the short-term load forecasting task for substations.
©2018, Facultad de Contaduría y Administración, Universidad Nacional Autónoma de México. Reservados todos los derechos. La publicación del artículo en versión impres implica la cesión total de los derechos de propiedad (copyright) a Contaduría y Administración. La revista se reserva el derecho para la reproducción total o parcial del trabajo en otros medios impresos, electrónicos o cualquier otra alternativa, pero reconociendo siempre su autoría.
Licencia para Contenidos Publicados
Salvo indicación contraria, todos los contenidos de la edición electrónica de la revista se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional” (CC-by). Usted es libre de copiar, distribuir, transmitir y adaptar el trabajo. Debe atribuir el trabajo de la manera especificada por el autor o licencia Creative Commons. Puede consultar desde aquí la versión informativa de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
Licencia para Metadatos
Los metadatos de los artículos publicados por Contaduría y Administración son de dominio público, mediante la renuncia de todos los derechos de la editorial a la obra, bajo la ley de derecho de autor en el mundo, incluidos todos los derechos y conexos, en la medida en que lo permita la ley. Usted puede copiar, modificar y distribuir los metadatos, incluso con fines comerciales, todo sin pedir permiso.
