Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo

Autores
Smith, Axel Timoteo
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Manassero, Ulises
Descripción
La caracterización de la demanda eléctrica resulta clave para una planificación eficiente de las redes de distribución de energía, especialmente en entornos industriales con alta heterogeneidad de perfiles de consumo. Este estudio aplica técnicas de inteligencia artificial, en particular algoritmos de agrupamiento KMeans y análisis estadístico, para identificar patrones típicos de uso eléctrico entre los Grandes Usuarios del Parque Industrial Sauce Viejo, en la provincia de Santa Fe, Argentina. Se trabajó con registros de potencia activa con resolución de 15 minutos, provistos por medidores registradores automáticos de la Empresa Provincial de la Energía de Santa Fe. El procesamiento de datos se realizó íntegramente en Python, utilizando librerías como Pandas, Scikit-learn y Matplotlib para la ingeniería de datos, reducción de dimensionalidad, clasificación automática de clientes y visualización de resultados. El estudio se desarrolló a lo largo de cuatro etapas: 1. Preparación e ingeniería de datos, que incluyó depuración, clasificación y cálculo de variables energéticas clave. 2. Identificación de perfiles de carga mediante clustering optimizado. 3. Análisis de cargas base, estacionalidad y variabilidad para los distintos rubros industriales del parque. 4. Determinación de demandas pico coincidentes y simultaneidad entre usuarios, con matrices de correlación y segmentación horaria. Se identificaron siete clústeres representativos, que reflejan diferencias significativas en forma y magnitud del consumo según nivel de tensión, tipo de día y estación del año. Los resultados revelaron una alta concentración de la carga base en pocos usuarios, una distribución más equitativa de la carga variable y una notable presencia de comportamientos estocásticos. El trabajo propone un enfoque replicable y escalable para la segmentación y análisis de demanda en otros parques industriales, aportando herramientas para el dimensionamiento de infraestructura, diseño de esquemas de respuesta a la demanda, programación de mantenimientos y mitigación de riesgos operativos asociados a la variabilidad del consumo.
Fil: Smith, Axel Timoteo. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
Materia
Caracterización de la demanda
Inteligencia artificial
Usuarios industriales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution 4.0 International
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/13686
Acceder
id RIAUTN_d1893e2d669bb6ce6e43585987fecba3
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/13686
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Informe de caracterización de la demanda eléctrica : parque industrial Sauce ViejoSmith, Axel TimoteoCaracterización de la demandaInteligencia artificialUsuarios industrialesLa caracterización de la demanda eléctrica resulta clave para una planificación eficiente de las redes de distribución de energía, especialmente en entornos industriales con alta heterogeneidad de perfiles de consumo. Este estudio aplica técnicas de inteligencia artificial, en particular algoritmos de agrupamiento KMeans y análisis estadístico, para identificar patrones típicos de uso eléctrico entre los Grandes Usuarios del Parque Industrial Sauce Viejo, en la provincia de Santa Fe, Argentina. Se trabajó con registros de potencia activa con resolución de 15 minutos, provistos por medidores registradores automáticos de la Empresa Provincial de la Energía de Santa Fe. El procesamiento de datos se realizó íntegramente en Python, utilizando librerías como Pandas, Scikit-learn y Matplotlib para la ingeniería de datos, reducción de dimensionalidad, clasificación automática de clientes y visualización de resultados. El estudio se desarrolló a lo largo de cuatro etapas: 1. Preparación e ingeniería de datos, que incluyó depuración, clasificación y cálculo de variables energéticas clave. 2. Identificación de perfiles de carga mediante clustering optimizado. 3. Análisis de cargas base, estacionalidad y variabilidad para los distintos rubros industriales del parque. 4. Determinación de demandas pico coincidentes y simultaneidad entre usuarios, con matrices de correlación y segmentación horaria. Se identificaron siete clústeres representativos, que reflejan diferencias significativas en forma y magnitud del consumo según nivel de tensión, tipo de día y estación del año. Los resultados revelaron una alta concentración de la carga base en pocos usuarios, una distribución más equitativa de la carga variable y una notable presencia de comportamientos estocásticos. El trabajo propone un enfoque replicable y escalable para la segmentación y análisis de demanda en otros parques industriales, aportando herramientas para el dimensionamiento de infraestructura, diseño de esquemas de respuesta a la demanda, programación de mantenimientos y mitigación de riesgos operativos asociados a la variabilidad del consumo.Fil: Smith, Axel Timoteo. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.Manassero, Ulises2025-08-22T20:45:17Z2025-08info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradopdfapplication/pdfhttps://hdl.handle.net/20.500.12272/13686spainfo:eu-repo/semantics/openAccessAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Axel Timoteo SmithCreativeCommonsreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-10-01T12:01:00Zoai:ria.utn.edu.ar:20.500.12272/13686instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-10-01 12:01:00.95Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
title Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
spellingShingle Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
Smith, Axel Timoteo
Caracterización de la demanda
Inteligencia artificial
Usuarios industriales
title_short Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
title_full Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
title_fullStr Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
title_full_unstemmed Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
title_sort Informe de caracterización de la demanda eléctrica : parque industrial Sauce Viejo
dc.creator.none.fl_str_mv Smith, Axel Timoteo
author Smith, Axel Timoteo
author_facet Smith, Axel Timoteo
author_role author
dc.contributor.none.fl_str_mv Manassero, Ulises
dc.subject.none.fl_str_mv Caracterización de la demanda
Inteligencia artificial
Usuarios industriales
topic Caracterización de la demanda
Inteligencia artificial
Usuarios industriales
dc.description.none.fl_txt_mv La caracterización de la demanda eléctrica resulta clave para una planificación eficiente de las redes de distribución de energía, especialmente en entornos industriales con alta heterogeneidad de perfiles de consumo. Este estudio aplica técnicas de inteligencia artificial, en particular algoritmos de agrupamiento KMeans y análisis estadístico, para identificar patrones típicos de uso eléctrico entre los Grandes Usuarios del Parque Industrial Sauce Viejo, en la provincia de Santa Fe, Argentina. Se trabajó con registros de potencia activa con resolución de 15 minutos, provistos por medidores registradores automáticos de la Empresa Provincial de la Energía de Santa Fe. El procesamiento de datos se realizó íntegramente en Python, utilizando librerías como Pandas, Scikit-learn y Matplotlib para la ingeniería de datos, reducción de dimensionalidad, clasificación automática de clientes y visualización de resultados. El estudio se desarrolló a lo largo de cuatro etapas: 1. Preparación e ingeniería de datos, que incluyó depuración, clasificación y cálculo de variables energéticas clave. 2. Identificación de perfiles de carga mediante clustering optimizado. 3. Análisis de cargas base, estacionalidad y variabilidad para los distintos rubros industriales del parque. 4. Determinación de demandas pico coincidentes y simultaneidad entre usuarios, con matrices de correlación y segmentación horaria. Se identificaron siete clústeres representativos, que reflejan diferencias significativas en forma y magnitud del consumo según nivel de tensión, tipo de día y estación del año. Los resultados revelaron una alta concentración de la carga base en pocos usuarios, una distribución más equitativa de la carga variable y una notable presencia de comportamientos estocásticos. El trabajo propone un enfoque replicable y escalable para la segmentación y análisis de demanda en otros parques industriales, aportando herramientas para el dimensionamiento de infraestructura, diseño de esquemas de respuesta a la demanda, programación de mantenimientos y mitigación de riesgos operativos asociados a la variabilidad del consumo.
Fil: Smith, Axel Timoteo. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
description La caracterización de la demanda eléctrica resulta clave para una planificación eficiente de las redes de distribución de energía, especialmente en entornos industriales con alta heterogeneidad de perfiles de consumo. Este estudio aplica técnicas de inteligencia artificial, en particular algoritmos de agrupamiento KMeans y análisis estadístico, para identificar patrones típicos de uso eléctrico entre los Grandes Usuarios del Parque Industrial Sauce Viejo, en la provincia de Santa Fe, Argentina. Se trabajó con registros de potencia activa con resolución de 15 minutos, provistos por medidores registradores automáticos de la Empresa Provincial de la Energía de Santa Fe. El procesamiento de datos se realizó íntegramente en Python, utilizando librerías como Pandas, Scikit-learn y Matplotlib para la ingeniería de datos, reducción de dimensionalidad, clasificación automática de clientes y visualización de resultados. El estudio se desarrolló a lo largo de cuatro etapas: 1. Preparación e ingeniería de datos, que incluyó depuración, clasificación y cálculo de variables energéticas clave. 2. Identificación de perfiles de carga mediante clustering optimizado. 3. Análisis de cargas base, estacionalidad y variabilidad para los distintos rubros industriales del parque. 4. Determinación de demandas pico coincidentes y simultaneidad entre usuarios, con matrices de correlación y segmentación horaria. Se identificaron siete clústeres representativos, que reflejan diferencias significativas en forma y magnitud del consumo según nivel de tensión, tipo de día y estación del año. Los resultados revelaron una alta concentración de la carga base en pocos usuarios, una distribución más equitativa de la carga variable y una notable presencia de comportamientos estocásticos. El trabajo propone un enfoque replicable y escalable para la segmentación y análisis de demanda en otros parques industriales, aportando herramientas para el dimensionamiento de infraestructura, diseño de esquemas de respuesta a la demanda, programación de mantenimientos y mitigación de riesgos operativos asociados a la variabilidad del consumo.
publishDate 2025
dc.date.none.fl_str_mv 2025-08-22T20:45:17Z
2025-08
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12272/13686
url https://hdl.handle.net/20.500.12272/13686
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution 4.0 International
http://creativecommons.org/licenses/by/4.0/
Axel Timoteo Smith
CreativeCommons
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution 4.0 International
http://creativecommons.org/licenses/by/4.0/
Axel Timoteo Smith
CreativeCommons
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877862442706403328
score 13.365483

Publicaciones similares