dc.creator | Fábregas, José Antonio | es |
dc.creator | Luna Romera, José María | es |
dc.creator | Riquelme Santos, José Cristóbal | es |
dc.creator | Arcos Vargas, Ángel | es |
dc.creator | Tejedor Aguilera, Javier | es |
dc.date.accessioned | 2022-04-12T10:21:13Z | |
dc.date.available | 2022-04-12T10:21:13Z | |
dc.date.issued | 2018 | |
dc.identifier.citation | Fábregas, J.A., Luna Romera, J.M., Riquelme Santos, J.C., Arcos Vargas, Á. y Tejedor Aguilera, J. (2018). Análisis Big Data para la Respuesta a la Demanda en el Mercado Eléctrico. En CAEPIA 2018: XVIII Conferencia de la Asociacion Española para la Inteligencia Artificial (777-783), Granada, España: Asociación Española para la Inteligencia Artificial (AEPIA). | |
dc.identifier.isbn | 978-84-09-05643-9 | es |
dc.identifier.uri | https://hdl.handle.net/11441/132073 | |
dc.description.abstract | El modelo de negocio tradicional de las
compañías energéticas está cambiando los últimos años.
La introducción de los contadores inteligentes ha conll evado un aumento exponencial del volumen de datos
disponibles, y su análisis puede ayudar a encontrar
patrones de consumo entre los clientes eléctricos para
reducir costes y proteger el medioambiente. Las cen trales generan energía eléctrica para poder cubrir los
picos de consumo en momentos puntuales. Un conjunto
de técnicas denominadas "demand response" intenta
dar solución a este problema usando propuestas de
inteligencia artificial. En este documento se propone
una metodología para el procesado de los grandes
volúmenes de datos como los que generan los conta dores inteligentes. Tanto para el preprocesado como
para la optimización y realización de este análisis se
utilizan técnicas big data. En concreto, una versión
distribuida del algoritmo k-means y de varios índices de
validación interna de clustering para big data en Spark.
Los datos de origen corresponden los consumos de
clientes eléctricos de Cataluña durante el año 2016. El
análisis de estos consumidores realizado en este trabajo
ayuda a su caracterización. Este mayor conocimiento
sobre los hábitos de consumos y tipos de clientes, puede
facilitar a las compañías eléctricas la labor | es |
dc.format | application/pdf | es |
dc.format.extent | 7 | es |
dc.language.iso | spa | es |
dc.publisher | Asociación Española para la Inteligencia Artificial (AEPIA) | es |
dc.relation.ispartof | CAEPIA 2018: XVIII Conferencia de la Asociacion Española para la Inteligencia Artificial (2018), pp. 777-783. | |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Big Data | es |
dc.subject | Respuesta a la demanda | es |
dc.subject | Clustering | es |
dc.subject | Contadores inteligentes | es |
dc.subject | Consumo eléctrico | es |
dc.title | Análisis Big Data para la Respuesta a la Demanda en el Mercado Eléctrico | es |
dc.type | info:eu-repo/semantics/conferenceObject | es |
dcterms.identifier | https://ror.org/03yxnpp24 | |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Lenguajes y Sistemas Informáticos | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Organización Industrial y Gestión de Empresas I | es |
dc.relation.publisherversion | https://sci2s.ugr.es/caepia18/proceedings/proceedings.php | es |
dc.contributor.group | Universidad de Sevilla. TIC-254: Data Science and Big Data Lab | es |
dc.publication.initialPage | 777 | es |
dc.publication.endPage | 783 | es |
dc.eventtitle | CAEPIA 2018: XVIII Conferencia de la Asociacion Española para la Inteligencia Artificial | es |
dc.eventinstitution | Granada, España | es |
dc.relation.publicationplace | Granada, España | es |