La energía eléctrica que se consume en los hogares generalmente llega proveniente de redes troncales de distribución. Estas redes son monitoreadas constantemente para asegurarse del normal funcionamiento.
Vamos a analizar qué sucede en una línea de distribución basándonos en observaciones de potencia, corriente y tensión que circula por la misma. Agregaremos el historial de las condiciones atmosféricas del lugar para enriquecer el contexto de consumo.
Este análisis nos servirá para entender y predecir la carga que tendrá la línea de distribución y poder adelantar decisiones para evitar cortes, sugerir ventanas de tiempo en los que se debería sobre aprovisionar la red, planificar mantenimientos, entre otros.
¿Cómo se comporta la distribución de energía ? ¿Qué relaciones observamos con los usos y costumbres del lugar? ¿Y con las condiciones atmosféricas?
¿Por qué se generan cortes en la distribución? ¿Existen comportamientos que nos anticipan estas caídas? ¿Podemos anticiparnos a ellos?
¿Existen factores estacionales que influyen en las cargas de distribución? ¿Hubo algún cambio del comportamiento de consumo debido a la pandemia?
¿Qué información podemos incorporar a la planificación de mantenimientos de la línea?
Si querés inspeccionar el conjunto de datos, lo encontrarás en https://github.com/alaain04/diplodatos
22/6 Análisis y visualización:
Comprensión de variables. Tipos de variables, distribuciones. Relación entre variables de consumo y ambientales. Asociarlo al contexto geográfico y cultural. Identificar outliers, momentos de alta, baja y nula distribución de energía. Valores faltantes o nulos.
19/7 Análisis y curación:
Análisis profundo del dataset. Generar proceso ETL que pueda eliminar valores anormales. Decidir qué hacer con los datos faltantes, unificación de formatos corregir distribución de energía "negativa". Unificación de formatos y tipos de datos. Creación o incorporación de nuevas variables.
16/8 Introducción al aprendizaje automático:
Explorar aplicación de métodos de aprendizaje supervisado aplicados en clase. Binarización del consumo. Normalización. Correlaciones. Balanceo de clases Aplicar métodos para predecir distribución o no de energía. Comprensión de los resultados. Evaluación de métricas
13/9 Aprendizaje supervisado:
Profundizar la aplicación de modelos de aprendizaje supervisado. Realizar ajustes de hiper parámetros. Funciones de costo. Cálculo de métricas pertinentes. Analizar resultados. Trabajar sobre el objetivo principal del problema: predecir potencia de consumo
27/9 Aprendizaje no supervisado:
Poner en práctica modelos de aprendizaje no supervisado. Encontrar patrones que indiquen ruptura en la distribución de energía. Relaciones entre variables.