Alain Kraupl

Descripción

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.

Trataremos de responder algunas de las siguientes preguntas:

• ¿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?

Los datos

Si querés inspeccionar el conjunto de datos, lo encontrarás en https://github.com/alaain04/diplodatos

Hitos de la mentoría

• 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.