Automatización e Optimización de Algoritmos de Predición para Dispositivos IoT no Sector Eléctrico: Unha Estratexia Escalable
Autoría
B.G.M.
Máster Universitario en Intelixencia Artificial
B.G.M.
Máster Universitario en Intelixencia Artificial
Data da defensa
21.02.2025 11:00
21.02.2025 11:00
Resumo
A crecente cantidade de datos dos dispositivos IoT afecta a todos os sectores comerciais. Polo tanto, o sector eléctrico non é unha excepción. A rápida evolución da IA mellorou a automatización e a optimización do procesamento de datos, permitindo un manexo máis eficiente de conxuntos de datos a gran escala no modelado preditivo. Neste artigo preséntase unha ferramenta que automatiza de forma eficiente as predicións de series temporais a partir de datos históricos de medicións eléctricas, utilizando un conxunto de algoritmos de Deep Learning, coa súa respectiva validación e posterior análise dos resultados. Estes resultados ilustran a eficacia dos algoritmos de IA para xerar predicións precisas. Ao establecer un marco escalable e automatizado para o entrenamento e avaliación de modelos, este traballo contribúe ao avance continuo das tecnoloxías de IA no sector eléctrico, abrindo o camiño para unha xestión máis eficiente dos recursos no sector.
A crecente cantidade de datos dos dispositivos IoT afecta a todos os sectores comerciais. Polo tanto, o sector eléctrico non é unha excepción. A rápida evolución da IA mellorou a automatización e a optimización do procesamento de datos, permitindo un manexo máis eficiente de conxuntos de datos a gran escala no modelado preditivo. Neste artigo preséntase unha ferramenta que automatiza de forma eficiente as predicións de series temporais a partir de datos históricos de medicións eléctricas, utilizando un conxunto de algoritmos de Deep Learning, coa súa respectiva validación e posterior análise dos resultados. Estes resultados ilustran a eficacia dos algoritmos de IA para xerar predicións precisas. Ao establecer un marco escalable e automatizado para o entrenamento e avaliación de modelos, este traballo contribúe ao avance continuo das tecnoloxías de IA no sector eléctrico, abrindo o camiño para unha xestión máis eficiente dos recursos no sector.
Dirección
CONDORI FERNANDEZ, OLINDA NELLY (Titoría)
Franco Romero, Carlos Cotitoría
Dacosta Tapia, Jorge Cotitoría
CONDORI FERNANDEZ, OLINDA NELLY (Titoría)
Franco Romero, Carlos Cotitoría
Dacosta Tapia, Jorge Cotitoría
Tribunal
Gamallo Otero, Pablo (Presidente/a)
CORES COSTA, DANIEL (Secretario/a)
CHAVES FRAGA, DAVID (Vogal)
Gamallo Otero, Pablo (Presidente/a)
CORES COSTA, DANIEL (Secretario/a)
CHAVES FRAGA, DAVID (Vogal)