MODELO DE PREDICCIÓN MEDIANTE ANALÍTICA VISUAL DE DATOS PARA EL CONSUMO Y GENERACIÓN DE ENERGÍA ELÉCTRICA EN ZONAS NO INTERCONECTADAS USANDO REDES DE SENSORES INALÁMBRICOS

JULIAN DAVID COLLAZOS BARRERA

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA

PROYECTO CURRICULAR INGENIERÍA DE SISTEMAS BOGOTÁ D.C.

2017

MODELO DE PREDICCIÓN MEDIANTE ANALÍTICA VISUAL DE DATOS PARA EL CONSUMO Y GENERACIÓN DE ENERGÍA ELÉCTRICA EN ZONAS NO INTERCONECTADAS USANDO REDES DE SENSORES INALÁMBRICOS

JULIAN DAVID COLLAZOS BARRERA 20111020019

PROYECTO

DIRECTOR PAULO ALONSO GAONA GARCÍA, PhD

CO-DIRECTOR ELVIS EDUARDO GAONA GARCÍA, PhD(c)

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA

PROYECTO CURRICULAR INGENIERÍA DE SISTEMAS BOGOTÁ D.C.

2017

TABLA DE CONTENIDO 1. INTRODUCCIÓN ................................................................................................. 1

2. FORMULACIÓN DEL PROBLEMA .................................................................... 2

3. JUSTIFICACIÓN ................................................................................................. 4

4. OBJETIVOS ........................................................................................................ 5

4.1. GENERAL ........................................................................................................ 5

4.2. ESPECÍFICOS ................................................................................................... 5

5. ALCANCES Y LIMITACIONES DEL PROYECTO .............................................. 6

5.1. ALCANCES ....................................................................................................... 6

5.2. LIMITACIONES .................................................................................................. 6

6. MARCO TEÓRICO .............................................................................................. 7

6.1. ANALÍTICA VISUAL DE DATOS ............................................................................. 7

6.1.1. Introducción ............................................................................................ 7

6.1.2. Visualización de la información ............................................................... 7

6.1.2.1. Proceso de visualización de datos ................................................... 8

6.1.3. Analítica visual ...................................................................................... 10

6.1.4. Analítica visual versus visualización de información ............................. 12

6.2. SISTEMAS ADAPTATIVOS DE INFERENCIA NEURODIFUSA (ANFIS) ...................... 13

6.2.1. Introducción .......................................................................................... 13

6.2.2. Sistemas difusos ................................................................................... 13

6.2.3. Redes neuronales artificiales ................................................................ 16

6.2.3.1. Componentes de una neurona artificial .......................................... 16

6.2.3.2. Entrenamiento de una red neuronal artificial .................................. 18

Entrenamiento supervisado ..................................................................... 18

Entrenamiento no supervisado ................................................................ 18

6.3. REDES DE SENSORES INALÁMBRICAS ............................................................... 19

6.3.1. Nodos sensores .................................................................................... 19

6.3.2. Ventajas y desventajas ......................................................................... 21

6.3.3. Campos de aplicación ........................................................................... 22

7. SITUACIÓN ACTUAL Y TRABAJOS RELACIONADOS.................................. 23

8. METODOLOGÍA PLANTEADA ......................................................................... 26

8.1. FASE INVESTIGATIVA ...................................................................................... 29

8.2. FASE DE DESARROLLO .................................................................................... 29

8.2.1. Diseño del software de analítica visual y del modelo de predicción ..... 29

8.2.2. Implementación del software de analítica visual y del modelo de

predicción ....................................................................................................... 29

8.2.3. Despliegue del software de analítica visual .......................................... 29

8.2.3.1. Análisis de resultados .................................................................... 29

9. DESARROLLO E IMPLEMENTACIÓN DEL PROYECTO ................................ 30

9.1. FASE INVESTIGATIVA ................................................................................. 30

9.1.1. Casos de uso ........................................................................................ 30

9.1.2. Requerimientos ..................................................................................... 32

9.1.3. Datos para el modelo de predicción...................................................... 34

9.2. FASE DE DESARROLLO .................................................................................... 35

9.2.1. Diseño del software de analítica visual ................................................. 35

9.2.1.1. Capa de persistencia ...................................................................... 35

9.2.1.2. Capa de aplicación ......................................................................... 37

9.2.1.2.1. Diagrama de módulos .............................................................. 37

9.2.1.2.2. Diagrama de clases ................................................................. 39

9.2.2. Estrategias visuales .............................................................................. 44

9.2.3. Diseño del modelo de predicción .......................................................... 44

10. ANÁLISIS DE RESULTADOS ......................................................................... 45

10.1. ALGORITMO DE PREDICCIÓN .......................................................................... 45

10.1.1. Modelo inicial de la red neuronal ........................................................ 45

10.1.2. Resultado final de la red neuronal ...................................................... 49

11. CONCLUSIONES ............................................................................................ 53

12. TRABAJOS FUTUROS ................................................................................... 54

BIBLIOGRAFÍA ..................................................................................................... 55

ANEXOS ................................................................................................................ 60

LISTADO DE FIGURAS

Figura 1. Proceso de visualización de datos ............................................................ 9

Figura 2. Integración máquina humano en la analítica visual ................................ 10

Figura 3. Diagrama de bloques de un sistema difuso ............................................ 14

Figura 4. Diagrama de bloques de un sistema de control difuso ........................... 15

Figura 5. Elementos básicos de una neurona artificial ........................................... 16

Figura 6 Despliegue de una red de sensores ........................................................ 20

Figura 7 Subsistemas de un nodo sensor .............................................................. 21

Figura 8 Modelo del proyecto a desarrollar ............................................................ 28

Figura 9 Diagrama de casos de uso, Software A ................................................... 30

Figura 10 Diagrama de casos de uso, Software B ................................................. 31

Figura 11 Modelo relacional, Software A ............................................................... 36

Figura 12 Diagrama de módulos, Software A ........................................................ 38

Figura 13 Diagrama de paquetes, Software B ....................................................... 39

Figura 14 Diagrama de clases del paquete Vista, Software B ............................... 40

Figura 15 Diagrama de clases del paquete Launcher, Software B ........................ 40

Figura 16 Diagrama de clases del paquete Controlador, Software B .................... 41

Figura 17 Diagrama de clases del paquete Modelo, software B ............................ 42

Figura 18 Diagrama de módulos, software B ......................................................... 43

Figura 19 Modelo inicial de red neuronal ............................................................... 44

Figura 20 Datos de la demanda ............................................................................. 45

Figura 21 Comportamiento de los datos ................................................................ 46

Figura 22 Resultados modelo inicial ...................................................................... 47

Figura 23 Detalle resultados modelo inicial ........................................................... 48

Figura 24 Modelo final de red neuronal ................................................................. 49

Figura 25 Resultados modelo final ......................................................................... 50

Figura 26 Detalle resultados modelo final .............................................................. 51

Figura 27 Diagrama de secuencia Iniciar Sesion, Software A ............................... 85

Figura 28 Diagrama de secuencia Registrar Usuario, Software A ......................... 86

Figura 29 Diagrama de secuencia Cerrar Sesion, Software A ............................... 87

Figura 30 Diagrama de secuencia Generar Reporte, Software A .......................... 88

Figura 31 Diagrama de secuencia Agregar WSN, Software A ............................... 89

Figura 32 Diagrama de secuencia Eliminar WSN, Software A .............................. 90

Figura 33 Diagrama de secuencia Agregar Nodo, Software A .............................. 91

Figura 34 Diagrama de secuencia Eliminar Nodo, Software A .............................. 92

Figura 35 Diagrama de secuencia Asociar usuario_wsn, Software A .................... 93

Figura 36 Diagrama de secuencia Eliminar usuario_wsn, Software A ................... 94

Figura 37 Diagrama de secuencia Graficar Datos, Software A .............................. 95

Figura 38 Diagrama de secuencia Enviar Datos, Software A ................................ 96

Figura 39 Diagrama de secuencia Enviar mediciones, Software B........................ 97

Figura 40 Estrategia visual Basic column ............................................................ 103

Figura 41 Precisión en los valores de las mediciones Basic column ................... 104

Figura 42 Habilitación o des habilitación nodos-sensores Basic column ............. 105

Figura 43 Estrategia visual Synchronized charts ................................................. 107

Figura 44 Precisión en los valores de las mediciones Synchronized charts ........ 108

Figura 45 Estrategia visual Line Ajax ................................................................... 110

Figura 46 Precisión en los valores de las mediciones Line Ajax .......................... 111

Figura 47 Habilitación o des habilitación nodos-sensores Line Ajax .................... 112

Figura 48 Modelo del método de captura de datos .............................................. 113

Figura 49 Formulario para la elección del filtro .................................................... 116

Figura 50 Formulario para la elección de la WSN................................................ 117

Figura 51 Formulario estrategia visual Column basic .......................................... 118

Figura 52 Resultado estrategia visual Column basic ........................................... 119

Figura 53 Formulario estrategia visual Synchronized charts ............................... 120

Figura 54 Resultado estrategia visual Synchronized charts ................................ 121

Figura 55 Formulario estrategia visual Line Ajax ................................................. 122

Figura 56 Resultado estrategia visual Line Ajax .................................................. 123

Figura 57 Modelo de red neuronal con 1 neurona ............................................... 126

Figura 58 Modelo de red neuronal con 5 neuronas ............................................. 126

Figura 59 Modelo de red neuronal con 12 neuronas ........................................... 126

Figura 60 Modelo de red neuronal con 15 neuronas ........................................... 127

Figura 61 Modelo de red neuronal con 20 neuronas ........................................... 127

Figura 62 Modelo de red neuronal con 25 neuronas ........................................... 127

Figura 63 Modelo inicial con 10 neuronas ........................................................... 128

Figura 64 Resultados algoritmo de entrenamiento Bayesian Regularization ....... 130

Figura 65 Resultados algoritmo de entrenamiento BFGS Quasi-Newton ............ 130

Figura 66 Resultados algoritmo de entrenamiento Resilient Backpropagation .... 130

Figura 67 Resultados algoritmo de entrenamiento Scaled Conjugate Gradient .. 130

Figura 68 Resultados algoritmo de entrenamiento Conjugate Gradient .............. 131

Figura 69 Resultados algoritmo de entrenamiento Fletcher-Powell ..................... 131

Figura 70 Resultados algoritmo de entrenamiento Polak-Ribiére ........................ 131

Figura 71 Resultados algoritmo de entrenamiento One Step Secant .................. 131

Figura 72 Resultados algoritmo de entrenamiento Variable Learning Rate ......... 132

Figura 73 Resultados algoritmo de entrenamiento Gradient Descent .................. 132

Figura 74 Resultados algoritmo de entrenamiento Gradient Descent .................. 132

Figura 75 Resultados algoritmo de entrenamiento Levenberg-Marquardt ........... 133

Figura 76 Resultados algoritmo de entrenamiento Bayesian Regularization ....... 133

Figura 77 Modelo de red neuronal con 3 capas ocultas ...................................... 135

Figura 78 Gráfica del modelo de la red neuronal con 3 capas ocultas ................ 135

Figura 79 Modelo de red neuronal con 2 capas ocultas ...................................... 135

Figura 80 Gráfica del modelo de la red neuronal con 2 capas ocultas ................ 135

Figura 81 Modelo de red neuronal con 5 entradas .............................................. 137

Figura 82 Gráfica del modelo de red neuronal con 5 entradas ............................ 137

Figura 83 Modelo de red neuronal con 13 entradas ............................................ 137

Figura 84 Gráfica del modelo de red neuronal con 13 entradas .......................... 137

Figura 85 Resultados cualitativos algoritmo Levenberg-Marquardt ..................... 139

Figura 86 Resultados cualitativos algoritmo BFGS Quasi-Newton ...................... 139

Figura 87 Resultados cualitativos algoritmo Resilient Backpropagation .............. 140

Figura 88 Resultados cualitativos algoritmo Scaled Conjugate Gradient ............. 140

Figura 89 Resultados cualitativos algoritmo Conjugate Gradient......................... 141

Figura 90 Resultados cualitativos algoritmo Fletcher-Powell ............................... 141

Figura 91 Resultados cualitativos algoritmo Polak-Ribiére Conjugate Gradient .. 142

Figura 92 Resultados cualitativos algoritmo One Step Secant ............................ 142

Figura 93 Resultados cualitativos algoritmo Variable Learning Rate ................... 143

Figura 94 Resultados cualitativos algoritmo Gradient Descent with Momentum . 143

Figura 95 Resultados cualitativos algoritmo Gradient Descent ............................ 144

Figura 96 Resultados cualitativos algoritmo Bayesian Regularization ................. 145

Figura 97 Gráfica del modelo de red neuronal final ............................................. 145

LISTADO DE TABLAS Tabla 1 Descripción general casos de uso ............................................................ 31

Tabla 2 Datos de entrada modelo inicial ................................................................ 47

Tabla 3 Datos de entrada modelo final .................................................................. 50

Tabla 4 Desempeño cuantitativo del modelo de red neuronal final........................ 51

Tabla 5 Caso de uso Iniciar Sesion ....................................................................... 61

Tabla 6 Caso de uso Registrar Usuario ................................................................. 62

Tabla 7 Caso de uso Cerrar Sesion ....................................................................... 63

Tabla 8 Caso de uso Generar Reporte .................................................................. 64

Tabla 9 Caso de uso Agregar WSN ....................................................................... 65

Tabla 10 Caso de uso Eliminar WSN ..................................................................... 66

Tabla 11 Caso de uso Agregar Nodo ..................................................................... 67

Tabla 12 Caso de uso Eliminar Nodo .................................................................... 68

Tabla 13 Caso de uso Asociar usuario_wsn .......................................................... 69

Tabla 14 Caso de uso Eliminar usuario_wsn ......................................................... 70

Tabla 15 Caso de uso Graficar Datos .................................................................... 71

Tabla 16 Caso de uso Enviar Datos ...................................................................... 72

Tabla 17 Caso de uso Enviar mediciones, software B ........................................... 73

Tabla 18 Descripción de las herramientas utilizadas ............................................. 75

Tabla 19 Requerimiento funcional procesamiento de datos .................................. 76

Tabla 20 Requerimiento funcional Acceso al sistema ............................................ 76

Tabla 21 Requerimiento funcional Generación de reportes ................................... 77

Tabla 22 Requerimiento funcional Gestión de WSN .............................................. 77

Tabla 23 Requerimiento funcional Representación gráfica de los datos ............... 77

Tabla 24 Requerimiento no funcional Interfaz del sistema .................................... 78

Tabla 25 Requerimiento no funcional Nivel de desempeño ................................... 78

Tabla 26 Requerimiento no funcional Confiabilidad continúa del sistema ............. 78

Tabla 27 Requerimiento no funcional Portabilidad................................................. 79

Tabla 28 Requerimiento no funcional Fiabilidad .................................................... 79

Tabla 29 Descripción modelo relacional, Software A ............................................. 80

Tabla 30 Descripción procedimientos almacenados y triggers, Software A ........... 83

Tabla 31 Descripción del diagrama de módulos, Software A ............................... 100

Tabla 32 Descripción del diagrama de módulos, Software B ............................... 101

Tabla 33 Trama de datos ..................................................................................... 115

Tabla 34 Resultados cuantitativos algoritmo Levenberg-Marquardt .................... 139

Tabla 35 Resultados cuantitativos algoritmo BFGS Quasi-Newton ..................... 139

Tabla 36 Resultados cuantitativos algoritmo Resilient Backpropagation ............. 140

Tabla 37 Resultados cuantitativos algoritmo Scaled Conjugate Gradient ............ 140

Tabla 38 Resultados cuantitativos algoritmo Conjugate Gradient........................ 141

Tabla 39 Resultados cuantitativos algoritmo Fletcher-Powell .............................. 141

Tabla 40 Resultados cuantitativos algoritmo Polak-Ribiére Conjugate Gradient . 142

Tabla 41 Resultados cuantitativos algoritmo One Step Secant ........................... 142

Tabla 42 Resultados cuantitativos algoritmo Variable Learning Rate .................. 143

Tabla 43 Resultados cuantitativos algoritmo Gradient Descent with Momentum 143

Tabla 44 Resultados cuantitativos algoritmo Gradient Descent ........................... 144

Tabla 45 Resultados cuantitativos algoritmo Bayesian Regularization ................ 145

1

1. INTRODUCCIÓN La electricidad constituye una de las principales fuentes energéticas con las que cuenta nuestra sociedad. Su empleo abarca un amplio abanico de actividades que se extiende desde los usos industriales hasta el consumo doméstico de las familias. Más aún, en un contexto mundial de creciente competencia, no se concibe una economía en crecimiento y competitiva en el ámbito global sin un fluido eléctrico de calidad y a precios altamente competitivos. Esta elevada dependencia ha convertido a la energía eléctrica en un input estratégico que posee unos intensos efectos de arrastre, ya no solo de carácter económico sino también social (Mallo González, 2004). De acuerdo a (Deng & Jirutitijaroen, 2010), los pronósticos de demanda son vitales y un factor fundamental para la exitosa operación de un sistema de energía. Con el objetivo de poder operar un sistema eléctrico de manera eficiente y efectiva, la demanda de energía debe ser predicha correctamente. Esto es porque, si el pronóstico realizado se sobreestima, se puede caer en realizar un despacho por encima de lo requerido, lo que acarrearía una costosa operación; por otra parte, si el pronóstico realizado es subestimado, la confiabilidad y la seguridad del sistema eléctrico se pueden comprometer lo que puede resultar, en un caso extremo, en racionamiento de la demanda (Orellana Romero, 2012). La predicción de la generación y consumo de energía eléctrica permitirá un ahorro en los costos de producción, un uso eficiente de la materia prima y, disminuir la cantidad de energía eléctrica perdida dada la incapacidad de poder almacenarla. Sin embargo, es necesario desarrollar un modelo predictivo preciso ya que altos errores de pronóstico ocasionan pérdidas tanto económicas como una deficiencia en la administración de los recursos energéticos. A partir de este contexto, la siguiente propuesta de proyecto de grado se plantea la necesidad de desarrollar un modelo de predicción para el consumo y generación de energía eléctrica utilizando para ello técnicas de analítica visual de datos, así como sistemas adaptativos de inferencia neurodifusa.

2

2. FORMULACIÓN DEL PROBLEMA La disponibilidad de energía está fuertemente ligada al nivel de bienestar, a la salud y duración de vida de los seres humanos. Actualmente en el mundo el 80% de la producción de energía se realiza mediante combustibles fósiles como el carbón, gas natural y el petróleo (Santiesteban Velázquez, Nápoles González, Rodríguez Peña, & Jaime García, 2014). La disponibilidad de energía eléctrica, uno de los más claros indicadores del desarrollo, se emplea como señal de crecimiento económico en tiempos donde la demanda mundial de electricidad está creciendo a un ritmo vertiginoso (Cabello Email, y otros, 2012). Debido al elevado precio de la energía y que los problemas ambientales son cada vez más graves, el consumo de energía se está convirtiendo en el foco de la academia y la industria (Xie, Liu, & Qiu, 2011). La predicción de la demanda es un problema de gran importancia para el sector eléctrico, ya que a partir de sus resultados los agentes del mercado de energía toman las decisiones más adecuadas para su labor; por lo cual un buen pronóstico trae consigo grandes beneficios tanto técnicos como financieros (Rueda Mejía, 2011). Por otra parte, el transporte y la distribución de electricidad constituyen un monopolio natural: se trata de una actividad intensiva en capital, que requiere conexiones directas con los consumidores, cuya demanda de un producto no almacenable, como la energía eléctrica, varía en períodos relativamente cortos de tiempo. Además, la imposibilidad de almacenar electricidad requiere que la oferta sea igual a la demanda en cada instante de tiempo, lo que supone necesariamente una coordinación de la producción de energía eléctrica, así como la coordinación entre las decisiones de inversión en generación y en transporte de energía eléctrica. Por lo tanto, la predicción del consumo eléctrico es una pieza clave para la rentabilidad de la industria de energía eléctrica, esto es, debido a la naturaleza de la energía eléctrica que es tal que no se puede almacenar; de modo que, toda aquella energía eléctrica que no se consume a continuación de ser producida, se pierde. Por ello, es importante un ajuste óptimo entre oferta y demanda eléctricas (Aranda López, Borobia Aldanondo, & Vázquez Rodríguez, 2007). La gran cantidad de publicaciones realizadas en la última década son una evidencia de los grandes esfuerzos que ha realizado la comunidad académica por desarrollar nuevos y mejores métodos para el pronóstico de la demanda de electricidad. Existen varias razones que pueden explicar la dificultad de realizar pronósticos acertados de la demanda; entre ellas se cuentan: las complejidades de sus factores determinantes, las características estructurales de los datos, el horizonte de pronóstico y las limitantes propias de las metodologías empleadas. En relación con los modelos, no se tiene una metodología concreta para seleccionar un modelo específico, no se tiene claridad en qué criterios de ajuste usar para seleccionar el mejor modelo dentro de varias alternativas, es difícil incorporar en los modelos variables subjetivas relacionadas con la experiencia y conocimiento de los pronosticadores (Rueda Mejía, 2011).

3

A partir de este contexto y con el propósito de predecir el consumo y generación de energía eléctrica, se plantea esta propuesta de proyecto de grado, para lo cual se formula la siguiente pregunta de investigación: ¿Cómo definir un modelo predictivo para el pronóstico del consumo y la generación de energía eléctrica en zonas no interconectadas, utilizando Sistemas Adaptativos de Inferencia Neurodifusa (ANFIS) y analítica visual de datos?

4

3. JUSTIFICACIÓN Para nadie es un secreto la importancia de la energía eléctrica. Este fue, sin duda, uno de los grandes descubrimientos que facilitaron el tránsito de la humanidad del feudalismo al capitalismo del siglo XIX y, de ahí, a la sociedad más avanzada, socialmente, en el siglo XX (Gutiérrez Reyes, 2013) y sus aplicaciones permitirán alcanzar estadios de civilización jamás conocidos por el hombre (Ongawa, 2013). Si bien la energía no es obviamente el único factor que influye en el desarrollo humano, sí que existe una clara correlación entre ambos. El acceso a la energía contribuye a la disponibilidad y sostenibilidad de servicios básicos y de actividades productivas (Ongawa, 2013). Por su valor estratégico, diferentes Estados y sistemas sociales han desarrollado la producción de energía eléctrica y sus múltiples aplicaciones, no puede un país tener riqueza social, para el bienestar de su población, sin su producción y uso. Por eso, en el mundo entero, se promueven estudios que optimicen el uso de la energía eléctrica y su ahorro, ya que, uno de los problemas es que, una vez producida, no se puede guardar, almacenar y, además, al transportarse, se pierde una cantidad significativa de ella (Gutiérrez Reyes, 2013). La energía eléctrica se genera en centrales que utilizan combustibles fósiles (petróleo, gas natural o carbón), energía nuclear o energía hidráulica y otras energías renovables, como la eólica, la solar, la geotérmica o la biomasa, que representan sólo una pequeña parte de la producción eléctrica mundial (Crane, s.f.). La imposibilidad de almacenar la energía eléctrica hace de la predicción una herramienta fundamental para la gestión eficiente de la producción. La modelización de la demanda de energía eléctrica permite al ente productor mejorar su conocimiento de los mercados y usuarios del sistema, así como reducir la incertidumbre para la toma de decisiones (Lanzilotta & Rodríguez, 2014). De acuerdo a estos referentes, se plantea esta propuesta de proyecto de grado con el propósito de utilizar técnicas ingenieriles en el desarrollo de un modelo de predicción de generación y consumo de energía eléctrica en zonas no interconectadas que permitirá un ahorro de costos y recursos haciendo eficiente el proceso de generación, una disminución en la pérdida de energía eléctrica por no consumo y, apoyar procesos de toma de decisiones gracias a la aplicación de analítica visual de datos.

5

4. OBJETIVOS 4.1. GENERAL Definir un modelo de predicción para el consumo y generación de energía eléctrica en zonas no interconectadas a partir de redes de sensores inalámbricos mediante Sistemas Adaptativos de Inferencia Neurodifusa y analítica visual de datos. 4.2. ESPECÍFICOS Analizar y parametrizar el comportamiento de los datos de consumo y generación de energía de zonas no interconectadas para su posterior simulación mediante analítica visual de datos. Desarrollar una aplicación para la captura de datos a partir de redes de sensores inalámbricas de zonas no interconectadas. Implementar un modelo para la predicción del consumo y generación de energía eléctrica en zonas no interconectadas a partir de redes de sensores inalámbricos, mediante sistemas adaptativos de inferencia neurodifusa. Validar el modelo de predicción mediante datos reales de consumo y generación para determinar el nivel de efectividad obtenido.

6

5. ALCANCES Y LIMITACIONES DEL PROYECTO 5.1. ALCANCES El algoritmo de predicción desarrollado utilizará el módulo de gestión de datos como fuente de datos de entrada, el cual, a su vez, utilizara redes de sensores inalámbricos como fuente de datos. El módulo de gestión de datos almacenará los datos de las redes de sensores inalámbricos para que puedan ser consultados aplicando analítica visual de datos. 5.2. LIMITACIONES Para el proyecto se espera utilizar una red de sensores inalámbricos con una máximo de 5 nodos-sensores, la red a utilizar hace parte de los resultados de la investigación (Bernal Cruz & Cancino Garcia, 2016), realizada para dar cumplimiento a la convocatoria No. 7 – 2015 del Centro de Investigaciones y Desarrollo Científico CIDC; sin embargo, dados los cruces de tiempos entre la presente investigación y la investigación realizada por (Bernal Cruz & Cancino Garcia, 2016), que se encuentra en desarrollo, la red de sensores inalámbricos solo se utilizará para probar la funcionalidad de la aplicación de escritorio y el servidor centralizado. Por tal motivo, los datos necesarios para probar la efectividad del modelo predictivo serán tomados de bases de datos especializadas como la base de datos de la Unidad de Planeación Minero Energética. Para realizar el despliegue del módulo de gestión de datos y del algoritmo de predicción, se utilizarán los recursos físicos asignados por el Centro de Computación de Alto Desempeño CECAD de la Universidad Distrital Francisco José De Caldas. Finalmente, en este proyecto se espera predecir el consumo y generación de energía eléctrica en zonas no interconectadas mediante un algoritmo de predicción y, mediante técnicas de analítica visual, proporcionar herramientas de apoyo a los usuarios para procesos de toma de decisiones.

7

6. MARCO TEÓRICO 6.1. ANALÍTICA VISUAL DE DATOS 6.1.1. Introducción El lenguaje visual es una de las formas más antiguas de representación del conocimiento y antecede al tradicional lenguaje escrito por cerca de 25.000 años. Las representaciones visuales son efectivas, debido a que utilizan la capacidad y el poder de abstracción del sistema visual humano. En diversas áreas de Ingeniería se hace uso de representaciones visuales de información, y en los casos específicos de Ingeniería de Software e Ingeniería de Ontologías, estas representaciones se basan en el uso de diagramas. Los diagramas pueden transmitir información más concisa y precisa que el lenguaje ordinario, además, la información representada visualmente es más fácilmente recordada (Moody, 2009). Un ejemplo de que la memoria visual es más potente, es el hecho de que es más fácil recordar un organigrama con fotografías de los trabajadores, que una relación textual de puestos de trabajo con los nombres de los mismos trabajadores. El uso de representaciones visuales y de técnicas de interacción se ha empleado para ampliar la capacidad del humano para conocer y analizar de manera más rápida datos complejos, esto es lo que distingue la analítica visual de otros tipos de herramientas de visualización y representación. Las múltiples representaciones visuales interactivas de una herramienta de analítica visual traducen los datos en formas visibles y ponen de relieve las características importantes, los aspectos comunes y las anomalías de los datos representados. Estas representaciones visuales ayudan a los usuarios a percibir rápidamente los aspectos más destacados de sus datos, para aumentar así el proceso de razonamiento cognitivo con el razonamiento perceptivo; lo que va a permitir al proceso de razonamiento analítico ser más eficiente y más centrado (Thomas & Kristin, 2005). 6.1.2. Visualización de la información Hoy en día con el uso de los ordenadores, ha crecido exponencialmente la capacidad para procesar grandes cantidades de información de una manera más rápida y eficiente. Sin embargo, el ser humano requiere del uso de ciertas herramientas o técnicas que le ayuden a entender de forma más clara y precisa la información representada. Principalmente, se trata de aquellas técnicas y herramientas que utilizan el sistema visual humano, o lo que es lo mismo, se basan en el uso del lenguaje visual. El área de investigación que se enfoca en el estudio de estas técnicas o herramientas se conoce como Visualización de Información (Infovis) la cual se basa en el uso de los ordenadores para procesar y transformar la información (generalmente datos abstractos) en elementos visuales que permitan a los usuarios comprender dicha información, mediante su sistema visual (Theron & Casares, 2012). Dos de los principales investigadores en el área, Stuart Card y John Mackinlay, (Stuart & Mackinlay, 1997), definen la Visualización de Información como “el uso de representaciones visuales de datos abstractos, interactivas y

8

basadas en el uso del ordenador, para amplificar el proceso cognitivo”. Card y Mackinlay describen Infovis como un conjunto de tecnologías que utilizan la computación visual para amplificar el proceso cognitivo a través de la abstracción de la información (Stuart, Mackinlay, & Shneiderman, 1998). Su perspectiva incluye, por un lado, el objetivo principal del área de investigación, que es ayudar en el proceso cognitivo y, por otro lado, enfatiza que el medio para alcanzar tal objetivo es a través del uso de representaciones interactivas (García Navarro, 2012). El objetivo de la visualización es entender los datos que pueden recuperarse y analizarse, de forma que al representarse visualmente se proporciona una visión cuantitativa y cualitativa de los conjuntos de datos grandes y complejos, con lo que se consigue resumir los datos y ayudar a la identificación de regiones de interés con los parámetros adecuados para un análisis más enfocado o específico. Una visualización de éxito puede reducir el tiempo que se necesita para entender los datos subyacentes, encontrar relaciones u obtener la información requerida para la toma de decisiones (Gómez Aguilar, 2015). 6.1.2.1. Proceso de visualización de datos Un aspecto fundamental en Infovis es el conjunto de los datos que se visualizan. En términos generales, se puede decir que existen dos formas fundamentales de datos: por un lado, los datos que representan valores simples y, por otro lado, las estructuras de datos (Bertin, 1977). Los datos de entrada en un sistema generalmente provienen de la salida de sensores, dispositivos, o representan valores reales del dominio que se pretende modelar. Estos datos mayormente son de tipo numérico o cadenas de caracteres, que representan los principales tipos de datos simples existentes. La gran mayoría de las veces, estos datos simples tienen que transformarse a ciertas estructuras de datos más robustas, que permitan su análisis, representación y acceso de forma más eficiente. Este proceso de tratamiento y transformación de los datos originales, representa el punto inicial en un proceso de visualización y análisis de datos. El tratamiento de los datos es diverso, y está relacionado directamente con la solución del modelo del dominio que se pretenda. Aparte de la transformación de los datos, otra característica importante del proceso de visualización de datos es la expresividad visual, definida como el número de variables visuales usadas en una visualización para que sea eficiente (Ware, 2004). Estas variables son: la ubicación en el plano dimensional ([x, y] para planos bidimensionales), la posición (horizontal, vertical o la profundidad), la forma (rectangular, circular, etc.), el tamaño, el brillo o la opacidad, la orientación, la textura y los colores. Un aspecto fundamental es el uso del color; primeramente, el uso de colores ayuda a una persona a distinguir visualmente objetos de su entorno, ya que el cerebro puede claramente discernir entre los elementos, de esta forma, la fase de la detección de los colores es el primer punto de abstracción del cerebro. Una vez hecha esta distinción de elementos a través de los colores, el cerebro procesa otras variables visuales como son la forma, el tamaño o la textura, para finalmente establecer una abstracción visual de los elementos. Una vez hecho este proceso de abstracción visual, el siguiente paso del cerebro es el reconocimiento e

9

interpretación de los elementos visuales. Es aquí en donde el ciclo completo de visualización de información permite deducir conocimiento a partir de los elementos visualizados (García Navarro, 2012). El proceso completo de visualización de datos incluye cuatro etapas básicas, combinadas con un número de ciclos de retroalimentación, que se ilustran en la Figura 1, y han sido definidos en (Ware, 2004). Este proceso comienza con el almacenamiento y el tratamiento de los propios datos que se quieren visualizar. Después se desarrolla un pre procesamiento para transformarlos en estructuras de datos más robustas que permitan hacer más eficiente su acceso, almacenamiento y manipulación por parte de los sistemas de cómputo. La tercera etapa la constituyen los algoritmos gráficos que producen una imagen de salida en la pantalla, que representa visualmente los datos procesados previamente. Finalmente, la última etapa corresponde a la percepción humana y al sistema cognitivo, en donde el usuario representa el factor fundamental del proceso, ya que es él, en esta última parte, el que genera el conocimiento. Dentro de este proceso se pueden presentar diversos ciclos iterativos entre las diferentes etapas principalmente, como resultado de la interacción del usuario ya sea mediante la exploración o la manipulación de los datos. Por el contrario, cuando se trata de una simple manipulación de los mismos datos por parte del usuario, el motor de gráficos se encarga de recalcular los valores y refrescar las visualizaciones. Estos casos son típicamente interacciones del usuario para realizar filtrado de datos, selección de elementos, ocultar o mostrar elementos previamente ocultos, el cálculo de diferentes distribuciones visuales de los elementos en pantalla, entre otros (García Navarro, 2012).

Figura 1. Proceso de visualización de datos Figura tomada de (García Navarro, 2012)

10

6.1.3. Analítica visual El éxito en el uso de representaciones visuales para desarrollar el proceso cognitivo ha propiciado el surgimiento de un área científica basada en el uso de interfaces visuales para detectar nuevo conocimiento a partir de un conjunto de datos. Esta área de investigación, relativamente nueva, se denomina Analítica Visual y se define como la ciencia del razonamiento analítico soportado por interfaces visuales altamente interactivas. La analítica visual es la ciencia del razonamiento analítico facilitado por interfaces visuales interactivas (Thomas & Kristin, 2005). La analítica visual combina un proceso analítico semiautomático con técnicas de visualización de la información, por tanto, se utilizan las fortalezas del procesamiento de datos electrónicos y las cognitivas del ser humano, Figura 2. Es decir, la analítica visual integra las capacidades analíticas de la computadora y las habilidades de las personas, lo que permite nuevos descubrimientos y la potestad de las personas para tomar el control del proceso analítico. La analítica visual propicia el esclarecimiento de conocimiento oculto e inesperado que puede conducir a una innovación beneficiosa y rentable (Gómez Aguilar, 2015).

Figura 2. Integración máquina humano en la analítica visual Figura tomada de (Gómez Aguilar, 2015).

La analítica visual integra disciplinas científicas para mejorar la división del trabajo entre el hombre y la máquina (Keim, y otros, 2008)

En el libro "Illuminating the Path: Research and Development Agenda for Visual Analytics" (Thomas & Kristin, 2005) se define la analítica visual como la ciencia del razonamiento analítico facilitado por interfaces visuales altamente interactivas. Daniel Keim complementa esta definición de la siguiente manera, "La analítica visual busca representar la información visualmente, permitiendo al usuario interactuar con los datos para comprender mejor, sacar conclusiones y finalmente tomar mejores decisiones basadas en conjuntos de datos extensos y complejos" (Keim, Mansmann, Oelke, & Ziegler, 2008), (Keim, y otros, 2008).

11

La Analítica Visual es un área en la que el usuario destaca como punto central del proceso de análisis, apoyado por diversas herramientas de cómputo para desarrollar todas las tareas necesarias. La Analítica Visual va más allá de la simple representación visual de información, ya que pretende ofrecer una gama de herramientas con las que el usuario analiza la información y, en base a dicho análisis, se puede primero, obtener conocimiento a partir del modelo de datos y, segundo, tomar decisiones o ejecutar diversas acciones sobre la base de conjuntos de datos muy grandes y complejos (Keim, Kohlhammer, Ellis, & Mansmann, 2010). Al igual que en Infovis, todas las visualizaciones y la interacción proveen los mecanismos que permiten a un usuario poder analizar y obtener conocimiento a partir de grandes volúmenes de información. El cerebro humano puede comprender información compleja, recibida a través de los diversos canales visuales, y la Analítica Visual utiliza esta habilidad para facilitar el proceso de razonamiento analítico. Este proceso es directamente afectado por la calidad en la representación de los datos de las visualizaciones, para lo cual se requiere de una eficiente administración y transformación de los datos, de acuerdo al enfoque descrito en la Figura 1. Los datos representan la parte crucial de las visualizaciones, y estos deben transformarse en representaciones visuales apropiadas para lograr un análisis correcto y adecuado. Estas representaciones visuales deben ser acorde al tipo, a la fuente de obtención y, más importante aún, a lo que semánticamente representa esta información. Los tipos de datos corresponden a la propia naturaleza de la información, por ejemplo: valores numéricos, cadenas de caracteres, valores lógicos (falso o verdadero) o estructuras de datos más complejas. Las fuentes de obtención de los datos también son diversas, y se incluyen datos que pueden ser obtenidos en tiempo real, como lecturas de sensores, o información previamente almacenada como datos estructurados provenientes de una base de datos relacional, archivos de imágenes, audio, vídeo o archivos de texto (Keim, y otros, 2008), (Keim, Mansmann, Oelke, & Ziegler, 2008). Actualmente la Analítica Visual se aplica en diversas áreas de conocimiento, principalmente aquellas en las que tienen que analizar y procesar grandes cantidades de información como en Bioinformática (Baehrecke & Dang, 2004), Geografía (Andrienko, y otros, 2007), Paleoceanografía (Therón, 2006) o Medicina (Tominski, Wollgast, & Schumann, 2008). También la industria está sacando ventaja en el área de bases de datos (Shneiderman, 2008), la industria de desarrollo de software (Isenberg & Fisher, 2009), (Telea & Voinea, 2009), en los sistemas de manufactura (Keim, Visual exploration of large data sets, 2001) o en la industria farmacéutica (Armando García, Castellanos Garzón, & González Blanco, 2011), (Saffer, Burnett, Chen, & Spek, 2004).

12

6.1.4. Analítica visual versus visualización de información El trabajo realizado hasta ahora en la visualización de información está estrechamente relacionado con la analítica visual, sin embargo, no necesariamente aborda una tarea analítica o implementa algoritmos avanzados para el análisis de datos. Por su parte, la analítica visual es más que visualizar. En otras palabras, se puede entender como la integración, en la toma de decisiones, de visualización, factores humanos y análisis de datos. La analítica visual se distingue por automatizar en mayor parte el proceso de análisis, teniendo en cuenta las limitaciones de los ordenadores y, técnicas y algoritmos para ofrecer soluciones adecuadas por medio de visualizaciones interactivas (Keim, y otros, 2008). Las visualizaciones no sólo deben soportar representaciones de características críticas de los datos, sino también proveer suficientes pistas contextuales para ayudar al usuario a rápidamente interpretar lo que está viendo. Una persona puede ver la información desplegada en tiempo real o explorar un espacio de información utilizando técnicas de interacción. Sin embargo, lo que el cerebro puede recibir es limitado en términos de la información que debe procesar para poder hacer un juicio acerca de eso (Andrienko, y otros, 2007).

13

6.2. SISTEMAS ADAPTATIVOS DE INFERENCIA NEURODIFUSA (ANFIS) 6.2.1. Introducción Un sistema neurodifuso implica la combinación de las teorías de las redes neuronales y de los sistemas de inferencia difusa. Por un lado, las redes neuronales buscan reproducir la capacidad de razonamiento humano a través de su estructura y organización; modelan la forma en que el cerebro humano realiza una tarea particular o función de interés. Pueden ser vistas como un procesador masivamente paralelo, compuesto por unidades de procesamiento más simples (las neuronas), capaz de adquirir conocimiento a través de un proceso de aprendizaje y almacenarlo en las fuerzas de sus interconexiones neuronales (pesos sinápticos) (Haykin, 1994). Por otro lado, los sistemas de inferencia difusa permiten expresar el conocimiento de un humano “experto” mediante reglas “If-Then” simples, descritas en lenguaje natural (Tanaka, 1996). Tomado de (Block Saldaña, 2010). En esta sección se abordarán, de forma general, los temas de sistemas difusos y redes neuronales los cuales al aplicarse en conjunto permiten el desarrollo de los sistemas adaptativos de inferencia neurodifusa ANFIS, para una documentación más detallada se propone el texto (Ponce Cruz, 2010). El desarrollo de este capítulo se basa en el trabajo investigativo de (Hurtado Cortés, 2013). 6.2.2. Sistemas difusos Los sistemas difusos proporcionan un marco de procesamiento numérico para la información propia de los sistemas basados en conocimiento, formulándolo de una manera sistemática que intenta emular las propiedades del razonamiento humano. Esta técnica combina la teoría de los conjuntos difusos y la lógica difusa para reproducir comportamientos complejos, en general no lineales, enunciados en forma de relaciones cualitativas e imprecisas, propios del lenguaje natural, y expresarlos en términos numéricos, compatibles con los métodos usados en los sistemas de ingeniería (ZADEH, 1973). La estructura básica de un sistema difuso se muestra en la Figura 3 y consta de dos bloques fundamentales: el bloque de base de reglas y el bloque de la máquina de inferencia. El primero sistematiza y estructura los enunciados que constituyen el conocimiento que se posee sobre el problema en cuestión, en forma de sentencias condicionales del tipo si A (situación), entonces B (acción), que resultan especialmente adecuadas para tareas de control.

14

Figura 3. Diagrama de bloques de un sistema difuso Figura tomada de (Hurtado Cortés, 2013)

Por otra parte, la capacidad de generalización del experto humano se formaliza mediante la Máquina de Inferencia que combina la información almacenada en la base de reglas empleando el concepto de regla de composición. De este modo, para una entrada dada que representa alguna semejanza con alguna con alguna de las recogidas en la base de reglas, el sistema proporciona una salida con acción adecuada. Aunque es bastante adecuado para emular a un operador humano desde un punto de vista conceptual y cualitativo, el sistema difuso así definido no resulta útil en problemas prácticos de ingeniería y control automático, donde tanto las situaciones, (señales medidas de sensores), como las acciones, (señales de control sobre accionamientos), vienen expresadas como variables reales. Por esta razón los controladores difusos incorporan dos elementos de interfaz adicionales al esquema básico del sistema difuso:

Un sistema, fuzzificador, que convierte un valor no difuso crisp, en un conjunto difuso

Un sistema defuzzificador, que convierte la salida del sistema difuso en un valor real crisp.

La Figura 4 muestra un esquema de la configuración básica de un sistema de control difuso, que incorpora los bloques de interfaz antes mencionados. Cada uno de los bloques que aparecen en la figura puede caracterizarse mediante fórmulas matemáticas precisas proporcionadas por la teoría de los conjuntos difusos. De esta manera un controlador difuso con múltiples entradas y múltiples salidas realiza en general un mapeado no lineal de vectores del espacio de entrada en vectores del espacio de salida, por lo que, desde este punto de vista, puede considerarse como un sistema aproximador de funciones.

15

Figura 4. Diagrama de bloques de un sistema de control difuso Figura tomada de (Hurtado Cortés, 2013)

El procedimiento que realizan los controladores difusos, llamado inferencia difusa o razonamiento aproximado en general comprende los siguientes pasos (Jang, 1993):

1. Evaluar el grado de pertenencia de cada entrada a cada conjunto difuso o etiqueta lingüística definida en su espacio de entrada, este proceso se denomina fuzzificación.

2. Combinar los grados de pertenencia de cada una de las entradas que constituyen el antecedente de regla para obtener el peso de cada regla en la salida global, por medio del operador t-norma.

3. Evaluar cada regla para obtener su consecuente a partir del peso dado por el antecedente y la función de pertenencia asociada al consecuente, este proceso se denomina implicación difusa.

4. Componer los consecuentes de cada regla para obtener una conclusión, este proceso de denomina regla de composición.

5. Obtener una acción de control no difusa, proceso denominado defuzzificación.

En el diseño de sistemas difusos se explota su característica de transparencia al conocimiento humano para definir su estructura, esto es, para determinar el número de entradas, número de etiquetas lingüísticas necesarias, forma y distribución de las funciones de pertenencia sobre el espacio de entrada, número de reglas, sistema de inferencia a emplear, etc. Sin embargo, no existe un método sistemático de diseño que pueda emplearse de forma general y casi siempre, después de haber determinado su estructura se hace necesario un proceso de ajuste fino para conseguir que la relación entrada-salida deseada se mantenga dentro de un error aceptable.

16

6.2.3. Redes neuronales artificiales En los años 50, dos neurocientíficos, Warren McCulloch y Walter Pitts, propusieron un modelo básico de neurona. Aunque no fueron los primeros en considerar las neuronas como sistemas para realizar cálculos, sí fueron los pioneros en el intento de definir formalmente a las neuronas como elementos computacionales y explorar las consecuencias de las propiedades neuronales (McCulloch & Walter, 1943). 6.2.3.1. Componentes de una neurona artificial A continuación se describen los componentes de la red neuronal ilustrada en la Figura 5.

Figura 5. Elementos básicos de una neurona artificial Figura tomada de (Hurtado Cortés, 2013)

Entradas: entradas 𝑥𝑖 a la neurona. Pesos: normalmente una neurona recibe múltiples entradas simultáneas.

Cada entrada tiene su propio peso relativo el cual proporciona la importancia de la entrada dentro de la función de agregación de la neurona. Estos pesos realizan la misma función que realizan las fuerzas sinápticas de las neuronas biológicas. En ambos casos, algunas entradas son más importantes que otras de manera que tienen mayor efecto sobre el procesamiento de la neurona al combinarse para producir la respuesta neuronal. Los pesos son coeficientes que pueden adaptarse dentro de la red que determinan la intensidad de la señal de entrada registrada por la neurona artificial. Ellos son la medida de la fuerza de una conexión de entrada. Estas fuerzas pueden modificarse en respuesta de los ejemplos de entrenamiento de acuerdo a la topología específica o debido a las reglas de entrenamiento.

Función de propagación: esta regla permite obtener, a partir de las entradas y los pesos el valor del potencial post-sináptico hi de la neurona. Las entradas y los pesos pueden combinarse de diferentes maneras antes de sobrepasar el valor a la función de activación. Por ejemplo, puede usarse como función de propagación, el mínimo, máximo, la mayoría, producto, o diversos algoritmos de normalización. El algoritmo específico para la propagación de las entradas neuronales está determinado por la elección de la arquitectura.

17

Función de activación o transferencia: el resultado de la función de propagación, en la mayoría de los casos, es una suma ponderada, es transformada en la salida real de la neurona mediante un proceso algorítmico conocido como función de activación. En la función de activación el valor de la salida de combinación puede compararse con algún valor umbral para determinar la salida de la neurona. Si la suma es mayor que el valor umbral, la neurona generará una señal, si la suma es menor que el valor umbral, no se genera ninguna señal.

Función de salida (competitividad): cada elemento de procesamiento tiene permitido una única salida que puede estar asociada con un número elevado de otras neuronas.

Función de error y el valor propagado hacia atrás: en la mayoría de algoritmos de entrenamiento de redes neuronales se requiere calcular la diferencia entre la salida actual y la esperada. Esta diferencia es transformada por la función de error correspondiente a la arquitectura particular. El error de la neurona se propaga normalmente dentro del algoritmo de aprendizaje de otra neurona. Este término de error es algunas veces denominado error actual y normalmente es propagado hacia atrás a la capa anterior, siendo este valor o bien el valor actual de error de esa capa obtenido al escalarlo de alguna manera (lo habitual es usando la derivada de la función de transferencia) o bien es tomado como la salida esperada (esto sucede en algunas topologías). Normalmente el valor que se propaga hacia atrás, una vez escalado por la función de aprendizaje, se multiplica por los pesos de la neurona para modificarlas antes de pasar al ciclo siguiente.

Tasa de aprendizaje: la tasa de aprendizaje de la RNA depende de distintos factores controlables que hay que tener en cuenta. Obviamente, un valor bajo de tasa de entrenamiento equivale a que se necesite gastar mucho tiempo para llevar a cabo el entrenamiento para producir una RNA bien entrenada. Con valores de entrenamiento mayores, la red puede no ser capaz de discriminar de manera tan adecuada como un sistema que aprende más despacio. Generalmente, factores adicionales a parte del tiempo tienen que considerarse cuando se discute el entrenamiento off-line:

Complejidad de la red: tamaño, paradigma, arquitectura

Tipo de algoritmo de aprendizaje empleado

El error admitido de la red final Si se cambia alguno de estos factores se logra o aumentar el tiempo de entrenamiento a un valor elevado u obtener un error inaceptable. La mayoría de algoritmos de aprendizaje requieren que se les pase una tasa de aprendizaje, o un término una constante de aprendizaje. Normalmente este término es un valor positivo entre 0 y 1. Si la tasa de aprendizaje es mayor que 1, es fácil para el algoritmo de aprendizaje provocar que se creen pesos incorrectos y la red oscilará. Mientras que valores pequeños de tasa de aprendizaje no corregirán el error actual de manera rápida.

18

6.2.3.2. Entrenamiento de una red neuronal artificial El en el proceso de entrenamiento se modifican los pesos que afectan a las entradas de la neurona. Este proceso de cambio en los pesos de las conexiones de entradas para conseguir un valor deseado también es llamado función de adaptación. Las RNA pueden ser entrenadas mediante entrenamiento supervisado o entrenamiento no supervisado. Entrenamiento supervisado La mayor parte de arquitecturas de RNA son entrenadas mediante métodos supervisados. En este tipo de entrenamiento, la salida de la RNA es comparada con al valor deseado de salida. Los pesos, que normalmente han sido establecidos de manera aleatoria en un principio, son ajustados por la red de manera que en la siguiente iteración, también denominado ciclo, producirá un resultado más cercano entre el valor esperado y la salida real. Una vez que el entrenamiento termina los pesos se fijan, aunque algunas redes permiten el entrenamiento continuo, pero con una tasa de aprendizaje baja. Esto ayuda a la red a adaptarse de manera gradual a situaciones de cambio. El conjunto de patrones de entrenamiento necesita ser lo suficientemente grande como para contener toda la información necesaria para que la red aprenda todas las relaciones que son importantes. No sólo los conjuntos de patrones de entrenamiento tienen que ser grandes, sino que las sesiones de entrenamiento deben incluir una gran cantidad y variedad de datos. Si la red es entrenada con un ejemplo cada vez, todos los pesos son establecidos de manera demasiado meticulosa, para cada hecho puede ser drásticamente alterado por el entrenamiento para el siguiente hecho, esto puede provocar que la red se olvide de algunos hechos durante el entrenamiento para aprender otros. Como resultado, el sistema tiene que aprender todo a la vez, buscando la mejor combinación de pesos para todos los hechos. Entrenamiento no supervisado Actualmente este tipo de entrenamiento está limitado a las redes conocidas como mapas auto organizados (Kohonen maps, SOM). Aún están en proceso de estudio ya que su funcionamiento no es del todo conocido.

19

6.3. REDES DE SENSORES INALÁMBRICAS Las redes de sensores inalámbricas, WSNs por sus siglas en inglés, consisten en un gran número de nodos de sensores equipados con capacidades de detección, cómputo y comunicaciones. Cada nodo puede detectar parámetros tales como temperatura, humedad, presión de su entorno, realizar cálculos simples, y comunicarse con los nodos vecinos o con la estación base (Okdem, Karaboga, & Ozturk, 2011). Las WSNs por lo general consisten en nodos-sensores, nodos receptores y el nodo de gestión. Los nodos-sensores están desplegados en o cerca del área de monitoreo y pueden construir automáticamente una red de auto-organización. Los nodos-sensores detectan, recopilan y procesan información de la zona que abarca la red en tiempo real y transmiten la información de la zona al centro remoto de control (nodo de gestión) por medio del nodo receptor a través de la red de saltos múltiples. El centro de control remoto obtiene los datos del nodo sumidero, analiza y procesa los datos y por último realiza un proceso de toma decisiones (Tian, Zheng, & Wang, 2010). Los nodos son de pequeño tamaño, de muy bajo consumo y capaces de una comunicación sin cables. Este novedoso tipo de redes se ha convertido en un campo de estudio que se encuentra en continuo crecimiento, ya que últimamente han surgido una serie de dispositivos que integran un procesador, una pequeña memoria, sensores y comunicación inalámbrica. Al estar dotados con procesador, estos nodos son capaces de realizar ciertos cálculos locales sobre los datos tomados, lo que permite una serie de ventajas como la reducción de tráfico a través de la red, ya que será procesada localmente, y consecuentemente una lógica descarga de trabajo del computador central (Ramirez, Sanabria Bocanegra, & Suarez Sierra, 2011). La característica principal de las WSN es su capacidad de organización automática. Así, es posible realizar despliegues de sensores en lugares de difícil acceso, o incluso en el interior de zonas afectadas por catástrofes mediante medios aéreos. Gracias a esta característica es posible mantener la red en funcionamiento incluso cuando algunos nodos se encuentran fuera de servicio, debido a fallos, agotamiento de baterías, modo de bajo consumo, etc. En estos casos la red es capaz de reorganizarse y continuar funcionando (Capella Hernández, 2010). 6.3.1. Nodos sensores Los dispositivos sensores, normalmente emplazados manualmente en el terreno, constituyen los nodos de una red encargada de leer magnitudes como temperatura, humedad, presión, velocidad, luminosidad, ruido, presencia de objetos, compuestos químicos, etc. Estos datos, tras ser procesados si es necesario, son transmitidos por medio de comunicaciones inalámbricas hasta un observador externo a la red que se encargará de su análisis como se puede observar en la Figura 6. En ella se

20

muestra un despliegue típico de una red de sensores donde una serie de nodos toman mediciones del terreno y las envían a uno o varios nodos frontera, denominados sumideros, que se encargan de extraer la información de la red y retransmitirla hacia el exterior, normalmente a un computador (Losilla López, 2009).

Figura 6 Despliegue de una red de sensores Figura tomada de (Losilla López, 2009).

Las principales características de los nodos-sensores, comúnmente conocidos como motes, son su bajo tamaño, coste y consumo de potencia. Disponen de capacidad de procesado, comunicación inalámbrica, así como de expansión a través de puertos de entrada/salida de su microprocesador. Un mote está formado por los subsistemas de hardware que se muestran en la Figura 7. Existen cuatro subsistemas que siempre se encuentran presentes en un mote. El primero de ellos, la unidad de procesado, se encarga de coordinar al resto de subsistemas, disparando las tareas de recogida de datos y comunicaciones con otros nodos, así como de procesar los datos tomados. El segundo es la unidad sensora que toma los datos del entorno a través de sus sensores y transforma las medidas analógicas tomadas en medidas digitales que el microprocesador puede manejar. El tercero es el transceptor que se encarga de las comunicaciones con el resto de nodos. Por último, la unidad de alimentación que suministra energía al resto de subsistemas. Además, existen otros subsistemas que pueden existir opcionalmente en los motes como podrían ser movilizadores (si el mote necesita desplazarse), el subsistema de localización, o un generador de potencia (por ejemplo una célula solar) (Losilla López, 2009).

21

Figura 7 Subsistemas de un nodo sensor Figura tomada de (Losilla López, 2009).

6.3.2. Ventajas y desventajas En el pasado, tanto operadores humanos como equipos sensores unidos a una central mediante cableado realizaban la recogida de datos. Las dos opciones presentaban problemas: las mediciones realizadas por operadores humanos eran costosas en tiempo, lo que restringía la cantidad de ubicaciones en las que tomar medidas y por otro lado, el uso de sensores cableados obligaba al despliegue de grandes cantidades de cable e impedía la toma de medidas en lugares de difícil acceso (Losilla López, 2009). Además de las directamente relacionadas con el uso de las comunicaciones inalámbricas, las principales ventajas de las redes de sensores en comparación con otras tecnologías son el bajo coste económico de los dispositivos que las forman y su pequeño tamaño. Sin embargo, como contrapartida, estos dispositivos tienen unas prestaciones limitadas, lo que condiciona en gran medida el software que se diseña para este tipo de redes. En primer lugar, no disponen de una elevada capacidad de procesado, por lo que se limitan a ejecutar algoritmos computacionalmente sencillos y con un bajo uso de memoria RAM. Pero la principal consideración que imponen al desarrollar software para esta tecnología es el ahorro de energía. Esto se debe a que tras desplegar los nodos probablemente no se vuelva a tener acceso físico a ellos y no se podrá reponer sus baterías. Bajo esta situación, la capacidad que tengan los dispositivos para economizar el uso de éstas resultará muy importante, pues el tiempo de la vida de la WSN vendrá determinado por el tiempo que cada uno de sus nodos tarde en agotar sus recursos energéticos (Losilla López, 2009). Debido a que los nodos inalámbricos están distribuidos al azar o intencionadamente en el área a supervisar para diferentes aplicaciones, la topología de la red inicial no puede ofrecer una comunicación de red confiable y eficiente. En algunas ocasiones,

22

durante el despliegue, algunos nodos de la red pueden fallar; en algunos casos se hace necesario volver al lugar e implementar nuevos nodos de retransmisión para asegurar la conectividad y garantizar una red WSN confiable y eficiente lo que conlleva costos adicionales (Chen, y otros, 2013). Dado que en algunas ocasiones los nodos-sensores en una WSN se utilizan para controlar cualquier entorno ambiental impredecible, los nodos-sensores son vulnerables al entorno peligroso y esto puede dar lugar a diversos defectos como insuficiencia de la unidad de detección, insuficiencia del transceptor de radio, y el fallo del procesador (Mitra & Sarkar, 2014). 6.3.3. Campos de aplicación Las características que se pueden conseguir con estas redes como robustez, gran escala y bajo coste hacen que ya se puedan encontrar aplicadas en gran cantidad de aplicaciones reales que abarcan muy diversos ámbitos como en el ejército y la defensa nacional, la vigilancia ambiental, hogares inteligentes, aplicaciones biomédicas, monitoreo remoto de zonas peligrosas, etc. Trabajos en el campo de la salud (Lorincz, y otros, 2004), (Losilla López, 2009), la milicia (Losilla López, 2009), la ingeniería civil (Marrón, Saukh, Krüger, & Große, 2005), la industrial (Losilla López, 2009), el desarrollo de productos comerciales (Jea & Srivastava, 2005), aplicaciones ambientales (Juang, y otros, 2002), (Wemer-Allen, Johnson, Ruiz, Lees, & Welsh, 2005), (Chen, y otros, 2013), (Losilla López, 2009), (Mainwaring, Culler, Polastre, Szewczyk, & Anderson, 2002), aplicaciones para el hogar (Losilla López, 2009) entre otros, evidencian los esfuerzos que centran los investigadores en este campo tan prometedor.

23

7. SITUACIÓN ACTUAL Y TRABAJOS RELACIONADOS Un artículo escrito por (Kolodenny, 2006), describe el diseño de un sistema de medición de SolarLab, usado para determinar los parámetros eléctricos de los módulos fotovoltaicos en condiciones de funcionamiento reales, que proporcionan datos de entrada para modelos matemáticos que describen el comportamiento de dichos dispositivos; Los datos medidos contienen parámetros proporcionados por diferentes unidades de medida y almacenados en diferentes intervalos de tiempo. Luego se importan a una base de datos común y se preparan para su posterior análisis mediante transformación en estructuras de datos apropiadas para consultas rápidas, muchos de estos, son necesarios para el modelado del espectro solar y de la clasificación energética. El software proporciona filtrado de datos multidimensionales, visualización de datos y diferentes tipos de regresión. Además, los datos resumidos, como la ganancia de energía periódica o la insolación, se pueden ver y perforar a mediciones individuales. Herramientas eficaces de integración de datos y almacenes de datos permiten un análisis eficiente de los datos medidos en diferentes laboratorios. El conocimiento sobre las condiciones climáticas puede ayudar a desarrollar modelos de ganancia de energía más precisos para los módulos fotovoltaicos y predecir parámetros eléctricos en condiciones de funcionamiento reales. En el artículo propuesto por (Zhang & Mao, 2009) en la conferencia de Sistemas Inteligentes y Aplicaciones se busca la interrelación entre el consumo de energía y el crecimiento económico en marcos multivariados; utilizan la teoría del Sistema de Inferencia Fuzzy Basada en la Red Adaptativa (ANFIS) para revelar el mecanismo que las tres variables (intensidad energética, crecimiento del PIB y participación de la industria) ejercen la influencia en el consumo de energía, determinando estos, como los principales factores que afectan el consumo de energía China; se predice el consumo de energía de los años 2005 y 2006 utilizando el ANFIS, analizando de esta forma, las políticas energéticas para disminuir el consumo de energía. En (Otieno, Nyakoe, & Wekesa, 2009), presentan en su artículo un seguimiento de alto rendimiento de la máxima potencia suministrada por sistemas fotovoltaicos utilizando sistemas de inferencia neuro difusos adaptativos (ANFIS), siendo capaz de rastrear con precisión el punto máximo de potencia; lo que garantizará un uso eficiente de los sistemas fotovoltaicos y, conduciendo a un menor coste de la electricidad. El rendimiento del método propuesto se comparó con el de un MPPT (seguidor de punto de potencia máximo) basado en lógica difusa para demostrar su eficacia sobre otras técnicas de MPPT previamente utilizadas. Indicando de esta forma, que una cantidad significativa de energía adicional se puede extraer de una matriz fotovoltaica mediante el uso de ANFIS a través del seguimiento de puntos de máxima potencia.

24

En 2009, para el estudio (Cheng & Wei, 2010) la previsión exacta de las cargas regionales es uno de los principales factores para que la industria eléctrica mejore el rendimiento de la gestión, afirmando que los métodos estadísticos convencionales, tales como modelos de regresión son incapaces de hacer frente a las relaciones no lineales (como las cargas eléctricas), lo mismo que las reglas generadas a partir de métodos estadísticos convencionales (como ARIMA), y las tecnologías de inteligencia artificial (es decir, máquinas de vectores de soporte (SVM) y redes neuronales artificiales (ANN) no son fácilmente comprensibles para el formulador de políticas; se construye un modelo ANFIS que mejore la predicción de las cargas de electricidad mediante una ecuación de pronóstico adaptativo con cinco capas como motor de pronóstico con las entradas de datos históricos escalonados. Un método de agrupación fuzzy (agrupación substractiva) se aplica para definir los intervalos lingüísticos, junto con el movimiento de la ventana de muestra de datos paso a paso. Los resultados de pronóstico del motor ANFIS se refinan con un modelo adaptativo de múltiples periodos con el objetivo de minimizar MAPE. En la investigación realizada por los Alemanes (Keim & Zhang, 2011) para la conferencia sobre Gestión del Conocimiento y Tecnologías del Conocimiento se introducen hacia el estudio de analítica visual como un campo de la ciencia activa joven que viene con la misión de empoderar a la gente para encontrar soluciones para problemas complejos de conjuntos de datos grandes y complejos. La analítica visual permite por ejemplo mostrar eventos en varias series de tiempo, en este caso ellos muestran múltiples políticos que aparecen con frecuencia en las noticias durante febrero de 2011, lo mismo que la identificación de los lugares de interés en Berlín, indicando que Constanza por ejemplo, es visitada principalmente durante las estaciones cálidas, mientras que Berlín se visita todo el año. Sin embargo, los desafíos persisten en muchas disciplinas de la analítica visual. En el estudio de (Barbato & Carpentieri, 2012) se evidencia la importancia en la gestión de la demanda doméstica (DSM), como uno de los elementos clave en la mejora de la eficiencia del sistema eléctrico que permita la propagación de las cargas de energía de una manera inteligente con el fin de reducir la potencia máxima de la demanda global; es por esto que ellos proponen un modelo de optimización y un conjunto de heurísticas para la gestión de la demanda en línea, para reaccionar en tiempo real a eventos que fueron inesperados en una etapa anterior sin conexión del sistema de gestión del hogar, planificando las operaciones domésticas con el objetivo de minimizar la diferencia entre los perfiles de demanda / oferta en tiempo real y los definidos en la fase offline. Confirmando de esta forma los beneficios de usar un modelo en línea adecuado que los dispositivos de almacenamiento desempeñan un papel clave, que pueden integre eficazmente una red inteligente para garantizar la eficacia de un plan planificado con anterioridad.

25

El trabajo desarrollado por (Majazi Dalfard, Nazari Asli, Nazari-Shirkouh, Sajadi, & Asadzadeh, 2013), propone un sistema experto Neurodifuso Adaptativo para estimar y prever simultáneamente los consumos a largo plazo de electricidad y gas natural (NG) con alza en los precios, el modelamiento propuesto utiliza datos de consumo de electricidad para mejorar la estimación del consumo de GN. Para el establecimiento de los modelos en este estudio, se utilizan dos nuevos FIS (Sistemas de Inferencia Difusa) de tipo Takagi-Sugeno para el consumo de electricidad y el consumo de GN en el sector de los usos finales con los precios. Así mismo utiliza el enfoque ANFIS-Monte Carlo para NGPG (el consumo de NG en la generación de energía). El consumo de electricidad se utiliza en el ANFIS para la estimación del mejoramiento de NGPG. Estableciendo una base de reglas difusas y flexibles que permite la predicción por un marco fácil y simple de energía y GN. Una aplicación de analítica visual en el estudio realizado por (Janetzko, Stoffel, Mittelstadt, & Keim, 2014), donde se encargan de comprender el comportamiento del consumo de energía y estar al tanto de los valores esperados de consumo de la misma; introduciendo para ello, un nuevo algoritmo de detección de anomalías sin supervisión, visualizando las puntuaciones de anomalías resultantes para guiar al analista a puntos de tiempo importantes; presentando diferentes posibilidades para visualizar las series de tiempo de uso de potencia, combinadas con una discusión de las opciones de diseño para codificar los valores de anomalía; todo esto aplicado a series de tiempo real de consumo de energía, registradas en una red de sensores jerárquicos. En el artículo (Khadilkar, Ganu, Charbiwala, Ming, & Mathew, 2014), realizan una combinación de datos de múltiples sensores proximales en una única corriente de datos de alta resolución, utilizados con frecuencia para el modelamiento y procesamiento de imágenes. El análisis de los datos generados por estos medidores tiene el potencial de proporcionar información sobre las características del consumidor y los patrones de consumo de energía, incluyendo la segmentación del consumidor y la detección de anomalías. Análogamente, combinaron las lecturas de medidores de consumidores con patrones de consumo similares para estimar el consumo dinámico de energía para cada consumidor. Lo que permitirá aplicar analíticas de medidores inteligentes sin costosas actualizaciones de la infraestructura. En (Naji, y otros, 2016) se realizó un estudio en el cual combinan la computación blanda y nuevos esquemas informáticos inteligentes, como son la regresión vectorial de apoyo (SVR), el sistema de inferencia neurofuzzy adaptativo (ANFIS), la función de base polinomial, lineal y radial (RBF), con el fin predecir el consumo de energía del edificio de acuerdo con parámetros como el espesor del material y el valor K de aislamiento, estas variables de la envoltura del edificio principal; estos resultados son comparados con Redes Neuronales y Algoritmos genéticos, llegando a la conclusión que se encuentra mayor precisión predictiva y la capacidad de generalización se puede lograr mediante el enfoque ANFIS.

26

8. METODOLOGÍA PLANTEADA Desde una perspectiva general el proyecto se compone de dos focos principales, el primero es la implementación de un método de captura de datos y de analítica visual de datos sobre la nube a partir de una red de sensores inalámbrica, el cual enmarca los objetivos: Analizar y parametrizar el comportamiento de los datos de consumo y generación de energía de zonas no interconectadas para su posterior simulación mediante analítica visual de datos - Desarrollar una aplicación para la captura de datos a partir de redes de sensores inalámbricas de zonas no interconectadas. El segundo foco comprende la implementación de un algoritmo para la predicción del consumo y generación de energía utilizando Sistemas Adaptativos de Inferencia Neurodifusa (ANFIS) que enmarca los objetivos: Desarrollar una aplicación para la captura de datos a partir de redes de sensores inalámbricas de zonas no interconectadas - Implementar un modelo para la predicción del consumo y generación de energía eléctrica en zonas no interconectadas a partir de redes de sensores inalámbricos, mediante sistemas adaptativos de inferencia neurodifusa - Validar el modelo de predicción mediante datos reales de consumo y generación para determinar el nivel de efectividad obtenido. La Figura 8 representa el modelo de cómo sería el sistema a desarrollar, para comenzar con el primer foco del proyecto, en la parte inferior izquierda se representan las redes de sensores inalámbricas, WSN, las cuales se encargan de medir variables del ambiente mediante los dispositivos finales End Device (E), o nodos-sensores. Estas mediciones son enviadas hasta un nodo central, Coordinador (C), gracias a los dispositivos Router (R) los cuales encaminan los datos medidos a través de la topología de red definida. Para que los Coordinadores obtengan y puedan enviar las mediciones a la nube se desarrollara el método de captura de datos. Este método consistirá en un software en constante ejecución el cual estará esperando la llegada de las mediciones de los nodos-sensores. Una vez hayan llegado, el software los enviará a la nube a través de internet, donde se almacenarán en una base de datos. Para fines prácticos, el software de captura de datos se denominará software B y, el software en la nube que almacenara las mediciones de las WSN se denominará software A. El software A, además de almacenar las mediciones de las WSN en una base de datos, permitirá generar reportes de las mediciones almacenadas, gestionar las WSN mediante opciones como agregar o eliminar WSN, agregar o eliminar nodos o, asociar o eliminar la asociación entre usuarios y WSN y, como función principal, realizar procesos de analítica visual mediante la representación gráfica de las mediciones almacenadas. Por último, para utilizar las funcionalidades ofrecidas por el software A, se hace necesario contar con un módulo de autenticación de usuarios el cual permitirá restringir el acceso solo a las personas registradas en la base de datos. Los usuarios podrán hacer uso del software A mediante navegadores web, instalados en dispositivos con conexión a internet como lo son smartphones, tablets y/o computadores.

27

El segundo foco del proyecto, el cual consiste en el modelo de predicción, utilizará la información de los reportes generados, a partir de las mediciones de los nodos-sensores de las WSN, como data de entrenamiento del sistema neuro-difuso. El sistema predecirá el consumo y la generación de energía con lo cual, en conjunto con el módulo de analítica visual, apoyaran a los usuarios en los procesos de toma de decisiones. La validez del modelo de predicción se comprobará comparando las predicciones realizadas con las mediciones futuras de los nodos-sensores, esto permitirá una retroalimentación del modelo midiendo su grado de acierto y, posteriormente, realizar mejoras.

28

Figura 8 Modelo del proyecto a desarrollar Figura propia.

29

Para el desarrollo del proyecto se propone una metodología de dos fases, una para la recopilación y el análisis de información y otra para, la implementación del método de captura de datos y de analítica visual de datos y, del algoritmo para la predicción del consumo y generación de energía. 8.1. FASE INVESTIGATIVA Se hace necesario para desarrollar el proyecto recopilar información acerca de las funcionalidades que deben tener el método de captura de datos y el método de analítica visual para, mediante un análisis de está, determinar los casos de uso y los requerimientos de estos métodos. Esta información será adquirida mediante entrevistas a expertos en la implementación de redes de sensores inalámbricas como lo son el ingeniero Elvis Gaona, codirector del proyecto y, los estudiantes Brayan Bernal y Natalia Cancino desarrolladores del proyecto, Red de sensores inalámbricos para microredes eléctricas. Así mismo, es necesario recopilar datos del consumo y generación de energía para el entrenamiento y las pruebas del algoritmo de predicción. Para adquirir estos datos se buscará en bases de datos especializadas como la base de datos de la Unidad de Planeación Minero Energética. 8.2. FASE DE DESARROLLO En esta fase se implementarán los casos de uso y los requerimientos determinados en la fase investigativa, para ello, se guiará el proceso mediante las siguientes actividades. 8.2.1. Diseño del software de analítica visual y del modelo de predicción La meta de esta actividad es diseñar los componentes que darán respuesta a los casos de uso y requerimientos determinados en la fase investigativa. También se espera elegir las herramientas y técnicas que se usarán para construir los componentes diseñados. 8.2.2. Implementación del software de analítica visual y del modelo de predicción En esta actividad se desarrollará el software de analítica visual y el modelo de predicción teniendo en cuenta las especificaciones y los datos obtenidos en la fase investigativa y, los componentes, herramientas y técnicas definidas en la actividad de diseño. 8.2.3. Despliegue del software de analítica visual Una vez se verifique su correcto funcionamiento, el software de analítica visual será instalado en los servidores de la Universidad Distrital. 8.2.3.1. Análisis de resultados El objetivo de esta actividad es evaluar los resultados obtenidos del método de captura de datos, del método de analítica visual y del modelo de predicción.

30

9. DESARROLLO E IMPLEMENTACIÓN DEL PROYECTO En este capítulo se documentan los procesos realizados que llevaron al cumplimiento de cada una de las fases propuestas en el capítulo anterior. 9.1. FASE INVESTIGATIVA Para cumplir con el objetivo de esta fase se realizaron varias reuniones con los estudiantes de ingeniería electrónica y desarrolladores del proyecto, (Bernal Cruz & Cancino Garcia, 2016), con el fin de determinar las funcionalidades del aplicativo software. Como resultado de estas reuniones se lograron determinar los casos de uso y los actores del sistema. En la Figura 9 se muestra el diagrama de casos de uso para el software A y, en la Figura 10, los caso de uso del software B. 9.1.1. Casos de uso

Figura 9 Diagrama de casos de uso, Software A Figura propia.

31

Figura 10 Diagrama de casos de uso, Software B Figura propia.

Los casos de uso extendido se utilizan para especificar cada uno de los casos de uso definidos, permiten definir las entradas y salidas del sistema, el curso básico de eventos entre el actor y el sistema, los flujos alternativos, precondiciones y post condiciones. Los casos de uso extendidos se pueden observar en el Anexo 1. De forma simplificada, en la Tabla 1 se describe cada uno de los casos de uso del software A y del software B

CASO DE USO DESCRIPCIÓN

Iniciar Sesion El actor interactúa con el sistema para, mediante la validación de un usuario y contraseña ingresados, acceder a las opciones del sistema y cargar los datos del usuario.

Registrar Usuario El actor interactúa con el sistema para crear un registro en la base de datos con sus datos personales.

Cerrar Sesion El actor interactúa con el sistema para terminar la sesión iniciada.

Generar Reporte El actor interactúa con el sistema para descargar documentos, en formatos txt, pdf y/o xls, con los datos de los nodos, fechas y wsn que desee.

Agregar WSN El actor interactúa con el sistema para agregar una nueva WSN.

Eliminar WSN El actor interactúa con el sistema para eliminar un WSN.

Agregar Nodo El actor interactúa con el sistema para agregar un nodo a una WSN existente.

Eliminar Nodo El actor interactúa con el sistema para eliminar un nodo de una WSN existente.

Asociar usuario_wsn El actor interactúa con el sistema para asociar otro usuario a una WSN existente.

Eliminar usuario_wsn El actor interactúa con el sis