Escolar Documentos
Profissional Documentos
Cultura Documentos
I. INTRODUCCION .................................................................................................................... 11
II. MARCO TERICO ................................................................................................................ 17
2.1 ANTECEDENTES DEL PROBLEMA ................................................................................. 17
2.2 Bases Terico-Cientficas ................................................................................................ 20
2.2.1. Sistema de Suministro de Agua ............................................................................. 20
2.2.2. Funcionamiento ...................................................................................................... 20
2.2.3. Demanda de Agua Potable ..................................................................................... 21
2.2.4. Anlisis de la Demanda ........................................................................................... 22
2.2.4.1. Estimacin de la Poblacin ............................................................................. 22
2.2.4.2. Poblacin Servida de Agua Potable................................................................ 23
2.2.4.3. Demanda Proyectada....................................................................................... 23
2.2.4. Pronsticos............................................................................................................... 23
2.2.5. MtodosdePronstico ............................................................................................. 24
2.2.6. Medicin de Errores ................................................................................................ 24
2.2.7. Redes Neuronales Artificiales: ................................................................................ 25
2.2.7.1. Definicin .......................................................................................................... 25
2.2.7.2. Elementos de una Red Neuronal Artificial..................................................... 26
2.2.7.3. Modos de Operacin: Aprendizaje y Recuerdo ............................................ 28
2.2.7.4. Aplicaciones de las RNA................................................................................... 32
2.2.7.5. Arquitecturas..................................................................................................... 33
2.2.7.6. Algoritmo de Retropropagacin (BP). ............................................................ 34
2.2.7.7. Aplicacin a los Pronsticos........................................................................... 35
III. MATERIALES Y MTODOS ................................................................................................. 37
3.1 Diseo Investigacin ....................................................................................................... 37
3.1.1. Tipo de Investigacin .............................................................................................. 37
3.2. Variables .......................................................................................................................... 37
3.3. Indicadores...................................................................................................................... 37
3.4. Poblacin, Muestra y Muestreo..................................................................................... 38
3.4.1. Poblacin ................................................................................................................. 38
3.4.2. Muestra ..................................................................................................................... 38
3.5. Mtodos, tcnicas e instrumentos de recoleccin de datos....................................... 38
3.5.1. Mtodos de Pronstico ........................................................................................... 38
NDICE DE FIGURAS
Figura1. Funcionamiento del Sistema de Suministro de Agua. ........................................... 21
Figura 2. Neurona Y Conexiones Sinpticas........................................................................... 26
Figura 3. Modelo Matemtico para una Neurona. ................................................................. 27
Figura4 . Arquitectura Freed-forward...................................................................................... 33
Figura 5. Arquitectura Recurrente .......................................................................................... 34
Figura 6. Procedimiento para el Diseo de un Modelo de Prediccin basado en RNA
(Kaastra y Boyd 1996). ............................................................................................................... 36
Figura7. Funcin Sigmoidal (Rango de Salida entre -1 y +1). ............................................. 45
Figura 8 . Modelo de la Red Neuronal..................................................................................... 45
Figura 9. Editor de Control de MATLAB. ................................................................................ 48
Figura 10. Editor de Variables (Representaciones de una Matriz 1 X 252). .......................... 49
Figura 11. Resultados del Entrenamiento (Modo Texto). ...................................................... 52
Figura 12. Resultados del Entrenamiento (Modo Grfico). ................................................... 53
Figura 13. Performance del Entrenamiento ........................................................................... 54
Figura 14. Correlacin entre Valores Reales y Pronsticos................................................... 55
Figura 15. Cdigo para cargar la Data Entrenada .................................................................. 66
Figura16. Los ltimos 12 meses................................................................................................ 67
Figura17. Parmetros de la Red ............................................................................................... 67
Figura18. Cdigo para la prediccin del siguiente ao......................................................... 68
NDICE DE TABLAS
Tabla1. Comparacin entre la Prediccin de Agua Potable y el Consumo Real. ............... 14
Tabla 2. Proyecciones de la Poblacin administrativa .......................................................... 22
Tabla3. Proyecciones de la Poblacin Servida....................................................................... 23
Tabla4. Proyeccin del Consumo de Agua Potable 2007-2008 ............................................. 23
Tabla5. Mtodo General de Diseo de Pronstico................................................................. 24
Tabla6. Mtricas para Medicin del Error del Pronstico ..................................................... 25
Tabla 7. Indicadores .................................................................................................................. 37
Tabla8. Resumen de Datos de la Red Neuronal ..................................................................... 48
Tabla 9. Pesos entre la capa de entrada y la capa oculta de la RNA estimada................... 56
Tabla 10. Pesos entre la capa oculta y la capa de salida de la RNA estimada. .................. 56
Tabla 11. Predicciones de los ltimos 24 meses Aplicando el Modelo de RNAs................. 57
Tabla12. Consumo Real y Predicciones con Redes Neuronales........................................... 58
Tabla13Consumo Real y Predicciones con Redes Neuronales............................................. 58
Tabla 14. Consumo Real,Pronstico de la Empresa y Pronsticode la RN. ........................ 61
Tabla 15. Error de Pronstico de la Empresa y de la Red Neuronal. .................................. 62
NDICE DE GRFICOS
Grfico 1. Consumo Real Consumo Previsto (M3)............................................................... 59
Grfico 2. Consumo Real, Consumo Previsto por la Red y Consumo Previsto por la
Empresa (M3). ........................................................................................................................... 61
Grfico 3 . Proyeccin de los Costos de Operacin y Mantenimiento para el Sistema de
Agua Potable. ............................................................................................................................. 65
RESUMEN
La prediccin de la cantidad demandada de agua potable es de gran importancia
hoy en da para las corporaciones pertenecientes al sector saneamiento. Realiza
esta prediccin a mediano plazo es una necesidad vital para estas empresas, dado
que de ello depende la satisfaccin de los usuarios del servicio de saneamiento,
los cuales se veran perjudicados en caso este servicio deje de trabajar en horas
altamente criticas para ellos.
El presente trabajo pretende demostrar que el empleo de tcnicas
computacionales basadas en inteligencia artificial, como las Redes Neuronales
Artificiales, reducen el nivel de error de las predicciones de la demanda de agua
potable.
ABSTRACT
Nowadays, the drinking water demand forecasting is a major issue to
corporations that belong to the sanitation sector. Perform this forecasting at the
medium term is a critical necessity for these enterprises, inasmuch as the
sanitation service users satisfaction depends on it. Users will turn over damaged in
case of this service will turn off in highly critical hours for them.
The present dissertation pretends to prove that by using computational
techniques based on artificial intelligence, like Artificial Neural Networks, the
drinking water demand forecasting error rate is reduced.
10
I. INTRODUCCION
El agua, como tantas veces se insiste y es evidente, es un recurso limitado e
indispensable para satisfacer las necesidades vitales de los seres vivos y un
activo bsico de primer orden para las actividades econmicas, ecolgicas y
sociales. El agua debera ser un derecho humano y, sin embargo, millones de
personas carecen de acceso al agua potable.
Aunque el 70% de la superficie del mundo est cubierta por agua,
aproximadamente el 97% del agua del planeta es agua salina, en mares y
ocanos; apenas el 3% del agua total es agua dulce y de esa cantidad un poco
ms de dos terceras partes se encuentra congelada en los glaciares y
casquetes helados en los polos y altas montaas. La tercera parte de los pases
en regiones con gran demanda de agua podran enfrentarse a la escasez
severa de agua en ste siglo, y para el 2025, dos tercios de la poblacin
mundial probablemente vivan en pases con escasez moderada o severa.
La distribucin de los recursos de agua dulce es muy desigual. Las zonas
ridas y semiridas del mundo constituyen el 40% de la masa terrestre, y estas
disponen solamente del 2% de la precipitacin mundial.(Toolbar s.f.)
El agua potable domiciliaria es una de las ms grandes e irrenunciables
conquistas de la sociedad del bienestar, es difcil entender en su justo valor
qu significa disponer a cualquier hora del da y de la noche de agua
biolgicamente potable, libre de grmenes patgenos y qumicamente
inocua, sin embargo, la mayor parte de la Humanidad no dispone todava de
agua corriente en sus casas, tienen que buscarla a lugares lejanos que no
renen las condiciones de potabilidad biolgica requeridas y se convierte en
transmisora universal de microorganismos patgenos.
La demanda de agua, en un sentido convencional, hace referencia a la
necesidad de agua para uno o varios usos, el Per puede considerarse un pas
privilegiado al poseer el 5% del agua potable a nivel mundial, sin embargo
este recurso es manejado de manera inadecuada, generndose escasez y falta
de suministro para aquellas zonas ms alejadas y pobres del pas. La demanda
agrcola y ganadera asciende al 92%. La demanda urbana y rural con
39%.(Naturalle 2007)
En Lambayeque, se cubre el 67.2% de demanda poblacional urbana de agua
potable.(Sunass 2009)
La eleccin e implementacin de un mtodo adecuado de pronsticos
siempre ha sido un tema de gran importancia para las empresas. Un error
significante en el pronstico de la demanda de agua podra generarle a una
11
12
13
Las tcnicas estadsticas que emplea la empresa EPSEL S.A para la prediccin
del consumo de agua potable demandada, se basa en la poblacin, teniendo
como base la tasa de crecimiento anual de 1.3 % dado por el INEI. La frmula
del clculo de la prediccin de agua lo realizan en una hoja de clculo de
Excel aplicando frmulas tradicionales, tal como se ha explicado
anteriormente.
PREDICCIN DE
AGUA POTABLE
M3
1857485.0
1881648.0
1906103.0
1930886.5
1955962.0
1981402.5
2007171.5
2033269.0
2059695.0
2086449.5
2113569.0
2141053.5
PERIODO
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
CONSUMO DE
AGUA POTABLE
M3
1206182.0
1281465.0
1308783.0
1343684.0
1367290.0
1358100.0
1375473.0
1383540.0
1424768.0
1409690.0
1450390.0
1476802.0
14
15
16
17
de
recursos
18
19
2.2.2. Funcionamiento
El sistema de suministro de agua funciona de la siguiente manera:
Inicialmente, el agua potable se genera mediante la captacin de agua
cruda superficial, del canal San Romualdo, y tratamiento realizado en
la Planta N2. El agua producida es bombeada a un reservorio de carga
de 100 m3 ubicado en la misma planta desde el cual mediante una
tubera de 14 y 16 conduce el agua hacia las tres cisternas de
almacenamiento de 1,674 m3 de capacidad ubicadas en la antigua
planta N1.
20
21
POBLACIN
1993
52,901
1994
53,588
1995
54,285
1996
54,991
1997
55,706
1998
56,430
1999
57,163
2000
57,906
2001
58,659
2002
59,422
2003
60,194
2004
60,977
2005
61,770
2006
62,573
2007
63,386
22
Aos
Poblacin
2007
2008
63,386
64,210
Cobertura
%
100.00
100.00
Poblacin
servida
(hab)
63,386
64,210
Ao
2007
2008
2.2.4. Pronsticos
Pronosticar es muy importante en muchos tipos de empresas, ya que
las predicciones de hechos futuros se pueden incorporar al proceso de
toma de decisiones. (Bowerman, O' Connell y Koehler 2007)
Al predecir hechos que ocurrirn en el futuro, quien elabora los
pronsticos debe confiar en la informacin de los hechos que han
ocurrido en el pasado y que le interesan. Es decir, con objeto de
preparar un pronstico, quien elabora el pronstico tiene que analizar
23
Pasos
Descripcin
Identificar el Horizonte
Temporal
Es decir el corto, mediano y largo plazo.
Aplicar Tcnicas
Seleccionadas
24
Definicin
25
26
27
28
29
30
31
32
A. Redes Freed-forward.
En este tipo de redes, el flujo de datos desde la entrada hasta la
salida es estrictamente hacia delante. El procesamiento de datos
puede extenderse sobre mltiples capas de neuronas, pero no
existen conexiones hacia atrs, sea conexiones que se
extienden desde la salida de una neurona a la entrada de otra
en la misma capa o capa anterior.
33
B. Redes Recurrentes
Estas redes a diferencia de las primeras, s contienen conexiones
hacia atrs.
34
Este proceso se repite hacia atrs, capa por capa, hasta que todas las
neuronas de la red hayan recibido un error que describa su aporte
relativo al error total. Basndose en esta informacin recibida, se
reajustan todos los pesos de conexin, de manera que la siguiente vez
que se presente el mismo patrn disminuya la diferencia entre la salida
calculada y la deseada.
La importancia de la red backpropagation consiste en su capacidad de
auto adaptar los pesos de las neuronas de las capas intermedias para
aprender la relacin que existe entre un conjunto de patrones dados
como ejemplos y sus salidas correspondientes.
35
36
3.2. Variables
3.3. Indicadores
VARIABLE
Error de
Pronstico
INDICADOR
Error de Pronstico Acumulativo
DESCRIPCIN
Indica la suma total de todos
los errores de prediccin en el
tiempo.
Costos
Costo Total
Tabla 7. Indicadores
37
3.4.2. Muestra
Debido a que los datos estn almacenados y son manipulados
electrnicamente, no hay necesidad de establecer una muestra, es
ms conveniente trabajar con toda la poblacin, por lo tanto
hablamos de una poblacin muestral.
Pasos
Descripcin
Identificar el Horizonte
Temporal
Es decir el corto, mediano y largo plazo.
Aplicar Tcnicas
Seleccionadas
38
3.5.2. Tcnicas
Redes Neuronales Artificiales.
3.5.3. Herramientas
MATLAB 7.8.0.
MATLAB Neural Network Toolbox
3.5.4. Fuente
Los datos a emplear fueron obtenidos de la Empresa EPSEL S.A., la
cual proporciono archivos histricos de datos reales y de gran
utilidad para nuestro propsito.
3.6. Metodologa
La metodologa para la implementacin de Redes Neuronales en el
pronstico de agua, se basa en el trabajo de(Kaastra y Boyd 1996).
El cual est compuesto por 8 pasos:
1. Seleccin de la Variable.
2. Recoleccin de Datos.
3. Pre-procesamiento de Datos.
4. Definicin de Conjunto de Entrenamiento, Validacin y
Prueba.
a. Conjunto de Entrenamiento.
b. Conjunto de Validacin.
c. Conjunto de Prueba.
5. Seleccin de la Arquitectura de Redes Neuronales.
a. Nmero de Neuronas de Entrada.
39
40
IV. RESULTADOS
4.1. Metodologa para Redes Neuronales de (Kaastra y Boyd 1996).
4.1.2. Disear Modelo de RNAs.
4.1.2.1. Seleccin de la Variable
Determinar qu variables de entrada son importantes en el
pronstico de series de tiempo es un asunto crtico. En este
caso, el inters en la prediccin involucra emplear como
entradas datos tcnicos en lugar de fundamentales por las
caractersticas mismas de la investigacin.
41
42
43
Funcin de Transferencia.
El propsito de esta funcin es prevenir a las salidas de
alcanzar valores muy elevados los cuales pueden
paralizar la red y detener el entrenamiento de la
44
45
46
47
252 Registros
Cuantitativa (Metros Cbicos. M3)
Mensual
300
228
24 meses
12
1
9
1
Funcin Sigmoidal
Error Cuadrtico Medio
48
data = xlsread('D:\Yasmin\TESIS\pruebademanda\consumo.xls');
49
dataEntren = con2seq(data)
dataEntren = dataEntren(1:228);
red = newfftd(dataEntren,dataEntren,(1:12),9);
El segundo
argumento es el conjunto objetivo,
(dataEntren). Ambos conjuntos son iguales en nuestro
caso dado que la red tiene un componente de retraso
que organiza las entradas ingresndolas cada 12
registros. Esto es consecuencia de que nuestra red tendr
12 neuronas de entrada.
50
51
52
53
54
55
9 X 12
BAS
1.5239
0.2977
-1.6808
0.5265
0.5372
0.1738
0.3295 -1.2026
3.1285
3.3274
-2.2791
0.8369
-1.1479
0.4965
-1.1158 -0.4940
-0.7588
0.9816
2.2254
0.4982
0.6322 -1.7839
-1.2126 -0.1454
0.2549
0.2455
-0.4767
0.1888
-0.4853
-2.1662
0.4915
0.4907
1.4419
-0.9389
0.588
0.2344
-0.8685 -0.6249
-0.6889
0.8705
-1.9268
2.3082
-1.0324 -1.2334
3.1703
4.2972
-1.4902
-2.5747
-4.5885
4.1122
-2.0575 -1.5361
2.9947 -5.5039
-0.4891 -1.7637
-1.9817
1.4179
-4.9438
2.8112
-0.9577
2.1397
3.6291 -5.3370
2.2610
1.0514
6.2774
1.9370
0.9311
11
0.0573
3.4692
3.9556
-1.2105
0.8741
1.3849 -0.1231
0.1425
0.5711
1.1177
0.9907 -1.4708
-1.0261
0.1558
9.7462 -0.4783
0.1541 -8.1890
11.202
0.9715
0.4753 -1.7558
-0.1501
-0.2352
0.2775
3.3578
-0.3449
2.0655
1.1096
0.4771
-1.0389
2.7831 -3.5226
5.8241
1.1172
-0.2258
0.7112
2.8948 -9.1052
1.4086 -1.0949
12
-0.7322
0.0689
1.2473
10
1X9
1
BAS
2.1908
-1.4392
1.5537
3
0.6066
4
3.9332
5
-0.2759
6
-0.9928
7
0.3610
0.4068 0.4325
Tabla 10. Pesos entre la capa oculta y la capa de salida de la RNA estimada.
56
MES
VALOR
REAL
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
166.840
167.834
156.403
157.339
160.802
161.506
156.495
160.335
162.827
163.394
164.325
172.103
168.336
169.814
161.725
162.489
164.417
165.742
161.345
163.477
165.708
166.938
167.456
174.302
VALOR DE
PREDICCIN
169.628
167.782
169.813
156.571
154.584
159.369
161.391
162.340
159.397
162.304
163.855
166.029
172.349
169.769
172.656
161.664
160.478
164.378
165.980
166.568
163.258
165.799
167.684
170.041
NIVEL DE
ERROR
-2.788
0.052
-13.410
0.768
6.218
2.137
-4.896
-2.005
3.430
1.090
0.470
6.074
-4.013
0.045
-10.931
0.825
3.939
1.364
-4.635
-3.091
2.450
1.139
-0.228
4.261
57
AO 2009
RED NEURONAL
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
169,628
167,782
169,813
156,571
154,584
159,369
161,391
162,340
159,397
162,304
163,855
166,029
CONSUMO
REAL
166,840
167,834
156,403
157,339
160,802
161,506
156,495
160,335
162,827
163,394
164,325
172,103
Total
1,953,063.00
1,950,203.00
AO 2010
RED NEURONAL
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
172,349
169,769
172,656
161,664
160,478
164,378
165,980
166,568
163,258
165,799
167,684
170,041
CONSUMO
REAL
168,336
169,814
161,725
162,489
164,417
165,742
161,345
163,477
165,708
166,938
167,456
174,302
Total
2,000,624.00
1,991,749.00
58
Consumo (m3)
59
V. DISCUSIN
En este captulo se analizan y discuten los resultados de la aplicacin del
sistema desarrollado, en la Empresa EPSEL S.A. El anlisis estar enfocado a
evaluar los indicadores planteados en el captulo III. Estos indicadores son:
Costo.
AO
CONSUMO
REAL
PRNOSTICO DE
LA EMPRESA
PRONSTICO DE
LA RED
1991
1992
1281465.00
1308783.00
1881648.00
1906103.00
1270089.00
1305906.00
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
1343684.00
1367290.00
1358100.00
1375473.00
1383540.00
1424768.00
1409690.00
1450390.00
1476802.00
1559860.00
1637647.00
1663320.00
1930886.50
1955962.00
1981402.50
2007171.50
2033269.00
2059695.00
2086449.50
2113569.00
2141053.50
2168903.00
2197081.00
2225660.50
1331162.00
1363103.00
1379907.00
1375644.00
1392820.00
1409648.00
1442193.00
1448981.00
1481591.00
1536522.00
1628409.00
1676403.00
2005
2006
2007
2008
2009
1693177.00
1701288.00
1945255.00
1926613.00
1950203.00
2254605.00
2283914.50
2313589.00
2343665.00
2374142.50
1710208.00
1707034.00
1915147.00
1932021.00
1953063.00
60
2010
1991749.00
2404985.00
2000624.00
Consumo (m3)
Grfico 2. Consumo Real, Consumo Previsto por la Red y Consumo Previsto por la Empresa (M3).
61
AO
ERROR DE LA
EMPRESA
ERROR DE LA
RED
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
600183
597320
587203
588672
623303
631699
649729
634927
676760
663179
664252
609043
559434
562341
561428
582627
368334
417052
423940
413236
-11376
-2877
-12522
-4187
21807
171
9280
-15120
32503
-1409
4789
-23338
-9238
13083
17031
5746
-30108
5408
2860
8875
Total
11414658
11378
62
COSTO
COSTO
DESCRIPCION
UND
CANTIDAD UNITARIO
PRECIOS DE
MERCADO
1.0 Personal
Administrador (1)
mes
12.00
750.00
9000.00
Operarios (3)
mes
24.00
650.00
15600.00
2.0 Herramientas
Glb
1.00
3744.00
3744.00
Glb
1.00
11450.00
11450.00
HIPOCLORITO DE SODIO
Kg.
60.00
2.10
126.00
Cloro gas
Kg.
1451.00
4.50
6529.50
mes
12.00
886.20
10634.40
Energa elctrica
mes
12.00
4780.00
57360.00
Telfono
mes
12.00
120.00
1440.00
mes
12.00
1000.00
12000.00
4.0 Insumos
5.0 Limpieza y
mantenimiento
de equipos (2 equipos)
6.0 Servicios
7.0 Gastos de
comercializacin
COSTO TOTAL ANUAL
127,
127,883.90
2321856
0.06
Tabla 16. Costos Unitarios de Operacin y Mantenimiento para el Sistema de Agua Potable
63
EMPRESA
AO
RED
(S/. M3)
(S/. M3)
1991
2676317
0.06
147,406.99
1992
2711129
0.06
1993
2746351
1994
2782076
1995
AO
(S/. M3)
(S/. M3)
1991
1587611
0.06
87,442.93
149,324.37
1992
1632383
0.06
89,908.86
0.06
151,264.36
1993
1663953
0.06
91,647.68
0.06
153,232.00
1994
1703879
0.06
93,846.75
2818256
0.06
155,224.77
1995
1724884
0.06
95,003.67
1996
2854893
0.06
157,242.67
1996
1719555
0.06
94,710.17
1997
2891986
0.06
159,285.69
1997
1741025
0.06
95,892.70
1998
2929581
0.06
161,356.36
1998
1762060
0.06
97,051.27
1999
2967678
0.06
163,454.67
1999
1802741
0.06
99,291.93
2000
3006231
0.06
165,578.11
2000
1811226
0.06
99,759.27
2001
3644421
0.06
200,728.51
2001
1851989
0.06
102,004.40
2002
3835530
0.06
211,254.49
2002
1920653
0.06
105,786.28
2003
3842685
0.06
211,648.54
2003
2035511
0.06
112,112.50
2004
3855432
0.06
212,350.65
2004
2095504
0.06
115,416.79
2005
3876814
0.06
213,528.34
2005
2137760
0.06
117,744.19
2006
3936187
0.06
216,798.52
2006
2133793
0.06
117,525.67
2007
3968563
0.06
218,581.73
2007
2393934
0.06
131,853.81
2008
4018440
0.06
221,328.84
2008
2415026
0.06
133,015.55
2009
4020821
0.06
241,249.25
2009
2441329
0.06
134,464.24
2010
4031468
0.06
241,888.09
2010
2500780
0.06
137,738.72
TOTAL
3,752,726.95
TOTAL
2,152,217.36
Tabla 17. Proyeccin de los Costos de Operacin y Mantenimiento para el Sistema de Agua Potable
64
(S/.)
Grfico 3 . Proyeccin de los Costos de Operacin y Mantenimiento para el Sistema de Agua
Potable.
65
VI. PROPUESTA
Ya se ha destacado el papel predominante que tiene el consumo de agua
para la vida y la importancia que tiene el disponer de predicciones precisas
para la planificacin y gestin sostenible del agua. Por ello se propone que
la Empresa, sugiera el Sistema de la prediccin del agua utilizando la Red
Neuronal. A continuacin se describen las pantallas del sistema desarrollado
para el pronstico de agua a partir de la red neuronal que ya fue construida.
Pronstico a Futuro
66
67
Ao 2011
Prediccin de la
Red Neuronal
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
176,329
170,120
172,444
161,237
160,757
165,203
165,929
166,678
163,036
165,641
167,536
169,867
Total
2,004,777.00
Por lo tanto, el consumo global del agua previsto para el ao 2011, se estima
en 2, 004,777.0 m3.
68
VII. CONCLUSIONES
Mediante la aplicacin del software desarrollado en la presente tesis en la
empresa EPSEL S.A, durante el tiempo en que se han realizado las pruebas
se concluye que:
Mediante la aplicacin de tcnicas de Inteligencia Artificial como las Redes
Neuronales Artificiales con Arquitectura Perceptrn Multicapa es posible
predecir la cantidad demandada de agua potable a mediano plazo.
Se logr determinar que el error del modelo de prediccin de la cantidad
demandada de agua potable a mediano plazo aplicando Redes Neuronales
Artificiales es significativamente menor que el obtenido por la empresa.
En lo que respecta a los Costos de Operacin y Mantenimiento se
ahorrara S/. 1, 600,509.59 nuevos soles al emplear Redes Neuronales
Artificiales.
Las Redes Neuronales Artificiales poseen un valor como mtodo eficaz y
potencial de prediccin aplicable a funciones de planificacin en la alta
direccin para empresas del sector saneamiento.
La construccin de los modelos de la red para el pronstico demostr un
alto nivel de efectividad y una alta capacidad de adaptacin adecundose
al tipo de problema que se modelo. En general, los resultados obtenidos en
el entrenamiento y generalizacin alcanz un Error Cuadrticos Medio
muy bajo. Se demuestra un alto nivel de acierto para el pronstico.
69
70
71
IX. ANEXO
Anexo I. Cdigo Fuente de la Implementacin del Modelo de Redes Neuronales
Artificiales en MATLAB.
%{
Cdigo de Implementacin del Modelo de Pronstico de Consumo
de
Agua usando Redes Neuronales
%}
data = xlsread('D:\Yasmin\TESIS\prueba-demanda\prueba.xls');
dataEntren = con2seq(data);
dataEntren = dataEntren(1:228);
red = newfftd(dataEntren,dataEntren,(1:12),9);
red.trainParam.epochs = 300;
red.trainParam.goal = 0.5;
%Permite ver la salida en consola cada 25 epocas
red.trainParam.show = 25;
red.trainParam.showCommandLine = 1;
P = dataEntren(13:end);
T = dataEntren(13:end);
PP = dataEntren(1:12);
[red,tr] = train(red,P,T,PP);
%Permite graficar la eficiencia en el entrenamiento
plotperform(tr);
pronostico = sim(red,P,PP);
reales = cell2mat(P);
pronostico = cell2mat(pronostico);
error = reales - pronostico;
%Grfica de Regresin
pronostico = sim(red,P,PP);
plotregression(P(1,:),pronostico(1,:),'1');
72
Anexo II. Cdigo Fuente del Clculo de Nivel de Error del Modelo de Redes
Neuronales Artificiales.
%{
Cdigo Fuente del Clculo de Nivel de Error del Modelo de
Redes Neuronales
%}
73
Anexo III. Cdigo Fuente del Clculo del Pronstico a Futuro del Modelo de
Redes Neuronales Artificiales.
%{
Cdigo Fuente del Pronstico a Futuro del Modelo de
Redes Neuronales
%}
%Cargamos la data y la red neuronal ya entrenada
loadredagua.mat
data = xlsread('F:\Yasmin!!\TESIS\prueba-demanda\Futuro.xls');
dataEntren = con2seq(data);
P = dataEntren(1:12);
PP = dataEntren(1:12);
prediccion = sim(red,P,PP);
74