Detección de
picos de potencia en el consumo eléctrico residencial mediante análisis de
datos
Detection of power peaks in residential electricity
consumption through data analysis
Artículo resultado de proyecto de investigación financiado por
la Universidad Técnica Estatal de Quevedo
http://centrosuragraria.com/index.php/revista Publicada por: Instituto Edwards Deming Quito - Ecuador Octubre - Diciembre vol. 1. Num. 7 2020 Pag. 146 -162 Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0
Internacional. https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es RECIBIDO: 14
DE DICIEMBRE 2019 ACEPTADO: 29 DE JUNIO 2020 PUBLICADO: 4 DE OCTUBRE 2020
Angel Iván Torres
Quijije
Docente. Universidad Técnica
Estatal de Quevedo. Quevedo, Ecuador
https://orcid.org/0000-0002-7037-7191
Juan Carlos Pisco
Vanegas
Docente. Universidad Técnica
Estatal de Quevedo. Quevedo, Ecuador
https://orcid.org/0000-0002-9624-7993
Eduardo Amable
Samaniego Mena
Docente. Universidad Técnica
Estatal de Quevedo. Quevedo, Ecuador
https://orcid.org/ 0000-0002-6196-2014
RESUMEN
El presente trabajo estudia el consumo de energía eléctrica por ser
indispensable en el diario vivir de personas, electricidad permite desarrollar
actividad laboral, producción industrial, en funcionalidades de
electrodomésticos y dispositivos electrónicos; se planteó objetivo: Modelar el
consumo energético residencial a través del análisis de datos, identificando
patrones; los datos para análisis fueron obtenidos de una base de conocimientos
con descripción de variables, los mismos que fueron adquiridos de dispositivos
fabricados con Raspberry PI, y sensores de corriente no invasivos. Se ha
considerado importante emplear investigación explotaría y descriptiva con
técnicas de recopilación de datos: observación y experimental, lograron
determinar resultados predictivos. Mediante la utilización del software Tableau
se pudo fijar los parámetros necesarios para comprender con exactitud el
comportamiento de la gráfica de un sistema dinámico de tiempo discreto, cuya
variable de salida está determinada por consumo energético, los parámetros
adquiridos de Tableau permitieron una estimación a futuro del consumo
energético residencial de alguna residencia específica, encontrando el modelo
con mejor adaptación a la predicción al método de regresión lineal, por el
comportamiento de su curva, también se logró cuantificar los determinantes del
consumo energético residencial en los hogares según sus características
socioeconómico, equipamiento y localización con el fin de conocer la curva de
consumo energético, la representación de patrones del consumo residencial se
realizó con uso de Tableau.
Palabras clave: Internet de las cosas; eficiencia energética;
telemetría; supervisión.
ABSTRACT
The present work studies the consumption of electrical
energy as it is essential in people's daily lives, electricity allows the
development of work activities, industrial production, in the functionalities
of household appliances and electronic devices; The objective was set: Model
residential energy consumption through data analysis, identifying patterns; The
data for analysis were obtained from a knowledge base with description of
variables, the same that were acquired from devices made with Raspberry PI, and
non-invasive current sensors. It has been considered important to use
exploitative and descriptive research with data collection techniques:
observation and experimental, they managed to determine predictive results.
Using the Tableau software, it was possible to set the parameters to accurately
understand the behavior of the graph of a dynamic discrete time system, whose
output variable is determined by energy consumption, the parameters acquired
from Tableau allowed a future estimate of energy residence of a specific
residence, finding the model with the best consumption of adaptation to the
prediction to the linear regression method, due to the behavior of its curve,
it was also possible to quantify the determinants of residential energy
consumption in households according to their socioeconomic characteristics,
equipment and location In order to know the energy consumption curve, the
representation of residential consumption patterns was carried out with the use
of Tableau.
Keywords: Internet
of Things; energy efficiency; telemetry; supervision.
INTRODUCCIÓN
El consumo de
energía eléctrica es indispensable en el diario vivir de las personas, ya que
gracias a la electricidad el ser humano puede desarrollar su actividad laboral,
y debido a esto es posible tener una producción industrial, disfrutar de
edificios funcionales y disfrutar de las funciones de todos los
electrodomésticos y dispositivos electrónicos que nos rodean.
El consumo
energético residencial (kWh) se obtiene a través del contador o medidor de la
luz, que utiliza la potencia contratada de electricidad y el tiempo de
funcionamiento de la iluminación o aparatos eléctricos, es decir el consumo
energético residencial depende de la demanda energética del mismo. Este consumo
queda reflejado en las facturas mensuales de nuestro hogar.
El presente
trabajo investigativo tendrá como fin encontrar un algoritmo que sea capaz de
deducir la relación o interacción que se presenten en los datos o patrones
sobre los consumos energéticos residenciales de la ciudad de Quevedo, obtenidos
por dispositivos IoT, implementados en Rspberry PI y contrastados con los datos
de facturación emitidos por la Empresa Eléctrica Pública Estratégica Corporación
Nacional de Electricidad (CNEL EP).
Por medio de
los datos obtenidos del dispositivo, obteniendo lecturas de los diferentes
circuitos instalados en la residencia para proceder a realizar el respectivo
análisis de patrones, el cual aportará información sobre las distintas
variables que se presentaran en el consumo energético residencial de la ciudad
de Quevedo.
Tomando como
referencia los análisis de patrones que se realizaron de los datos sobre el
consumo energético residencial de la ciudad de Quevedo, se realizará un modelo
matemático que será fundamental para la explicación y comprensión de las
interacciones entre las variables que se presenten en el consumo
energético.
En el
presente proyecto está destinado con la finalidad de comprender el
comportamiento en el consumo energético de una muestra de datos que fueron captados
con dispositivos de monitoreo de consumo eléctrico elaborado con Raspberry PI y
sensores de corriente no invasivos en cada uno de los circuitos de un hogar promedio
de la ciudad de Quevedo, con el fin de conocer la demanda que se genera día a
día, mediante una curva de consumo, por ende, estos datos fueron medidos cada
30 minutos para tener mayor exactitud y registrar datos más veraces y
contrastados con el consumo mensual que proporciona CNEL a través de la factura
emitida.
Actualmente
se tienen datos que fueron proporcionados por el dispositivo IoT como lo indica
la figura número uno, los cuales se necesita conocer el comportamiento que
presentan de acuerdo si hay una creciente o decreciente en el consumo
energético residencial y para ello revisar dato por dato es tedioso por lo cual
es necesario tener un algoritmo o modelado que me permita saber cómo se
comporta la demanda. Se utilizó el software Tableau para diseñar un algoritmo
que permita conocer la curva de potencia con respecto al tiempo y observa su
creciente o decreciente dependiendo del consumo diario que se presentan en los
datos brindados.
Fig. 1: Dispositivo
IoT
Es muy
importante tener en cuenta cómo se comporta la demanda mediante una curva de
consumo energético, lo cual beneficia a las empresas distribuidoras para el
análisis en el consumo residencial de acuerdo a un determinado periodo y de
esta manera tener proyecciones de la posible demanda futura que se presentara
en dicha empresa de distribución.
El consumo
eléctrico (kWh) se obtiene a través del contador de la luz, que utiliza la
potencia contratada de electricidad y el tiempo de funcionamiento de la
iluminación o aparatos eléctricos. Este consumo queda reflejado en las facturas
mensuales de nuestro hogar.
Si quieres
calcular el consumo eléctrico en tu hogar y compararlo con el de la factura, lo
primero que tienes que hacer es identificar todos los equipos que consumen
electricidad y los focos de iluminación. Para estimar el consumo de un aparato
eléctrico o bombilla bastaría con conocer su potencia (W) y multiplicarla por
el número de horas que se usa (h).
El carácter
empírico o teórico constituye la característica fundamental de un modelo. Un
modelo teórico se basa en las leyes físicas que rigen los procesos, un modelo
empírico se basa en relaciones estadísticamente significativas entre variables
que en rigor sólo son válidas para el contexto espacio-temporal en el que se
calibraron.
Los primeros
incluyen generadores de procesos aleatorios dentro del modelo que modifican
ligeramente algunas de las variables. De esta manera, para un mismo conjunto de
datos de entrada, las salidas no serían siempre las mismas. Por el contrario,
un modelo determinista es aquel en el que dado un conjunto de parámetros y variables
de entrada va a producir siempre el mismo conjunto de variables de salida.
Se refiere a
la forma en que se trata el tiempo. Los modelos estáticos dan un resultado
agregado para todo el período de tiempo considerado. Los modelos dinámicos
devuelven las series temporales de las variables consideradas a lo largo del
período de estudio.
En el primer
caso toda el área de estudio se considera de forma conjunta, por ejemplo, una
cuenca hidrográfica. Se tiene un único valor para todos los parámetros del
modelo. El modelo predice unas salidas para las entradas aportadas sin informar
de lo que ocurre dentro del sistema. En un modelo distribuido, tendremos el
área de estudio dividida en porciones cada una de ellas con su propio conjunto
de parámetros y sus propias variables de estado. Cada porción recibe un flujo
de materia y energía de algunas de sus vecinas que a su vez reemite a otras. Si
se opta por un modelo distribuido es necesario establecer un modelo de datos
espaciales que permita asignar valores de los parámetros y las variables de
estado a los diferentes puntos del área de estudio.
Es un
procedimiento de análisis numérico en la que, dados un conjunto de datos (pares
ordenados y familia de funciones), se intenta determinar la función continua
que mejor se aproxime a los datos (línea de regresión o la línea de mejor
ajuste), proporcionando una demostración visual de la relación entre los puntos
de los mismos. En su forma más simple, busca minimizar la suma de cuadrados de
las diferencias ordenadas (llamadas residuos) entre los puntos generados por la
función y los correspondientes datos.
Este método
se utiliza comúnmente para analizar una serie de datos que se obtengan de algún
estudio, con el fin de expresar su comportamiento de manera lineal y así
minimizar los errores de la data tomada
Su expresión
general se basa en la ecuación de una recta y = mx + b. Donde m es la pendiente
y b el punto de corte, y vienen expresadas de la siguiente manera:
Σ Es el
símbolo sumatorio de todos los términos, mientas (x, y) son los datos en
estudio y n la cantidad de datos que existen.
Teniendo una
serie de datos (x, y), mostrados en un gráfico o gráfica, si al conectar punto
a punto no se describe una recta, debemos aplicar el método de mínimos
cuadrados, basándonos en su expresión general:
Cuando se
haga uso del método de mínimos cuadrados se debe buscar una línea de mejor
ajuste que explique la posible relación entre una variable independiente y una
variable dependiente. En el análisis de regresión, las variables dependientes
se designan en el eje y vertical y las variables independientes se designan en
el eje x horizontal. Estas designaciones formarán la ecuación para la línea de
mejor ajuste, que se determina a partir del método de mínimos cuadrados.
Un modelo de
Programación Lineal (PNL) es aquel donde las variables de decisión se expresan
como funciones no lineales ya sea en la función objetivo y/o restricciones de
un modelo de optimización. Esta característica particular de los modelos no
lineales permite abordar problemas donde existen economías o deseconomías de
escala o en general donde los supuestos asociados a la proporcionalidad no se
cumplen.
Fig 1: Grafica del
gradient eFuente: iartificial.net, 2019
Los pasos
asociados a la utilización del método del gradiente o descenso más pronunciado
consisten en:
Sistema que describe
todo el recorrido en la evolución del tiempo de todos los puntos de un espacio
determinado.
Al precisar
el concepto de sistemas dinámicos, se podría decir que se trata del estudio de
sistemas deterministas, es decir, se consideran situaciones que dependan de
algún parámetro dado, que frecuentemente sea el tiempo, y que varían de acuerdo
a leyes establecidas. De manera que el conocimiento de la situación en un
momento dado, permite reconstruir el pasado y predecir el futuro.
Un sistema
dinámico es un modo de describir el recorrido a lo largo del tiempo de todos
los puntos de un espacio dado. El espacio puede imaginarse, por ejemplo, como
el espacio de estados de cierto sistema físico.
Los sistemas
dinámicos son modelos matemáticos de sistemas que varían a lo largo del tiempo.
Se describen mediante una serie de variables (cuyo valor en un instante
determina el estado del sistema), y un conjunto determinista de reglas que
establecen cómo será el siguiente estado futuro a partir del actual (por
ejemplo, mediante un sistema de ecuaciones diferenciales de las variables que describen
el sistema dinámico). Se utiliza software de simulación para simular el
comportamiento de sistemas representados por modelos matemáticos. La evolución
en el tiempo de un sistema dinámico se simula calculando los valores de los
estados del sistema dinámico en cada paso de la simulación mediante la
utilización de algoritmos de resolución numéricos basados en tiempo o en
eventos. El software de simulación normalmente incluye herramientas de
visualización para examinar la evolución de los estados del sistema dinámico
durante la ejecución de la simulación.
Un patrón de
medición es una representación física de una medición. Una unidad
se realiza con referencia a un patrón físico arbitrario o un fenómeno
natural que incluyen constantes físicas y atómicas. Además de
unidades fundamentales y derivadas de medición, hay tipos de patrones
de medición, clasificados por su función en las siguientes categorías.
Patrones
Internacionales
Se definen
por acuerdos internacionales. Representan ciertas unidades de medida con
la mayor exactitud que permite la tecnología de producción y medición.
Los patrones primarios
representan unidades fundamentales y algunas de las unidades mecánicas y
eléctricas derivadas, se calibran independientemente por medio de
mediciones absolutas en cada uno de los laboratorios nacionales.
Los patrones
secundarios son los patrones básicos de referencia que se usan en los
laboratorios industriales de medición. Estos patrones se conservan en la
industria particular interesada y se verifican local mente con otros patrones
de referencia en el área. La responsabilidad del mantenimiento
y calibración de los patrones secundarios depende del laboratorio
industrial.
Los patrones
de trabajo son las herramientas principales en un laboratorio de
mediciones. Se utilizan para verificar y calibrar la exactitud
y comportamiento de las mediciones efectuadas en las aplicaciones
industriales.
La medición es
un proceso básico de la ciencia que consiste en comparar un patrón
seleccionado con el objeto o fenómeno cuya magnitud física se desea
medir para ver cuántas veces el patrón está contenido en esa magnitud.
Una serie de
tiempo es una secuencia de observaciones sobre intervalos de tiempo separados
de manera regular. Por ejemplo:
Las tasas
mensuales de desempleo durante los cinco años previos
La producción
diaria en una planta de manufactura durante un mes
La población
década por década de un estado en el siglo anterior
Es una
herramienta desarrollado por la empresa estadounidense Tableau Software, la
cual desarrolla distintas aplicaciones para la visualización interactiva de
datos basados en el análisis, visualización de datos y la inteligencia del
negocio. Además tiene la posibilidad de crear una base de datos propia y ser
almacenada en la nube.
En Tableau
Desktop, es muy fácil poder conectarse a diferentes bases de datos
propias. Además, provee una conectividad
con los servers más utilizados para alojar las bases dedatos, como son Oracle,
Sql Server, MySql, Google Cloud Sql, PostgreSQL, entre otras.
Fig 2: Tableau Fuente:
http://www.exa.unicen.edu ar, 2019
La regresión
polinomial es un tipo de regresión lineal que se utiliza cuando los datos se
ajustan mejor a una curva que a una línea recta. Teniendo un polinomio:
Se identifica
el grado de la función.
Buscamos las
derivadas de cada uno de los coeficientes del polinomio. (utiliza ecuaciones de
segundo grado).
Hacer una
tabla de sumatorias.
Igualamos las
derivadas a 0 para hacer un sistema de ecuaciones.
Resolvemos el
sistema de ecuaciones con un Método numérico (en este caso,).
Hallar el
error standard (Sr), coeficiente de determinación (r^2) y coeficiente de
correlación (r) con:
MATERIALES Y MÉTODOS
Para
el modelado del consumo energético residencial en la ciudad de Quevedo en
primer lugar se sustrajo datos adquiridos por dispositivos IoT diseñadas en
raspberry PI, por el proyecto de “El internet de las cosas como alternativa
para la gestión del consumo energético en instalaciones eléctricas
residenciales” aprobado en la sexta convocatoria del Fondo Competitivo FOCICYT[1]
de la UTEQ[2]
con el fin de obtener datos reales de las demandas.
Ya
que los datos son excesivos se procede a separar por días de la semana con la
finalidad de obtener un valor promedio de cada día, como también sus
respectivas curvas de demandas.
Una
vez hallado sus valores promedios en Excel, se hace el uso del software Tableau
para obtener los datos de predicciones siguiendo los respectivos pasos:
En
primer lugar, se procede a importar los datos promedios en el comando Excel
Reader (XLS) para su respectiva lectura.
Luego se hace el uso del filtrado, con el fin de solo dejar pasar los
datos promedios del día que se va a predecir.
Seguidamente
se proporciona un 60% de los datos, para su aprendizaje.
Usando
regresión lineal se puede observar los resultados predictivos en tabla, para después
mostrar la curva del modelo que se predijo.
Fig. 5: Diagrama
de flujo de la Metodología
RESULTADOS
Los
resultados obtenidos de un modelo en el software Tableu para la predicción, el cual
nos permita predecir el comportamiento de la demanda con respecto al tiempo,
fue demostrada mediante la base de datos que se obtuvo, era imposible modelar
algún sistema matemático analíticamente por lo cual se utilizó el software
antes mencionado que permitió trabajar de manera fácil y ajustar la curva de
los datos reales con una curva predictora que se ajustaría a lo real, o más
exacto posible, hasta obtener el modelo de regresión lineal. Obteniendo en las figuras.
6, 7, 8,9, 10, 11, 12, 13, 14, 15 se presentan las demandas promedias de cada
día de la semana que fueron obtenidas a través de 2688 datos captados por los
sensores de corrientes y almacenados en las Raspberry PI mediante Grafana, que
es una herramienta de software libre para la visualización de datos temporales
y almacenados en la memoria del dispositivo IoT.
Fig. 6: Consumo de
cada circuito instalado por consumo diario
Fig. 7: Consumo de
cada circuito instalado por lectura diaria
Fig. 8: Consumo de
cada circuito instalado por consumo mensual
Fig. 9: Consumo de
cada circuito instalado por consumo por hora, día y mes
Fig. 10: Regresión
Lineal de cada circuito instalado por consumo por hora
Fig. 11: resumen
modelo lineal del consumo kwh de los sensores por hora
Fig.12: Regresión
Lineal de cada circuito instalado por consumo por día
Fig. 13: resumen
modelo lineal del consumo kwh de los sensores por día
Fig.14: Regresión
Lineal de cada circuito instalado por consumo por mes
Fig. 15: resumen
modelo lineal del consumo kwh de los sensores por mes
En la
presente sección se analiza los resultados obtenidos y métodos aplicados, con
respecto a los resultados, y métodos de investigaciones realizadas por otros
autores, y analizando el valor p: asignado al concepto de significación:
Si valor p
< 0,05 resultados se interpretan como significativos: es positivo
Valor p >
0,05 (0 a 1 ) estaría sujeta a la probabilidad no a los factores del modelo.
En los que
podemos citar los siguientes trabajos de investigación:
Modelo de
Predicción de la Demanda Eléctrica Horaria a Muy Corto Plazo. Por el autor:
David Fernández Jiménez.
Modelación
Predictiva, Simulación y Minimización de la Variable Específico de Generación
Energética de Central Santa Fe. Por el autor: Gonzalo Ricardo Escobar Marchant.
Se puede
observar que el concepto de significancia del modelo de regresión lineal
presenta valores mayores a 0,05, lo que indicaría que está sujeta a
probabilidades de uso de los de equipos eléctricos instalados en residencias de
la ciudad de Quevedo, implicando que se debe considerar otras variables para
poder obtener un modelo que aproxime la curva de consumo como presión,
temperatura, entre otras variables el modelo no este estar sujeta a datos
probabilísticos.
CONCLUSIONES
Mediante los
datos proporcionados por Los dispositivos electrónicos construidos a partir de
reaspberri Pi, se procedió a realizar la predicción en el modelo matemático
acorde al consumo energético diario por consumidor. El modelo que se adaptó
mejor a la predicción fue el método de regresión lineal por el comportamiento
de su curva.
En el método
de regresión lineal, pero está sujeta a eventos estocásticos dad de adaptación
a la curva predictora a la real, como también por la inestabilidad de las
demandas. Para este modelo se optó por el uso del software Tableau, debido a
que es un software que nos ofrece un modo de predecir, a través de un modelo
realizado en él, gracias a la ayuda de este programa se logró obtener los
valores de predicciones que se observaron en los resultados.
REFERENCIAS
[Maurizio
Armando. (2018). “Tutorial sensor de corriente AC no invasivo SCT-013.
Obtenido de
https://naylampmechatronics.com/blog/51_tutorial-sensor-de-corriente-ac-no-invasivo-s.html
Alvaro. (30 de
Agosto de 2016). Twenergy. Recuperado el 02 de Julio de 2019, de
https://twenergy.com/a/el-consumo-energetico-en-nuestros-hogares-2313
Bosque Perez, G.,
& Fernandez Rodriguez, P. (2015). Principios de diseño de sistemas
digitales. Universidad del País Vasco.
C. Con and S. U. Contador.
(2015). Tarifa eléctrica por horario de uso,. 4.
Cabello, D. (4 de
Mayo de 2017). WordPress. Recuperado el 31 de Agosto de 2019, de
https://metodonumericos2017.wordpress.com/2017/05/04/regresion-polinomial/
CHOLLOX. (26 de
julio de 2019). Raspberry Pi 3, la revolución en el mundo de las placas
–https://chollox.com/raspberry-pi-3/. [Accessed: 26-Jul-2019]. . Obtenido
de https://chollox.com/raspberry-pi-3/
CNEL. (13 de 02 de
2019). CNEL EP expone tarifa residencial y tips de consumo eléctrico.
Obtenido de
https://www.cnelep.gob.ec/2019/02/cnel-ep-expone-tarifa-residencial-y-tips-de-consumo-electrico/
Collantes, C. J.
(2019). Tableau para la Inteligencia de Negocios del Área de Análisis de
Información TI. LIMA: UNIVERSIDAD PERUANA LOS ANDES. Recuperado el 11 de
Agosto de 2019, de
http://www.exa.unicen.edu.ar/catedras/dmining/clases/PresentacionKNime.pdf
Contreras, L.
(2013). RASPBERRY PI – Historia de la Informática,” Musei informatico.
EcuRed. (17 de
Abril de 2012). EcuRed. Recuperado el 07 de Julio de 2019, de
https://www.ecured.cu/Sistema_din%C3%A1mico
España, R. E.
(1998). “Proyecto INDEL - Atlas de la Demanda Electrica española,” p. 163.
Madrid: Red Eléctrica de España S, A,.
Hacia una ciudad
sostenible! . (2017). Revista digital, Tiempo de Sostenibilidad, 70.
Instituto de
Tecnologias Educativas . (s.f.). Recuperado el 03 de Julio de 2019, de
https://fjferrer.webs.ull.es/Apuntes3/Leccion01/13_tipos_de_modelos_matemticos.html
Instituto Sindical
de Trabajo Ambiente y Salud, I. (2011). Problema ambiental del consumo de
energía. Obtenido de vol. 35, pág. 54:
https://istas.net/istas/guias-interactivas/ahorro-y-eficiencia-energetica/problema-ambiental-del-consumo-de-energia
Investigacion de
Operaciones. (s.f.). Recuperado el 06 de Julio de 2019, de
http://www.investigaciondeoperaciones.net/metodo_del_gradiente.html
Jimenez, D. F.
(Junio de 2016). UPM. Recuperado el 25 de Agosto de 2019, de
http://oa.upm.es/42869/1/TFG_DAVID_FERNANDEZ_JIMENEZ.pdf
Marchant, G. R.
(Enero de 2015). UDEC. Recuperado el 25 de Agosto de 2019, de
http://repositorio.udec.cl/bitstream/handle/11594/1891/Tesis_Modelacion_Predictiva_Simulacion_y_Minimizacion.Image.Marked.pdf?sequence=1&isAllowed=y
MathWorks. (s.f.). MathWorks.
Recuperado el 07 de Julio de 2019, de
https://es.mathworks.com/discovery/dynamic-systems.html
Mecafenix, F. (08
de febrero de 2019). Como calcular el consumo eléctrico de tus aparatos.
Obtenido de Ingeniería Mecafenix: https://www.ingmecafenix.com/otros/calcular-el-consumo-electrico/
Minitab18. (s.f.). Minitab.
Recuperado el 07 de Julio de 2019, de
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-statistics/time-series/supporting-topics/basics/what-is-a-time-series/
Miprofe.com. (s.f.).
Recuperado el 06 de Julio de 2019, de https://miprofe.com/minimos-cuadrados/
Miyara, F. (2004). CONVERSORES
D/A Y A/D (segunda ed., Vol. I). Rosario, Argentina: Universidad Nacional
de Rosario.
Prat, J. (2015). Federación
Española de Comerciantes de Electrodomésticos. Obtenido de Especial
Electrodomésticos de Expansión:
http://fece.org/blog/2016/07/05/fece-colabora-con-el-especial-electrodomesticos-de-expansion/
Real, I. G. (5 de
Diciembre de 2018). garciareal.com. Recuperado el 31 de Agosto de
2019, de
http://www.garciareal.com/2018/12/05/knime-la-herramienta-para-bigdata-para-novatos/
Ruesca, P. (28 de
junio de 2019). Radiocomunicaciones, Radio & Engineering Company S.L.
Obtenido de http://www.radiocomunicaciones.net/radio/telemetria/
Santos Gonzalez, M.
(2014). Diseño de redes telemáticas. España: RA.MA.
Sosa Medina, K.
(1993). Diseño y Construcción de un Medidor Digital de Energía Trifásico.
Quito: Quito : EPN, 1993.
Wordpress. (s.f.). wordpress.
Recuperado el 07 de Julio de 2019, de
https://lkquesadaf.wordpress.com/primer-corte/patrones-de-medicion/
