Optimización de la Infraestructura Eléctrica en Paracho de Verduzco mediante Algoritmos de Simulación de Grafos e Inteligencia Artificial
DOI:
https://doi.org/10.32870/recibe.v15i2.500Palabras clave:
Teoría de grafos, minería de grafos, código de desarrollo para machine learning, desarrollo de software y tecnología.Resumen
Ante la escalabilidad que contiene la inteligencia artificial, (IA), con el uso de grafos, es posible establecer los algoritmos que simulan y optimizan la base de datos, con la finalidad de obtener la óptima solución a un problema determinado. En este sentido la IA contiene códigos machine learning, (ML), capaces de aprender bajo ciertas condiciones y pronosticar a través de simulaciones. En este sentido, la simulación de un "Escenario de Estrés" (falla en el nodo Norte de la red electrica del municipio de Paracho) demuestra que el uso de IA permite redistribuir la carga de manera eficiente en menos de un segundo, reduciendo drásticamente las pérdidas económicas. El análisis de Centralidad identifica los nodos exactos que requieren inversión prioritaria, optimizando el presupuesto público de infraestructura. La implementación de este análisis no solo moderniza la red de luz, sino que posiciona al municipio como un referente de innovación tecnológica en la Meseta P´urépecha, vinculando la tradición artesanal y de laudería, con la eficiencia energética de vanguardia.Citas
Bastian, M., Heymann, S., & Jacomy, M. (2009). Gephi: An open source software for exploring and manipulating networks. Proceedings of the International AAAI Conference on Web and Social Media, 3(1), 361–362. https://doi.org/10.1609/icwsm.v3i1.13937
Bratanič, T. (2024). Graph algorithms for data science: With examples in Neo4j. Manning Publications. https://www.manning.com/books/graph-algorithms-for-data-science
Comisión Federal de Electricidad. (s. f.). Generación distribuida: Mapa de capacidad de alojamiento. Recuperado el 7 de septiembre de 2026, de https://app.cfe.mx/Aplicaciones/GeneracionDistribuida/GeneracionDistribuida/MapaCapacidadAlojamiento
Even, S., & Even, G. (2012). Graph algorithms (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9781139015165
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems (2nd ed.). O’Reilly Media. https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/
Google. (2026b). Google Colab [Entorno de notebook interactivo]. Recuperado el 7 de septiembre de 2026, de https://colab.research.google.com
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann. https://doi.org/10.1016/C2009-0-61819-5
Harrington, P. (2012). Machine learning in action. Manning Publications. https://www.manning.com/books/machine-learning-in-action
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill Education.
Hilera González, J. R., & Martínez Hernando, V. J. (1995). Redes neuronales artificiales: Fundamentos, modelos y aplicaciones. RA-MA.
Instituto Nacional de Estadística y Geografía. (2010). Compendio de información geográfica municipal 2010: Paracho, Michoacán de Ocampo. https://www.inegi.org.mx/contenidos/app/mexicocifras/datos_geograficos/16/16065.pdf
Iqbal, M. A. (2010). Graph theory and algorithms. Central University of Punjab.
Russell, S. J., & Norvig, P. (2004). Inteligencia artificial: Un enfoque moderno (2.ª ed.). Pearson Educación.
Voloshin, V. I. (2009). Introduction to graph theory. Nova Science Publishers.
Witten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: Practical machine learning tools and techniques (3rd ed.). Morgan Kaufmann. https://doi.org/10.1016/C2009-0-19715-5
