1
DEBER 1: Administración de SEP
28/03/2018
Abstract— El siguiente trabajo de investigación se realizó
con el propósito de conocer conceptos fundamentales dentro de
la administración de los sistemas eléctricos de potencia; es decir
se involucra la ingeniería, diseño, aplicaciones, utilización, en
alguna medida la operación y mantenimiento de sistemas
eléctricos de potencia para brindar un uso óptimo de la energía
eléctrica.
Índice de términos—demanda, energía.
I. TEMAS
1. ¿Cómo pronostico la demanda?
2. ¿Cuál es el costo de la energía no suministrada?
II. INTRODUCCIÓN
A continuación, pondremos a prueba nuestros
conocimientos, ya que la naturaleza actual de los sistemas
eléctricos de potencia es ser una extremadamente gran
estructura compleja que consiste de miles de elementos:
generadores, transformadores, líneas, cargas etc., cada uno
de los cuales tiene asociado elementos de medición, control,
etc. A futuro, la complejidad y las dimensiones de los
problemas asociados a los sistemas de potencia se
incrementarán.
 Modelo Potencial
III. MARCO TEÓRICO
a. ¿Cómo pronostico la demanda eléctrica?
Existen diferentes técnicas de predicción de sistemas,
las cuales se dividen en tres áreas: técnicas deductivas
matemáticas, técnicas estadísticas y técnicas mediante
inteligencia artificial. En la actualidad, en muchos
países del mundo utilizan diferentes métodos en relación
al pronóstico de demanda de energía, los más utilizados
son modelos ARIMA, ARMAX, Regresiones Lineales,
Promedios Móviles y se han realizado algunos estudios
con Redes Neuronales e Inteligencia Artificial.
 Modelo de promedios móviles:
Una de las principales características de este
modelo es que atenúa las fluctuaciones en los datos,
enfocando su cálculo a la tendencia de la curva.
Una media móvil utiliza un determinado número de
puntos de datos, establecidos por periodo, de los
cuales se hace un promedio y se utiliza el valor del
promedio de tendencia como punto de la línea de
media móvil, y a partir de ésta se comienza a
formar el comportamiento de la curva, dependiendo
de los k puntos de datos, hasta terminar el número
de datos de la muestra.
Para este modelo se define un periodo, lo que
significa que todos los datos están directamente
relacionados con los últimos datos anteriores.
La ecuación (1) describe el modelo utilizado para el
pronóstico de demanda horaria a corto plazo con el
modelo de promedios móviles
(1)
Donde:
Dt = pronóstico de demanda de energía para el
periodo t.
n = número de periodos incluidos en el promedio
de orden 2.
dt-1 = demanda del periodo t-i. [1]
El modelo potencial es ideal para el tipo de gráficas
que tienen un pequeño comportamiento curvo,
aproximando a través de rectas. Es pertinente
anunciar que este modelo hay que llevarlo a la
forma de una ecuación lineal (y= ax + b) con el fin
de usar el método de mínimos cuadrados para
encontrar su respectiva ecuación.
El modelo potencial utilizado para el pronóstico de
demanda horaria está dado por las expresiones:
(2) (3)
Si D = logy (eje vertical) y D = logx (eje horizontal)
se tiene que,
(4)
 2

Dónde: del día anterior, de la semana pasada, día de la

b = pendiente de la recta.
loga = coeficiente de posición de la recta.
D = pronóstico de demanda de energía.
X = curva de demanda tipificada.
 Modelo ARMAX (Autoregressive moving
average model with exogenous inputs model)
La notación del modelo está dada por ARMAX (p,
q, b) y se refiere a un modelo econométrico con p
términos autorregresivos, q términos de media
móvil y b términos de entrada exógena. Un modelo
ARMAX se compone de un modelo AR (p), un
modelo MA (q) y una combinación lineal de los
últimos términos de b (entrada exógena).
semana, estaciones días festivos). Una capa de
salida se compone de neuronas que proporcionan la
respuesta de la red neuronal (son valores de carga
del día a pronosticar, donde se obtienen valores
entre 1 y 0, los cuales se multiplicara por el valor
máximo de la base de datos inicial para obtener los
valores en unidades de MW originales). Una capa
oculta no tiene una conexión directa con el entorno,
es decir, no se conecta directamente ni a órganos
sensores ni a efectores, los cuales efectúan el
entrenamiento. Este tipo de capa oculta proporciona
grados de libertad a la red neuronal gracias a los
cuales es capaz de representar más fehacientemente
determinadas características del entorno que trata de
modelar (corrección de errores y entrenamiento).

Una vez entrenada la red, se compara los datos

(5) pronosticados con los datos reales, hallando el error
A pesar de tener mayores grados de libertad para relativo, se gráfica y tabula el histograma de
encontrar un modelo que represente a la proyección, errores. En la Fig. se observa la interfaz gráfica
no se puede estabilizar en un valor o de pronto su utilizada para el entrenamiento.
valor de estabilización es sumamente grande,
situación que en la vida real no sucede jamás.
En base a estas primicias, la estructura ARMAX
queda descartada en los estudios de proyección de
la energía eléctrica.

Los modelos de medias móviles son aquellos que

explican el valor de una determinada variable en un
periodo t, en función de un término independiente y
una sucesión de errores correspondientes a períodos
precedentes, ponderados convenientemente [2].

 Red Neuronal

Figura 2. Ejemplo de red neuronal

 ARIMA
Figura 1. Red neuronal
Se distinguen tres tipos de capas: de entrada, de
salida y ocultas. Una capa de entrada, también
denominada sensorial, está compuesta por neuronas
que reciben datos o señales procedentes del entorno
(Para los datos de carga se toman valores de carga
Box y Jenkins han desarrollado modelos
estadísticos para series temporales que tienen en
cuenta la dependencia existente entre los datos, esto
es, cada observación en un momento dado es
modelada en función de los valores anteriores. Los
modelos se conocen como ARIMA (p,d,q)
(Autoregresive Integrated Moving Average), que
deriva de sus tres componentes AR(Autoregresivo),
I (integrado), y MA (Medias Móviles). El modelo
 3

permite describir un valor como una función lineal relación al pronóstico de demanda de energía, los más
de los datos anteriores y errores, además de incluir utilizados son modelos ARIMA, ARMAX, Regresiones
un componente cíclico o estacional: Lineales, Promedios Móviles y se han realizado algunos
estudios con Redes Neuronales e Inteligencia Artificial.

V. REFERENCIAS
La primera componente es el modelo AR(p) y [1] A.L.Valencia, C.A. Lozano, CA. Moreno "Modelo de
representa una suma ponderada de observaciones promedios móviles para el pronóstico horario de potencia y
energía eléctrica", artículo de Maestría, Universidad
pasadas de la variable. El número de rezagos (p)
Autónoma de Occidente, Cali, Colombia, pp.2-11, diciembre
determina el orden del modelo autorregresivo. La 2007.
segunda componente corresponde a Medias [2] J. Murillo, A. Trejos y P. Carvajal, "Estudio del
Móviles, que se calcula como una suma ponderada pronóstico de la demanda de energía eléctrica, utilizando
de errores actuales y anteriores. El número de modelos de series de tiempo", artículo de Maestría,
rezagos del error considerados (q) determina el Universidad Tecnológica de Pereira, pp. 3-5, diciembre
orden del modelo de media móvil. 2004.
[3] Metaxiotis K., Kagiannas A., Askounis D., and Psarras
J., “Artificial intelligence in Short Term Electric Load
ARIMA muestra los modelos horarios de demanda Forecasting: a State of the Art Survey for the Researcher,”
de energía teniendo en cuenta que se construyó uno Energy Conversion and Management of Athens, Greece, vol.
para cada hora del día, por se muestran 24 modelos 44, no. 9, pp. 1525-1534, June 2003
diferentes con las respectivas pruebas que
corroboran su idoneidad. Estas pruebas son seis, de
las cuales tres son de tipo analítico y las otras tres
de tipo gráfico. Las analíticas son: la prueba de
iniciación del modelo, es decir, cuando desde el
programa asignamos los parámetros numéricos al
modelo ARIMA, determinamos la estacionalidad
cíclica o regular y se involucra o no una constante.
La segunda prueba es utilizar un estadístico
descriptivo entre la observación de la serie original
y el pronóstico que se genera con el modelo; este
descriptivo hace una comparación en función de los
valores mínimo y máximo de las series, la media de
éstas y su desviación típica. El tercer modelo
analítico es una prueba de normalidad del error de
la observación de la serie original, denominada
prueba de Kolmogorov-Smirnov de una muestra.
Las tres pruebas de tipo gráfico es un multigráfico
donde estará representada la observación de la serie
original, el pronóstico arrojado por el modelo y los
errores tanto por arriba como por abajo.

b. ¿Cuál es el costo de la energía no suministrada?

Para la valoración de la energía no suministrada se considera

un costo de 1.533 USD/MWh, de acuerdo con lo establecido
por el CONELEC.

IV. CONCLUSIONES

• Existen diferentes técnicas de predicción de sistemas, las

cuales se dividen en tres áreas: técnicas deductivas
matemáticas, técnicas estadísticas y técnicas mediante
inteligencia artificial. En la actualidad, en Colombia y en
muchos países del mundo utilizan diferentes métodos en