Professional Documents
Culture Documents
jonathan.naranjo@epn.edu.ec
ARIMA
Los modelos ARIMA son la integración de dos tipos de modelos, los auto regresivos y los de
media móvil (ARIMA es la sigla en inglés “Auto Regressive Integrated Moving Average),
desarrollado por Box-Jenkins, los cuales se basan en el tratamiento de la correlación de la serie.
Cabe destacar que, para la utilización de este tipo de modelos, se requiere que la serie de tiempo
sea estacionaria (que no tenga una tendencia de crecimiento, por ejemplo) y que satisfaga
homocedasticidad (varianza relativamente constante en el tiempo). Si bien estas condiciones
parecen sesgar bastante al universo de series de tiempo ante el cual se pueden aplicar estos
métodos, este hecho se resuelve aplicando el modelo ARIMA a una transformación de la serie,
por ejemplo, la diferencia entre periodos, o simplemente una transformación logarítmica.
En este caso, los modelos AR tratan de describir el valor futuro de la serie en base a sus
observaciones anteriores más un error.
MULTIVARIABLES
Regresión
Esto es:
Donde:
El punto principal de éste método, y causante de la diversificación del mismo, está en la función
de regresión, dado que ésta es la que describe la relación entre las variables
explicativas y la dependiente.
Una vez que se tiene la función de regresión, y los valores de las variables explicativas a futuro,
el pronóstico está listo para realizarse. Sin embargo, la función de regresión “perfecta” no existe
(o es muy difícil de encontrar) por lo cual la utilización de esta metodología se basa en proponer
una función de regresión que además está acompañada de un error, llegando de esta forma a la
siguiente relación:
Dónde el nuevo término "ἐ" es un error que acompaña a la función de regresión y que flexibiliza
el hecho de que la función exprese la totalidad de la varianza de los valores de la variable de
interés.
Tomando esto en cuenta, el método se enfoca en proponer una función de regresión que minimice
el error a través de los datos que se tienen disponibles, tanto de la variable objetivo como de las
variables explicativas.
La forma más clásica de regresión es la regresión lineal, donde la relación entre la variable
dependiente y las explicativas queda descrita de la siguiente forma:
Donde:
Cuando este tipo de ecuación es propuesta, los coeficientes de regresión son estimados mediante
la metodología de Mínimos Cuadrados Ordinarios (MCO) y pasan a ser el factor principal a
estimar para realizar el pronóstico.
[1]
INTELIGENCIA ARTIFICIAL
Estos modelos poseen la habilidad de mejorar la precisión, ya que considera que la demanda es
una función no lineal. La ventaja es que no requiere ninguna formulación compleja o correlación
cualitativa.
Sistemas Expertos
Acota un grupo de variables de entrada en una salida usando instrucciones lógicas (if –then). Sus
reglas son obtenidas de los datos históricos usando un algoritmo de aprendizaje
Son modelos no lineales eficientes que tienen la capacidad de aprender, identificar y aproximar.
Entre las principales tenemos:
-Peceptron multicapa.
-Red de elementos lineales adaptativos (Madaline).
-Redes Feedforward.
-Redes Feedforward con retardos temporales (TLFN).
-Redes recurrentes (Jordan).
En el Estado del Arte se utilizan los modelos econométricos como métodos de referencia para
validar cualquier nuevo modelo de pronóstico y analizar la performance de la metodología FIR.
[2]
Cuando se hace una revisión del sistema desde una base total, generalmente el sistema muestra
un crecimiento de potencia continuo y también un crecimiento casi lineal de la carga máxima
anual. Si se tiene condiciones económicas estables y hechas las regulaciones convenientes desde
el punto de vista climático, la carga en la región simplemente seguirá creciendo con una tendencia
continua.
Casi cada área pequeña dentro de un sistema de potencia grande tiene una historia del crecimiento
de la carga similar a ésa mostrada en el cuadro por una razón muy simple: el terreno siempre
tiende a ocuparse.
La curva de crecimiento "s" tiene tres fases distintas o períodos, donde se identifica la historia del
micro área durante las diversas fases del crecimiento:
•Inactivo:
El tiempo antes del crecimiento, período durante el cual no existe ningún crecimiento de la carga.
La micro área., no tiene ninguna carga y no experimenta ningún crecimiento: el crecimiento no
ha llegado todavía.
•Saturación
La micro área tiende a saturarse. El crecimiento puede continuar, pero en un nivel muy bajo
comparado a ése durante la rampa del crecimiento
La combinación de las rampas de crecimiento de los miles de micro áreas que conforman un gran
territorio., que puede ser parte de una ciudad, una ciudad entera e incluso una provincia
proporciona la tendencia de crecimiento del área total. Haciendo una revisión de las tendencias
de crecimiento de los cientos de áreas que conforman un sistema y las curvas de carga de las
mismas se observa una continuidad en las tendencias de crecimiento de las mismas áreas de año
con año.
La tendencia de crecimiento continuo año con año para el sistema entero, se debe a la diversidad
de tipos de cargas de los diferentes tipos de consumidores, cuando crece la carga en las áreas.
Cualquier área que no crece en un período de tiempo, se ve contrarrestada porque nuevas áreas
en crecimiento se están agregando constantemente a una ciudad o a una región, para en conjunto,
observar el crecimiento continuo. La evidencia del crecimiento histórico de la carga de la curva
de "S" existe en cada ciudad.
La rampa de crecimiento que ocurre en un período de tiempo corto, se debe a los nuevos
consumidores en el área. El crecimiento lento, constante que sucede después puede deberse al
aumento del ingreso per cápita de los consumidores en el área. En algunos casos, la tendencia
lenta y constante es una reducción en un cierto plazo, debido a mejorar la eficacia de la aplicación.
[3]
Referencias:
[1] http://repositorio.uchile.cl/bitstream/handle/2250/137859/Pronostico-de-demanda-de-
energia-y-potencia-electrica-en-el-largo-plazo-para-la-red.pdf?sequence=1&isAllowed=y
[2] http://bibdigital.epn.edu.ec/bitstream/15000/464/1/CD-0836.pdf
[3] http://bibdigital.epn.edu.ec/bitstream/15000/5128/4/T1572.pdf