MÉTODOS DE PRONÓSTICO DE LA DEMANDA ELÉCTRICA Y

UTILIZACIÓN DE LA CURVA S PARA PRONÓSTICO DE LA

DEMANDA ELÉCTRICA

ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

DISTRIBUCIÓN DE LA ENERGÍA ELÉCTRICA (GR1)

Jonathan Alexander Naranjo Aguirre

jonathan.naranjo@epn.edu.ec

Métodos de Pronostico de la Demanda Eléctrica

 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.

Como ya se mencionó, un modelo ARIMA utiliza elementos auto-regresivos (AR) y de medias

móviles (MA), así como también órdenes de integración (I).

Cada término AR corresponde al uso de valores rezagados de observaciones pasadas en el modelo

de regresión de la observación actual:

En este caso, los modelos AR tratan de describir el valor futuro de la serie en base a sus
observaciones anteriores más un error.

Cada término MA corresponde al uso de valores rezagados de errores pasados en el modelo de

regresión de la observación actual, asumiendo este tipo de modelos que el valor futuro de la serie
puede ser predicho en base a los errores anteriores.

Cada orden de integración I corresponde a una diferenciación de la serie. Si la diferenciación es

estacional (trimestres, semestres, años) entonces el modelo se denomina Seasonal-ARIMA o
SARIMA, que a su vez puede contener elementos estacionales de auto-regresión (SAR) o medias
móviles (SMA):
La caracterización general de un modelo SARIMA es:

Donde pes la cantidad de términos auto-regresivos, q de términos de media móvil, P de términos

auto-regresivos estacionales, Q de términos de media móviles estacionales, d es el orden de
integración ordinaria, D es el orden de integración estacional y T la referencia para la integración
estacional. La elección de estos parámetros determinará la precisión del pronóstico, y este proceso
se realiza mediante la metodología desarrollada por Box-Jenkins en base al tratamiento de la
correlación de la serie. [1]

 MULTIVARIABLES

Estas metodologías de pronóstico suponen que la variable de interés es dependiente de otras

variables, por ende, para pronosticar su valor futuro se debe conocer el tipo de relación que tiene
con estas variables que explican su comportamiento, para luego proyectar su valor en el futuro.

Una característica de estos métodos, como se mencionó

anteriormente, es que, dado que proyectan los valores futuros de la variable de interés en base a
los valores de las variables explicativas, es necesario conocer el valor futuro de estas variables, y
en caso de no conocerlo, se requiere de realizar una proyección de éstas.

 Regresión

La regresión es un método en el cual el valor de una variable de interés es expresado mediante

una ecuación que involucra a otras variables exógenas. En otras palabras, el valor de la variable
de interés 3 (o variable dependiente) es igual a una función en base a otras variables exógenas.

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.

La diversificación de éste método se da cuando la ecuación propuesta no es lineal, ante lo cual se

utilizan distintas transformaciones para expresar la relación entre las variables explicativas y la
dependiente. Algunas de las otras formas de las ecuaciones de regresión proponer son:

[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

Se basa en el conocimiento declarativo (hechos sobre objetos, situaciones) y el conocimiento de

control (información sobre el seguimiento de una acción), la cual es usada para predecir usando
un razonamiento complejo (inferencias), explorando el conocimiento de los especialistas para el
desarrollo de las reglas de inferencia
  Lógica Difusa

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

 Razonamiento Inductivo Fuzzy (FIR)

Esta metodología combina la modelación cualitativa, la cual determina el grupo de variables de

entrada que mejor describen el comportamiento entrada – salida de los datos de entrenamiento
mediante la identificación de máscaras de correlación (máscaras óptimas) y la simulación
cualitativa que compara los datos de prueba con sus k vecinos más cercanos (k-NN “k Nearest
Neighbors”) de la base de datos de entrenamiento e interpola entre las salidas previamente
observadas.
Es decir, aprende y analiza los patrones observados de las señales medidas para luego predecir el
comportamiento futuro en base a su conocimiento del pasado.

 Redes Neuronales Artificiales

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]

Utilización de la Curva Logística para Pronostico de la Demanda Eléctrica

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.

Por el contrario, el crecimiento en cualquier área geográfica relativamente pequeña no es una

tendencia continua lisa a partir del año al año. En lugar, sigue la curva de Grompertz, referida
comúnmente como una curva de "S", mostrada en la figura. La curva de"S" es el comportamiento
básico del crecimiento de la carga como afecta el equipo de sistema, por ejemplo, en áreas del
alírnentador y de la subestación.

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.

•Rampa del crecimiento

Durante este período el crecimiento ocurre en forma relativamente rápida, generalmente debido a
nuevas construcciones.

•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