Predicción del consumo de energía en Colombia con modelos no lineales

La predicción de la demanda es un problema de gran importancia para el sector eléctrico, ya que a partir de sus resultados los agentes del mercado de energía toman las decisiones más adecuadas para su labor; por lo cual un buen pronóstico trae consigo grandes beneficios tanto técnicos como financieros. De ahí que se han desarrollado una gran cantidad de modelos tanto lineales como no lineales para el modelaje y pronóstico de la demanda. Sin embargo el proceso de pronóstico de la demanda presenta dificultades relacionadas con bases de datos cortas e insuficientes, las técnicas de predicción no modelan adecuadamente factores relacionados con ciclos y eventos dinámicos como cambios de temperatura. En relación con los modelos, no se tiene una metodología concreta para seleccionar un modelo especifico, no se tiene claridad en que criterios de ajuste usar para seleccionar el mejor modelo dentro de varias alternativas, es difícil incorporar en los modelos variables subjetivas relacionadas con la experiencia y conocimiento de los pronosticadores. A partir de la identificación de las dificultades en el pronóstico, se desarrolla este trabajo con el fin de dar solución a algunas de ellas. Para esto, se realizó un análisis estadístico de la serie de demanda, se ajustaron modelos no lineales como SARIMA, MARS; DAN2, SRT y GSMN; adicionalmente se propuso un nuevo modelo híbrido que combina un modelo SARIMA y un modelo GSMN, finalmente se utilizó un modelo SARIMA ajustado previamente para comparar los resultados, para esto se calcularon los estadísticos de ajuste MAE y RMSE. Para el estudio se utilizó la serie de demanda mensual de Colombia para el periodo 1995:8 – 2010:4, el cual captura la historia desde el inicio del Mercado de Energía Mayorista de Colombia. Los resultados muestran que, de los cinco modelos no lineales ajustados para la serie de demanda mensual de Colombia, el modelo con mejor desempeño es el híbrido, ya que captura de mejor forma la dinámica de la serie y presenta los mejores estadísticos de ajuste (MAE y RMSE). Con el modelo híbrido se obtiene una reducción del 0,45% en error de entrenamiento respecto al modelo SARIMA, sin embargo, en el error de pronóstico se obtiene una reducción máxima del 11,25% respecto al SARIMA, lo cual indica que este modelo aumenta confiabilidad en los datos pronosticados./Abstract: Electricity demand forecasting is a major problem for the electricity sector, because the energy market players use the results of the electricity demand forecasting to make the right decisions for their work, so a good forecasting brings great technical and financial benefits. Hence, there have been a number of models both linear and nonlinear for modeling and forecasting of demand. However, the demand forecasting process has difficulties related with short and insufficient data bases, forecasting techniques do not adequately model factors related with cycles and dynamic events such as temperature changes. In relation with models, do not have a specific methodology to select a specific model, it is unclear what criteria setting can be used to select the best model within several alternatives, it is difficult to incorporate into models subjective variables related with the experience and knowledge of predictors. From the identification of these difficulties in forecasting, we develop this work in order to find solutions to some of them. For this, we performed a statistical analysis of the electricity demand series, nonlinear models as MARS, DAN2, SRT and GSMN were adjusted; additionally we proposed a new hybrid model that combines a SARIMA model and a GSMN model, finally, we used a preset SARIMA model to compare the results, to this we calculated the MAE and RMSE errors. For this project, we used the monthly electrical power demand in Colombia from 1995:8 to 2010:4, this period capture the history from the beginning of the Wholesale Energy Market in Colombia. The results show that the best performing model is the hybrid, because it is the model that better capture the dynamics of the series and has better MAE and RMSE errors than the others non linear models fitted. The hybrid model gives a 0.45% reduction in training error compared with SARIMA results, however, the forecast error gives a maximum reduction of 11.25% compared to SARIMA results, indicating that this model increases reliability of forecast data.

• Autores: Rueda Mejía, Viviana María
• Fecha de publicación: 2011
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/7982
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/7982; http://bdigital.unal.edu.co/4462/
• Palabra clave: 65 Gerencia y servicios auxiliares / Management and public relations; Pronóstico; Demanda de electricidad; Modelos no lineales; Consumo de energia
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional