Pronóstico de la demanda de energía eléctrica horaria en Colombia mediante redes neuronales artificiales

  • Santiago Medina-Hurtado Universidad Nacional de Colombia – Sede Medellín
  • Julián Moreno-Cadavid Universidad Nacional de Colombia – Sede Medellín
  • Juan Pablo Gallego-Valencia Universidad Nacional de Colombia – Sede Medellín

Abstract

El pronóstico de la demanda de energía eléctrica de un país o un sector determinado es una tarea de suma importancia no solo desde el punto de vista operativo, sino también del comercial. En este artículo se propone un modelo de pronóstico para la demanda de energía eléctrica en Colombia a nivel horario de una semana completa, mediante una Red Neuronal Artificial. El modelo utiliza información histórica en forma de datos rezagados de la serie de tiempo de demanda, así como información de eventos calendario previamente identificados que producen cambios significativos en los patrones de la demanda de energía a lo largo del año, por otra parte, el modelo propuesto considera un rezago en la información disponible para realizar los pronósticos de alrededor de tres semanas. Tal modelo fue validado a partir de datos reales de consumo de carga para una región específica de Colombia. Los resultados obtenidos fueron contrastados con un modelo auto regresivo (AR) y un modelo auto regresivo con variables exógenas (ARX). Tales resultados fueron satisfactorios en términos de la disminución general del error de ajuste, así como del comportamiento durante períodos de tiempo atípicos los cuales son difíciles de pronosticar con modelos tradicionales.
|Abstract
= 1493 veces | PDF (ESPAÑOL (ESPAÑA))
= 604 veces|

Downloads

Download data is not yet available.

References

J. W. Taylor, L. M. de Menezes, P. E. McSharry. “A comparison of univariate methods for forecasting electricity demand up to a day ahead”. International Journal of Forecasting. Vol. 22. 2006. pp. 1-16.

S. Kiartzis, C. Zoumas, J. Theocharis, A. Bakirtzis, V. Petridis. “Short-term load forecasting in an autonomous power system using artificial neural networks”. Power Systems, IEEE Transactions on . Vol. 12. 1997. pp. 1591-1596.

E. A. Mohamed, M. M. Mansour, S. El-Debeiky, K. G. Mohamed. “ Egyptian Unified Grid hourly load forecasting using artificial neural network”. International Journal of Electrical Power & Energy Systems . Vol. 20. 1998. pp. 495-500.

K. Topalli, I. Erkmen. “A hybrid learning for neural networks applied to short term load forecasting”. Neurocomputing . Vol. 51. 2003. pp. 495-500.

N. Mahdavi, M. Menhaj, S. Barghinia. “Short-Term Load Forecasting for Special Days Using Bayesian Neural Networks”. Power Systems Conference and Exposition, 2006. IEEE/ PES . 2006. pp. 1518-1522.

Z. Y. Dong, B. L. Zhang, , Q. Huang. “Adaptive neural network short term load forecasting with wavelet decompositions”. IEEE Porto Power Tech Proceedings. 2001. pp. 1-77.

W. Sun, J. Lu, Y. He. “Information Entropy Based Neural Network Model for Short-Term Load Forecasting”. Transmission and Distribution Conference and Exhibition: Asia and Pacific. 2005 IEEE/PES . 2005. pp.1-5.

M. Espinoza, J. A. Suykens, B. D. Moor. “Load Forecasting Using Fixed-Size Least Squares Support Vector Machines”. Computational Intelligence and Bioinspired Systems. Vol. 3512. 2005. pp. 1018-1026.

G. S. Hu, Y. Z. Zhang, F. F. Zhu. “Short-Term Load Forecasting Based on Fuzzy C-Mean Clustering and Weighted Support Vector Machines”. Procudings of the Third International Conference on Natural Computation. Haikore (China). Vol. 5. 2007. pp. 654- 659.

T. Zheng, A. A. Girgis, E. B. Makram. “A hybrid wavelet-Kalman filter method for load forecasting”. Electric Power Systems Research. Vol. 54. 2000. pp. 11-17.

H. Tabares, J. Hernández. “Pronóstico puntos críticos de la serie temporal consumo de energía eléctrica del sector industrial en la ciudad de Medellín usando algoritmos genéticos”. Rev. Fac. Ing. Univ. Antioquia. Vol. 40. 2007. pp. 95-105.

H. Tabares, J. Hernández. “Aproximación por lógica difusa de la serie de tiempo demanda diaria de energía eléctrica”. Rev. Fac. Ing . Univ. Antioquia. Vol. 47. 2009. pp. 209-217.

C. J. Franco, J. D.Velásquez, Y. Olaya. “Caracterización de la demanda mensual de electricidad en Colombia usando un modelo de componentes no observables”. Cuadernos de Administración especial de finanzas . Vol. 21. 2008. pp. 221-235.

H. S. Medina, A. J. García. “Predicción de la demanda de energía eléctrica en Colombia mediante un sistema de inferencia difuso neuronal”. Revista Energética. Vol. 33. 2005. pp. 15-24.

B. Martin, A. Sanz. Redes Neuronales y Sistemas Borrosos. 3ª. ed. Ed. RA-MA. Madrid (España). 2006. pp. 442.

Published
2012-11-29