Pronóstico de la demanda de energía eléctrica horaria en Colombia mediante redes neuronales artificiales
DOI:
https://doi.org/10.17533/udea.redin.13766Palabras clave:
demanda de energía eléctrica, redes neuronales artificiales, pronósticoResumen
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.Descargas
Citas
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. DOI: https://doi.org/10.1016/j.ijforecast.2005.06.006
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. DOI: https://doi.org/10.1109/59.627863
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. DOI: https://doi.org/10.1016/S0142-0615(97)00052-5
K. Topalli, I. Erkmen. “A hybrid learning for neural networks applied to short term load forecasting”. Neurocomputing . Vol. 51. 2003. pp. 495-500. DOI: https://doi.org/10.1016/S0925-2312(02)00870-6
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. DOI: https://doi.org/10.1109/PSCE.2006.296525
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. DOI: https://doi.org/10.1007/11494669_125
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. DOI: https://doi.org/10.1016/S0378-7796(99)00063-2
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter