Análisis y pronóstico de la demanda de potencia eléctrica en Bolivia: una aplicación de redes neuronales
DOI:
https://doi.org/10.35319/lajed.201115150Palabras clave:
Demanda eléctrica, asignación energética, inteligencia artificial, redes neuronales artificiales, modelado en espacio de frecuencias, pronóstico, Modelos Arima x Sarima, Modelos Arma-Garch, estimación de número de armónicas, transformada de FourierResumen
El objetivo del presente trabajo de investigación es analizar la demanda de energía eléctrica en Bolivia con base en el pronóstico de series de tiempo. La predicción de datos futuros desde la perspectiva económica es importante porque se utiliza para optimizar la asignación de la energía en el tiempo, bajo la premisa de que cualquier mejora en la disminución del error de pronóstico representa una mejora en el excedente del consumidor. El pronóstico, por su complejidad, es realizado básicamente mediante cuatro fases; modelos armónicos, modelos Arima x Sarima, modelos Arma-Garch y finalmente modelos con base en redes neuronales artificiales. Los resultados muestran que el mínimo error se logra utilizando redes neuronales artificiales, y finalmente se concluye que el beneficio económico por la implementación de los modelos de redes neuronales artificiales en la predicción de la demanda de potencia eléctrica se presenta por la reducción de los costos incrementales generados por el error de pronóstico.
Descargas
Citas
García, A. (2010). Introducción a la regresión armónica dinámica. Análisis y predicción de la coyuntura económica. Universidad Complutense de Madrid.
García, D. y A. Cabrera (2003). Predicción de la demanda eléctrica de corto plazo mediante redes neuronales artificiales. SIE. Centro Universitario de Ciencias Exactas e Ingeniería. Universidad de Guadalajara, México.
Gobierno de Bolivia. (1994). Ley de electricidad N° 1604 de 21 de diciembre de 1994 . Reglamentos aprobados por D.S. N° 24043 de 28 de junio de 1995.
Gonzales, V. (2007). “Un modelo Spline para pronóstico de la demanda de energía eléctrica”. Escuela de Ingeniería Industrial y Estadística, Facultad de Ingenierías, Universidad del Valle, Cali, Colombia
Mallo, C. (2007). “Predicción de la demanda eléctrica horaria mediante redes neuronales artificiales”. Departamento de Economía Cuantitativa. Universidad de Oviedo.
Martinic, N. Gamma. (2008). “Ray Astrophysics, Chacaltaya Cosmic Rays Observatory”. Universidad Mayor de San Andrés, La Paz, Bolivia.
Mendoza, J. (2006). “Pronóstico de carga a corto plazo utilizando redes neuronales artificiales”. Scientia et Technica, Universidad Tecnológica de Pereira - Colombia
Pérez, S. y F. Garbati. (2008). Modelo matemático para la demanda de potencia. Universidad Nacional de Colombia. Red de Revistas Científicas de América Latina, El Caribe, España y Portugal. Redalyc.
Mallo, C. (2008). “Predicción de la demanda eléctrica horaria mediante redes neuronales artificiales”. Departamento de Economía Cuantitativa. Universidad de Oviedo.
Sante, R. (2009). “Transformada rápida de Fourier”. Departamento de Economía Cuantitativa. Universidad Complutense de Madrid
Tabares, H. y J. Hernández (2008). “Mapeo de curvas típicas demanda de energía eléctrica del sector residencial, comercial e industrial de la ciudad de Medellín, usando redes neuronales artificiales y algoritmos de interpolación”. Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Antioquia.
Villada, F., D.R. Cadavid y J.D. Molina (2008) .“Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales”. Grupo de manejo eficiente de la energía (GIMEL), Universidad de Antioquia, A.A. 1226, Medellín, Colombia. Redalyc.
