Power Electric Demand in Bolivia Analysis and projection: A Neuronal Network Application
DOI:
https://doi.org/10.35319/lajed.201115150Keywords:
Electrical demand, Allocation Energetics, Artificial intelligence, Artificial Neuronal Networks, Modeled in Space of Frequencies, Forecast, Models Arima x Sarima, Arma - Garch Models, Estimation of Number of Harmonicas, Transformed of FourierAbstract
The objective of this research is to analyze the demand for electricity in Bolivia, based on time series forecasting. The prediction of future data from the economic perspective is important because it is used to optimize the power allocation over time under the premise that any improvement in forecast error reduction is an improvement in consumer surplus. The prognosis for its complexity is done primarily through four phase’s harmonic models, models Arima x Sarima, Arma-Garch models and finally models based on Artificial Neural Networks. The results show that the minimum error is achieved using artificial neural networks and finally concluded that the economic benefit from the implementation of artificial neural network models in predicting the electrical power demand is presented by the reduction of incremental costs generated by the forecast error.
Downloads
References
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.
