predicción de la demanda a corto plazo
DESCRIPTION
El Predición de Demanda Eléctrica a Corto Plazo usando RedePredición de Demanda Eléctrica a Corto Plazo usando Redes Neuronaless NeuronalesTRANSCRIPT
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 1 de 9
Resumen—En este trabajo se presenta una aplicación de las
redes neuronales artificiales en el pronóstico de la demanda a
corto plazo, haciendo uso de la herramienta computacional
“Neural Network” del “Toolboxes” de MATLAB; se analizaron
varias configuraciones de red, y se escogió una red del tipo
“Feedback” con el que se obtuvo los mejores resultados, la red
posee 99 neuronas en la capa de entrada que representan datos
que influyen en el comportamiento de la carga, 48 neuronas en la
capa de salida que representa el pronóstico de la demanda
eléctrica para cada media hora del día siguiente, 2 capas ocultas
que interconectan las capas de entrada y salida. El método
propuesto fue probado con los datos de la demanda eléctrica del
área norte del sistema eléctrico peruano, alrededor de 3 años,
obteniendo un error promedio de 2.99% mientras que la
desviación estándar resultó en un 3,29% en el pronóstico de la
demanda.
Índices—Aprendizaje de la Red, Demanda de Carga Diaria,
Entrenamiento de la Red, Feedback, Feedforward, Red Neuronal
y Pronóstico.
I. INTRODUCCIÓN
L objetivo de una empresa de energía eléctrica es
suministrar electricidad a sus consumidores de una forma
confiable y económica. Para mejorar del suministro de
energía las empresas generadoras y distribuidoras se
interconectan, un objetivo de esta operación es alcanzar una
gama de beneficios económicos y operacionales tales como
dividir el costo de la carga del sistema entre las diversas
unidades generadoras, evitar inversiones innecesarias en
generadoras costosas, minimizar el efecto de la contingencia
en cualquier sistema, mantener la frecuencia y la tensión del
sistema dentro de los límites permisibles establecidos, entre
otros [1].
Con el fin de realizar tareas en conjunto cada empresa
posee un centro de control y operación responsable de realizar
estas tareas comunicándose además con los demás centros de
control para una operación integrada [1].
Este trabajo fue apoyado por el Instituto de Investigación de la Facultad de
Ingeniería Eléctrica y Electrónica (IIFIEE) de la Universidad Nacional de
Ingeniería (UNI) y en colaboración con la RAMA-IEEE de la UNI, Sección Perú, Capítulo de Energía y Potencia.
El Dr. Y. P. Molina colabora en la Universidad Nacional de Ingeniería y al
Instituto de Investigación de la Facultad de Ingeniería Eléctrica y Electrónica, CP Lima 39, Lima, Perú. (e-mail: [email protected])
Adderly Huerta, Lima, Perú. (e-mail: [email protected]).
Juan C. Quispe, Lima, Perú. (e-mail: [email protected]). Edwin M. Ramos, Lima, Perú. (e-mail: [email protected]).
Algunas funciones que realizan los centros de control:
Almacenamiento de datos que pueden ser eventos como
fallas, mantenimientos, salidas de demanda de clientes
libres, etc. así como también almacenar información de
la carga eléctrica consumida.
Aplicación del monitoreo para seguridad del sistema:
estimador de estados, análisis de contingencias, flujo de
carga óptimo, flujo de carga, análisis de estabilidad
transitoria, pronóstico de la demanda.
Control del despacho de generación: Control automático
de generación, despacho de carga y la compra de energía
entre áreas.
Para una visión general de todas estas funciones es
necesario conocer de antemano el comportamiento de la
demanda eléctrica es así como nace la necesidad del
pronóstico de la demanda.
En el contexto del planeamiento de la operación en corto
plazo de sistemas de energía eléctrica, el pronóstico de la
demanda es muy importante para la elaboración del programa
de operación del día siguiente; un error en el pronóstico de la
demanda puede tener consecuencias serias en términos de la
eficiencia y seguridad del sistema (incremento de los costos,
no atender demanda) [2].
En este artículo se propone un nuevo método, basado en las
Redes Neuronales Artificiales (RNA), para el pronóstico de la
demanda de carga eléctrica que permita mejorar la
confiabilidad y seguridad, y de esta manera reducir los costos
de operación del Sistema Eléctrico Interconectado Nacional
(SEIN).
El pronóstico de la demanda eléctrica a corto plazo
comprende desde algunas horas hasta algunas semanas lo cual
ayuda a proyectar diferentes procesos realizados por los
operadores del SEIN, tales como: el despacho económico, la
programación de transferencia de energía y el control en
tiempo real.
Errores significativos en el pronóstico de la demanda
pueden resultar en una planificación excesivamente
conservadora o en una planificación excesivamente riesgosa
causando graves consecuencias económicas en el sistema.
II. PLANTEAMIENTO DEL PROBLEMA
Tradicionalmente, el programa de operación se basa en el
pronóstico de la demanda global, lo que significa que el
Aplicación de Redes Neuronales para el
Pronóstico de la Demanda a Corto Plazo A. Huerta V., Student Member IEEE; J.C. Quispe H., Student Member IEEE; E.M. Ramos C., Student
Member IEEE; y Dr. Yuri Molina, Member IEEE
E
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 2 de 9
programa de operación se preocupa en atender la demanda
total en cada intervalo de tiempo. En general, si se tiene una
herramienta para el pronóstico de la demanda del sistema que
ejecuta esta tarea con un mínimo error, es decir, el método
desarrollado es muy exacto, se tiene una maximización de los
beneficios y con ello se reducen las posibles pérdidas, porque
el sistema será capaz de desarrollar estrategias adecuadas para
hacerlo funcionar.
El pronóstico del perfil de carga en cada media hora del
SEIN, es una de las actividades necesarias y de importancia
para la programación de despacho de carga de las centrales de
generación del SEIN. El Comité de Operaciones Económicas
del Sistema (COES) realiza este pronóstico en la
programación semanal y luego es afinado en la programación
diaria y reajustada en las reprogramaciones o re-despachos. A
continuación se describe a grandes rasgos el procedimiento
realizado por el COES para el pronóstico de la demanda.
A. Requerimiento de Información
Se solicita a las empresas generadoras de los límites de
producción de la potencia activa de cada una de las
unidades generadoras.
Se solicita la proyección de la demanda de las empresas
de distribución y clientes libres en valores promedios en
cada media hora.
Reportes de generación a nivel de barras. Esta
información es obtenida de los medidores electrónicos de
energía a través del sistema SCADA y generación
ejecutada, la cual es reportado por las empresas
generadoras al finalizar cada día operativo.
B. Metodología de Cálculo
Cuando no se dispone de información necesaria para el
pronóstico de carga a nivel de barras, entonces ésta se hace
por áreas operativas que de acuerdo al SEIN son: Área Norte,
Área Centro, Área Sur. El modelo usado es estadístico
tomando como información básica la data de 5 semanas
anteriores para cada día típico de la semana y con factores de
ponderación para estimar el comportamiento del diagrama de
carga.
Otra consideración de importancia a tener en cuenta para el
pronóstico diario de carga son las fechas festivas o feriados.
Para ello la demanda se reajusta con la data histórica de días
festivos parecidos. La afectación o reajuste es también para el
día previo y posterior al periodo festivo.
C. Programación Diaria
La demanda de potencia proyectada en el programa
semanal es reajustado y corregido diariamente según la
tendencia del día anterior y tomando en consideración los
cambios estacionales y acontecimientos importantes previstos.
Para el caso de reprogramaciones diarias, el reajuste se realiza
tomando en cuenta la tendencia de la carga utilizando la
información del tiempo real.
D. Problemática del Pronóstico Actual de la Demanda
De lo detallado en la sección anterior se concluye que no
existe ninguna metodología de cálculo sustentado para el
pronóstico de la demanda a corto plazo. Tampoco se hace el
pronóstico de la demanda a nivel de barras, para este cálculo
se obtiene el nivel de generación expandido a nivel de áreas
considerando sus respectivos diagramas típicos. Otra
problemática es que muchos usuarios libres no reportan el
comportamiento de su carga diaria y además ésta es variable
en muchos casos por mantenimiento correctivos o paradas de
plantas imprevistas o no informadas.
Las consecuencias de no pronosticar bien la carga
provocan:
Desviaciones del programa de despacho de las centrales
de generación, obligando a realizar reprogramas o re-
despachos para suplir este problema.
Toma inexacta de decisiones del coordinador en tiempo
real del SEIN para el arranque, parada, aumentar o
disminuir las unidades de generación del SEIN,
reduciendo la confiabilidad del sistema eléctrico.
Pérdidas económicas por mal despacho de unidades de
generación más caras del SEIN.
III. MÉTODO PROPUESTO
Los métodos de inteligencia artificial para el pronóstico han
demostrado su capacidad para dar un mejor redimiendo en el
trato con las funciones no-lineales. Su ventaja radica
principalmente que no requieren formulaciones matemáticas
complejas o de correlación cuantitativa entre entradas y
salidas.
La utilización de la inteligencia artificial, en el contexto de
que no existan procesos definidos para solucionar
determinados problemas, ha llevado a su aplicación en la
predicción de demanda eléctrica a corto plazo en las dos
últimas décadas [3].
Las redes neuronales artificiales son técnicas de
procesamiento de información basadas en el funcionamiento
de un sistema nervioso bilógico, como el cerebro, donde se
procesa la información. El concepto fundamental de la red
neuronal artificial es la estructura del sistema de
procesamiento de información. Compuesto de un gran número
de unidades interconectadas (neuronas) concentradas dentro
de una red, el sistema de redes neuronales utiliza una técnica
similar al aprendizaje humano. A cada una de las neuronas se
le aplica una entrada, una función de activación y una salida,
la red está configurada para una aplicación específica, como
la clasificación de datos o reconocimiento de patrones, el
aprendizaje a través de un proceso llamado entrenamiento [3].
Los primeros investigadores que introdujeron la aplicación
de las redes neuronales en el pronóstico de carga, proponen
una metodología innovadora de redes neuronales para el
problema del pronóstico de carga a corto plazo [4]. En el
presente se propone el uso de una red con múltiples capas: una
entrada, dos ocultas y una salida. La formación y uso de datos
para la red neuronal se detallan más adelante.
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 3 de 9
A. Modelado de la Red Neuronal
El diseño de la arquitectura para una red, sea recurrente o
no es, junto con la elección de los parámetros utilizados en la
aplicación de un algoritmo de aprendizaje, los puntos claves
en una metodología de diseño y creación de redes neuronales.
Se va a introducir el denominado modelo estándar de
neurona artificial según los principios descritos [5]. Siguiendo
dichos principios, la -ésima neurona artificial estándar
consiste en:
Un conjunto de entradas y unos pesos sinápticos ,
con
Una regla de propagación definida a partir del
conjunto de entradas y los pesos sinápticos. Es decir:
( ) (1)
TABLA 1
SISTEMA GLOBAL DE PROCESO DE UNA RED NEURONAL.
Neurona
Capa
Red
Sistema
Neuronal
La regla de propagación más comúnmente utilizada
consiste en combinar linealmente las entradas y los pesos
sinápticos, que consiste en:
( ) ∑
(2)
Suele ser habitual añadir al conjunto de pesos de la neurona
un parámetro adicional , que se denomina umbral, el cual se
acostumbra a restar al potencial pos-sináptico. Es decir:
( ) ∑
(3)
Una función de activación, la cual representa
simultáneamente la salida de la neurona y su estado de
activación. Si se denota por dicha función de
activación, se tiene:
( ) (∑
) (4)
Fig. 1. Modelo de neurona artificial estándar.
La Fig. 1 muestra el modelo de neurona artificial estándar
descrito previamente. Algunos ejemplos de funciones de
activación son los siguientes:
1) Neuronas Todo-Nada
En este tipo de neuronas todo-nada, también llamadas
dispositivos de umbral, la función es una función
escalonada. En tal caso, se tiene:
{
∑
∑
(5)
2) Neurona Continua Sigmoidea
Para obtener una salida continua, es habitual el utilizar
como función de activación una función sigmoidea. Las
funciones sigmoideas más usadas son:
(∑ )
[ ] (6)
(∑
) [ ] (7)
Ambas funciones de activación son continuas y
diferenciables, el requisito de trabajar con funciones
diferenciables puede venir impuesto por la regla de
aprendizaje.
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 4 de 9
B. Arquitecturas de la Red Neuronal
Se denomina arquitectura a la topología, estructura o patrón
de conexionado de una red neuronal. En una red neuronal
artificial los nodos se conectan por medio de sinapsis, estando
el comportamiento de la red determinado por la estructura de
conexiones sinápticas. Estas conexiones sinápticas son
direccionales, es decir, la información solamente puede
propagarse en un único sentido (desde la neurona pre-sináptica
a la pos-sináptica). En general las neuronas se suelen agrupar
en unidades estructurales denominadas capas. El conjunto de
una o más capas constituye la red neuronal [2].
Se distinguen tres tipos de capas: de entrada, de salida y
ocultas. Una capa de entrada, también denominada sensorial,
está compuesta por neuronas que reciben datos o señales
procedentes del entorno. Una capa de salida se compone de
neuronas que proporcionan la respuesta de la red neuronal.
Una capa oculta no tiene una conexión directa con el entorno,
es decir, no se conecta directamente ni a órganos sensores ni a
efectores. Este tipo de capa oculta proporciona grados de
libertad a la red neuronal gracias a los cuales es capaz de
representar más fehacientemente determinadas características
del entorno que trata de modelar.
Teniendo en cuenta diversos conceptos se pueden
establecer diferentes tipos de arquitecturas neuronales. Entre
las principales, tanto como las que se utilizó en el presente
proyecto, destacan:
1) Red Neuronal tipo Feedforward:
El tipo de red Feedforward es cuando todas las neuronas de
una capa reciben señales de entrada a la red, y envían señales
de salida a una capa posterior, se está ante una red de
conexiones hacia adelante, ver Fig. 2, y que además realiza un
aprendizaje supervisado. La primera capa tiene pesos
provenientes de la entrada. Cada capa posterior tiene un peso
proveniente de la capa anterior. Todas las capas tienen
predecesoras. La última capa es la salida de la red. La
adaptación se logra con los proceso de aprendizaje que
actualiza los pesos con la función de activación [6].
Fig. 2. Red neuronal tipo feedforward.
2) Red Neuronal tipo Feedback:
El tipo de red Feedback, es cuando hay conexiones hacia
atrás es decir las salidas de las neuronas de capas posteriores
se conectan a las entradas de las capas anteriores como se
muestra en la Fig. 3. La primera capa tiene pesos provenientes
de la entrada. Cada capa posterior tiene un peso proveniente
de la capa anterior. Todas las capas excepto la última tienen
un peso recurrente. Todas las capas tienen predecesoras.
La última capa es la salida de la red y al igual que la red [6]
anterior también realiza un aprendizaje supervisado.
Fig. 3. Red neuronal tipo feedback.
Las consideraciones acerca del pronóstico de carga a corto
plazo está relacionado con factores que afectan la carga ya sea
para el sistema en general o como también para una barra,
también como parte de estos factores está la influencia de
carga pasada, factores temporales y efectos aleatorios. [7]
La carga del sistema como la de una barra es modelada
para el pronóstico de carga a corto plazo de acuerdo a ciertos
factores que se muestra a continuación:
C. Factores en el Pronóstico de la Demanda
Estos factores son los efectos que hacen que la demanda de
energía varíe en una determinada forma como por ejemplo:
1) Efectos Estacionales:
La carga varia con respecto a las estaciones del año se
observa de manera general que el valor de la demanda en las
épocas de invierno tiende a ser relativamente mayor a las de
verano. Otro punto a notar es el de la similitud que tiene el
consumo de carga en cada gráfico respectivo.
Fig. 4. Comportamiento de la carga en función de las estaciones.
2) Día de la Semana:
El día de la semana es muy importante puesto que según la
experiencia se observa que existen días parecidos tales como
el martes miércoles y jueves que tienen un comportamiento
similar así como también los lunes, viernes y sábado en el
caso de los domingos es un día bien peculiar puesto que en ese
día hay muchas empresas que no trabajan por lo que el
consumo de energía baja. Por ende un término clave para el
0 4 8 12 16 20 240
40
80
120
Horas (h)
Pote
ncia
(M
W)
DEMANDA DEL VERANO
0 4 8 12 16 20 240
40
80
120
Horas (h)
Pote
ncia
(M
W)
DEMANDA DEL OTOÑO
0 4 8 12 16 20 240
40
80
120
Horas (h)
Pote
ncia
(M
W)
DEMANDA DEL INVIERNO
0 4 8 12 16 20 240
40
80
120
Horas (h)
Pote
ncia
(M
W)
DEMANDA DEL PRIMAVERA
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 5 de 9
modelado de la red es especificar el día de la semana a
predecir.
Fig. 5. Comportamiento de cada día en una semana.
3) Día Feriado:
Un día feriado origina una demanda particular puesto que
hay muchas empresas que dejan de trabajar lo que ocasiona
que el consumo disminuya a diferencia de un día normal, este
factor es de vital importancia a considerar en el modelo.
Fig. 6. Comparación de un día feriado y día normal.
4) Factores Climáticos
Las condiciones meteorológicas son responsables de
variaciones significativas en la carga principalmente cuando
una empresa proveedor de energía abarque una extensa área
geográfica o atienda grandes centros donde el consumo de
energía es también grande, a continuación algunos ejemplos
de las variables que pueden ser utilizadas:
Temperatura en el momento del pronóstico.
Temperatura máxima y mínima en el día del pronóstico.
Temperatura de algunas horas antes del pronóstico.
Medida de la temperatura de días anteriores.
Indicador de intensidad luminosa.
Indicador de nebulosidad.
Humedad relativa del día del pronóstico.
Indicador de la velocidad del viento.
Se observa que los factores climáticos tienen efectos
considerables en el pronóstico de cargas en el caso de sistemas
grandes pero para sistemas de barras están cubiertas de áreas
pequeñas por ende estas influencias no se consideran. [7]
5) Comportamiento Pasado de Carga
Este factor está relacionado con la carga eléctrica de días
pasados parecidos al día que se quiere predecir por ejemplo:
El día de la semana anterior, es decir si el día a predecir
es martes se tomaría el martes pasado pues estos días
tienen un comportamiento muy similar pues las
actividades no cambian mucho de una semana hacia otra.
El día anterior también se considera pues para el efecto
de pronóstico continuo, se utiliza el nivel de carga
eléctrica que se produce un día anterior.
D. Ordenamiento de Datos:
El proyecto se ejecuta con una base de datos de la carga de
consumo eléctrico de la barra Trujillo Norte, donde esta barra
representa el consumo de todo el sector norte del país.
Estos valores de carga son tomados cada media hora del
día, en total de 48 valores por día, desde el 1 de enero 2007
hasta el 31 de agosto del 2010. También para estos valores de
carga no se considera a los clientes libres, debido a que el
consumo de los éstos son valores conocidos ya que las
empresas brindan esta información.
En conclusión el pronóstico que se realiza en el proyecto es
solo de usuarios regulados que en su mayoría son las ciudades.
TABLA 2
ESQUEMA DE LA BASE DE DATOS.
Fecha 1 Fecha 2 …
Carga de la hora 00:30 am Carga de la hora 00:30 am …
Carga de la hora 01:00 am Carga de la hora 01:00 am …
: : …
Carga de la hora 11:30 pm Carga de la hora 11:30 pm …
Carga de la hora 12:00 pm Carga de la hora 12:00 pm …
Un primer esquema de ordenamiento se muestra en la
TABLA 2 donde se puede observar que una columna
representa una fecha seguido de los 48 valores de carga del día
respectivo, que corresponde a cada media hora del día.
A partir de este esquema de ordenamiento se genera los
valores de entrada a la Red Neuronal, a través de un Script o
programa dentro de MATLAB, en la siguiente sección se
detallara los valores de entrada de la Red Neuronal.
1) Datos de Entrada para la Red Neuronal:
Los datos de entrada de la red se observan en la Fig. 7.
Lunes Martes Miercoles Jueves Viernes Sabado Domingo0
40
80
120
Horas (h)
Pote
ncia
(M
W)
DEMANDA DE UNA SEMANA DEL 2007
0 5 10 15 2040
50
60
70
80
90
100
110
120
Horas (h)
Pote
ncia
(M
W)
Día Feriado 28-Jul-2008
Día Laboral 25-Jul-2008
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 6 de 9
Fig. 7. Configuración de las capas de entrada y salida de la red.
a) Datos de carga:
Para los datos de carga se toman 48 valores de carga del día
anterior, además de 48 valores de carga de la semana pasada;
estos 96 valores se llevan a valores entre 0 y 1, con una
división entre el máximo de toda la base de datos inicial, esto
debido que los valores que ingresan a una Red por lo general
tienen que ser valores entre 0 y 1, para que puedan ser
operadas dentro de las funciones de transferencia en la Red
Neuronal.
b) Datos del día de la semana:
Para este dato de entrada sólo se considera un valor, siguiendo
el criterio de la TABLA 3. Estos datos de entrada también son
valores entre 0 y 1.
TABLA 3 VALOR DE ENTRADA DEL DÍA DE LA SEMANA
Dia Valor
Lunes 0.4
Martes 0.5
Miercoles 0.6
Jueves 0.7
Viernes 0.8
Sabado 0.9
Domingo 1.0
c) Dato de día feriado:
Se considera un valor de entrada dado por:
TABLA 4 VALOR DE ENTRA DE DÍA FERIADO
Si es Feriado SI NO
Valor 0 1
d) Dato de estación del año:
Se considera un valor de entrada dado por:
TABLA 5
VALOR DE ENTRADA DE ESTACIÓN DEL AÑO.
Estación Valor
Otoño 0.25
Invierno 0.50
Primavera 0.75
Verano 1.00
2) Datos de Salida de la Red Neuronal:
Los datos de salida son los 48 valores de carga del día
predicho, donde se obtienen valores entre 1 y 0, los cuales se
multiplicara por el valor máximo de la base de datos inicial
para obtener los valores en unidades de MW originales.
E. Entrenamiento de la Red
Una vez seleccionado el tipo de Red Neuronal y las
configuraciones de capas de entrada y salida se realiza el
respectivo entrenamiento, para tal se utiliza el TOOLBOX de
MATLAB en el cual está implementado el algoritmo de
entrenamiento, se usa parte de la base de datos de 2 años para
entrenar a la red, en donde la ésta ajusta sus parámetros para
luego poder predecir la demanda “futura” que son los datos
que no se tomaron para el entrenamiento. La duración de
entrenamiento, aproximadamente 18 horas en un computador
de procesador AMD Athlon de 3 GB de memoria RAM.
F. Simulación
Una vez entrenada la red, se compara los datos
pronosticados con los datos reales, hallando el error relativo,
se gráfica y tabula el histograma de errores, en la Fig. 8 se
observa la simulación de la demanda de un día.
La simulación es una manera de comprobar cuán bien
entrenada está la Red Neuronal y con ello evaluar el modelo
planteado. De esta manera se observó cuan mejor es la red tipo
Feedback con la red del tipo Feedforward en el pronóstico de
la demanda.
Un factor importante a considerar en la base de datos con la
cual la red fue entrenada, es que ésta contaba con muchos
datos erróneos ya sea por falta de datos, por fallas en el
sistema o por mantenimiento del mismo.
Gran parte de estos tipos de datos se intentó corregir
también, tomando en cuenta una curva polinomial que
suavizara la curva de carga a una forma típica, a partir de esta
corrección se tomó el entrenamiento de la red.
En la Fig. 9 y Fig. 10 se observa el comportamiento de
carga de 2 días del año 2010, año que no se utilizó para el
entrenamiento de la red.
Otra manera de estudiar el comportamiento de la eficiencia
del entrenamiento de la red neuronal es mediante el
histograma de errores, el cual se muestra en la Fig. 11, en ella
se observa que son pocos los datos que tienen errores
significativos, correspondientes a los días feriados y
domingos, los cuales seguramente necesitaban adicionar otros
tipos de datos de entrada. A continuación se muestran los
resultados finales del entrenamiento:
Datos simulados:
El % promedio de error es: 2.5187%
El máximo error horario es: 14.5194%
El mínimo error horario es: 0.000426%
La desviación estándar de error horario es: 2.039%
El día peor simulado es: 28-Jul-2007 con un error de
7.4482%
Datos Predichos:
El % promedio de error es: 2.9906%
El máximo error horario es: 53.7105%
El mínimo error horario es: 7.1342e-005%
La desviación estándar de error horario es: 3.2903%
El día peor predicho es: 01-Jan-2010 con un error de
30.6471%
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 7 de 9
Fig. 8. Interfaz gráfica para el entrenamiento y simulación de la red.
Fig. 9. Predicción de Demanda del Día 14-06-2010
Fig. 10. Predicción de demanda del día 07-04-2010.
0 5 10 15 2040
60
80
100
120
140Carga diaria 14-Jun-2010 Mon
Horas (h)
Pote
ncia
(M
W)
real
polinomial
predecido
0 5 10 15 200
2
4
6
8error relativo %
Horas (h)
% e
rror
0 5 10 15 2060
70
80
90
100
110
120
130Carga diaria 07-Apr-2010 Wed
Horas (h)
Pote
ncia
(M
W)
real
polinomial
predecido
0 5 10 15 200
1
2
3
4error relativo %
Horas (h)
% e
rror
“XVIII International Congress of Electronic, Electrical and Systems Engineering”
Id: ABC-000 Página 8 de 9
Fig. 11. Histograma de errores de datos predichos.
IV. CONCLUSIONES
Los diversos horizontes del pronóstico de carga tienen un
papel fundamental en la planificación y operación de los
sistemas de potencia, cada uno de los cuales, de acuerdo al
tiempo que tenga para su predicción, tiene una función
específica en estas áreas.
Los resultados demuestran la eficacia de la aplicación de un
modelo basado en las Redes Neuronales Artificiales al
pronóstico de la demanda eléctrica. Tal como lo muestran las
gráficas comparativas los resultados obtenidos para un día
determinado, son muy similares a los esperados.
La precisión de la predicción, a pesar de la poca cantidad
de datos con los que se entrenó la red y de no haberse incluido
otras variables que influyen en el consumo energético como
son los factores meteorológicos y otros, es considerable,
llegando a encontrarse la media del error igual a 2.9906% y
una desviación estándar del mismo igual a 3.2903%.
Las redes neuronales artificiales se muestran como una
solución sencilla, eficaz y confiable para la predicción de
demanda de energía eléctrica a corto plazo. Existen diversos
modelos de redes neuronales artificiales, donde cada uno
representa características especiales para determinados
problemas, en este trabajo se utilizó las redes Feedforward y
Feedback, siendo esta última la más eficiente, presentando
excelentes resultados en cuanto a su aplicación en el modelo
de pronóstico.
Respecto a los resultados en el pronóstico, éste mostró
evidencias interesantes en la asimilación del comportamiento
de la carga, ya que en la mayoría de los días los errores fueron
significativamente pequeños con respecto a la curva real.
V. AGRADECIMIENTOS
Se agradece al Ing. Ever Fernández trabajador del Comité
de Operaciones Económicas del Sistema (COES), por
proporcionar los datos con los cuales se desarrolló este
proyecto.
VI. REFERENCIAS
[1] Francisco Eugenio de Andrade Leite, "Aplicação de Redes Neurais
Artificiais na Previsão de Curto Prazo da Carga Nodal de Sistemas de Energia Elétrica", Universidade Estadual de Campinas, Campinas, Brasil,
Tesis doctoral 1997.
[2] Alfonso Ballesteros, "Desarrollo del Diseño de Redes Neuronales",
Universidad de Malaga, Málaga, Tesis doctoral 2006.
[3] Metaxiotis K., Kagiannas A., Askounis D., y Psarras J., "Artificial intelligence in Short Term Electric Load Forecasting: a State of the Art
Survey for the Researcher", Energy Conversion and Management of
Athens, Greece, vol. 44, no. 9, pp. 1525-1534, June 2003.
[4] Lee K., Cha Y., y Ku C., "A Study on Neural Networks for Short Term
Load Forecasting", en Proceedings of the First International Forum on
Applications of Neural Networks to Power Systems, Seattle, WA, 1991, pp. 26-30.
[5] D.E. Rumelhart y J.L. MacClelland, "Parallel Distributed Processing",
Psychological and Biological Models, MIT, vol. 1, no. 1, pp. 318-36, January 1986.
[6] The MathWorks. (1984, Febrero) Neural Network Toolbox. MATLAB.
[7] Ph.D. Mohammad Shahidehpour, Ph.D. Hatim Yamin, Ph.D. Zuyi Li, "Market Operations in Electric Power Systems "Forecasting, Scheduling,
and Risk Management"", IEEE, New York, Libro 0-471-44337-9, 2002.
VII. BIOGRAFÍAS
Adderly Huerta Valdivia (S’09) nació en Lima,
Perú, el 24 de Junio de 1989. Estudiante de
pregrado de la Facultad de Ingeniería Eléctrica y
Electrónica en el área de ingeniería Eléctrica de la
Universidad Nacional de Ingeniería. Realiza
trabajos de investigación en el IIFIEE, en el área de
Sistemas Eléctricos de Potencia. Pertenece al
Capítulo de Power & Energy Society, como
miembro de dicha sociedad, actualmente se inclina
a la realización de investigación en sistemas
eléctricos de potencia.
Juan Carlos Quispe Huarcaya (S’09) nació en
Huancavelica, Perú, el 11 de julio de 1990.
Estudiante de pregrado de la Facultad de Ingeniería
Eléctrica y Electrónica de la Universidad Nacional
de Ingeniería. Forma parte de Instituto de
Investigación de la Facultad de Ingeniería Eléctrica
y Electrónica (IIFIEE) como investigador en el área
de Sistemas Eléctricos de Potencia. Actualmente
conforma la junta directiva del Capitulo Estudiantil,
Power & Energy Society de la Rama IEEE – UNI.
Edwin M. Ramos Curasi (S’09), nació en Huánuco,
Perú, el 4 de octubre de 1988. Estudiante de
pregrado de la Facultad de Ingeniería Eléctrica y
Electrónica de la Universidad Nacional de
Ingeniería. Actualmente participa en el IIFIEE
como investigador en el área de Sistemas Eléctricos
de Potencia. Miembro del Capítulo Estudiantil
Power & Energy Society de la Rama IEEE-UNI.
Entre sus campos de interés se encuentran el
análisis de sistemas de potencia.
Yuri Molina Rodríguez nació en Ancash, Perú, el
27 de Diciembre de 1978. Bachiller en Ingeniería
Eléctrica por la Universidad Nacional de Ingeniería
(2002), Magister en sistemas de potencia por la
Universidad Federal de Maranhão-Brasil (2005),
Doctorado por la Pontificia Universidad Católica de
Ingeniería Eléctrica (2009). Realiza trabajos de
investigación en el IIFIEE, en el área de Sistemas
Eléctricos de Potencia.
-40 -30 -20 -10 0 10 20 30 40 50 600
500
1000
1500
2000
2500
3000
3500
4000
4500
5000Histograma de errores predichos
%error
veces q
ue s
e r
epite