ESCUELA POLITÉCNICA NACIONAL

DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA

Nombre: Morocho Quisaguano Juan Andrés

Grupo: GR “1”
Fecha: Noviembre 11, 2015

PRONÓSTICO DE LA DEMANDA ELÉCTRICA

Los pronósticos de demanda son de vital importancia pues permiten obtener un buen
planeamiento de la operación de los sistemas eléctricos; además, influyen en la toma de
decisiones operativas y estratégicas respecto a que cantidad y a qué precio será conveniente las
transacciones con otras empresas del sector.
Estos pronósticos al poseer diferentes tiempos de evaluación ayudan a determinar si en algún
momento se llegase a obtener déficits en los diferentes campos de dicho sistema, teniendo
como consecuencia la implementación de nuevas centrales, líneas de transmisión, entre otros
aspectos, con el fin de indicar que existe un exceso en relación con la capacidad de generación
y en un futuro satisfacer la demanda energética.
La realización de un pronóstico subestimado podría provocar un déficit del sistema frente un
alza de la demanda, y por consiguiente comprometer la confiabilidad y seguridad de sistema.
Por el contrario si se realizara un pronóstico sobrestimado, los costos de oportunidad pueden
ser elevados al tener comprometida improductivamente cuantiosos fondos económicos por
largos períodos de tiempo.

Métodos de pronóstico

Existen diferentes métodos para pronosticar la demanda de energía de un sistema eléctrico,

pero en general a todos estos se los clasifica en 3 grandes grupos:

 Métodos estadísticos
 Métodos basados en inteligencia artificial
 Métodos de intuición humana

Entre las dificultades que se presenta al momento de realizar pronósticos correctos en la

demanda se encuentran: complejidad de sus factores determinantes, características
estructurales de los datos, horizontes del pronóstico y las limitantes propias de la metodología
utilizada.

Métodos estadísticos
Son aquellos basados en análisis de series de tiempo y en los cuales se asume que la
demanda es una combinación lineal de variables independientes.

a. Regresión lineal

𝑦(𝑡) = 𝑎0 + 𝑎1 𝑥1 (𝑡) + 𝑎𝑛 𝑥𝑛 (𝑡) + 𝑎(𝑡)

 ESCUELA POLITÉCNICA NACIONAL
DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA

Donde:
𝑦(𝑡): 𝑑𝑒𝑚𝑎𝑛𝑑𝑎
𝑥𝑖 (𝑡): 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑎 (𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎, 𝑡𝑖𝑝𝑜 𝑑𝑒 𝑑í𝑎, 𝑒𝑡𝑐. )
𝑎(𝑡): 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 (𝑚𝑒𝑑𝑖𝑎 𝑐𝑒𝑟𝑜 𝑦 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒)
𝑎0 , 𝑎1 , … , 𝑎𝑛 : 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛

b. Suavizamiento exponencial

𝑦(𝑡) = 𝑏 𝜏 (𝑡) ∗ 𝑓(𝑡) + 𝑒(𝑡)

𝑓(𝑡) = 𝐿 ∗ 𝐹(𝑡 − 1)
Donde:
𝑓(𝑡): 𝑣𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑝𝑟𝑜𝑐𝑒𝑠𝑜
𝐿: 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑡𝑟𝑛𝑎𝑠𝑖𝑐𝑖ó𝑛
𝑏(𝑡): 𝑣𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠
𝑒(𝑡): 𝑟𝑢𝑖𝑑𝑜 𝑏𝑙𝑎𝑛𝑐𝑜

c. Filtro Kalman y estimación de estado

𝑥(𝑘 + 1) = ∅(𝑘) ∗ 𝑥(𝑘) + 𝑤(𝑘)

𝑧(𝑘) = 𝐻(𝑘) ∗ 𝑥(𝑘) + 𝑣(𝑘)
Donde:
𝑥(𝑘): 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑒𝑠𝑡𝑎𝑑𝑜
𝑤(𝑘): 𝑟𝑢𝑖𝑑𝑜 𝑏𝑙𝑎𝑛𝑐𝑜 𝑐𝑜𝑛 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎
𝑧(𝑘): 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑚𝑒𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑢𝑛 𝑣𝑒𝑐𝑡𝑜𝑟
∅(𝑘): 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑖𝑐𝑖ó𝑛
𝐻(𝑘): 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
𝑣(𝑘): 𝑒𝑟𝑟𝑜𝑟

d. Modelos econométricos de Box-Jenkins

Tabla 1 Modelos de Box – Jenkins o ARIMA [1]

 ESCUELA POLITÉCNICA NACIONAL
DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA

Donde:
𝑦(𝑡): 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑎𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡
𝑢(𝑡): 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡
𝐵: 𝑜𝑝𝑒𝑟𝑎𝑑𝑜𝑟 𝑑𝑒 𝑟𝑒𝑡𝑎𝑟𝑑𝑜 → 𝑦(𝑡 − 𝑚) = 𝐵𝑚 ∗ 𝑦(𝑡)
𝑝: 𝑜𝑟𝑑𝑒𝑛 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜 𝑅𝐴
𝑎(𝑡): 𝑒𝑟𝑟𝑜𝑟 𝑑𝑒𝑙 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜
𝑞: 𝑜𝑟𝑑𝑒𝑛 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜 𝑀𝐴
𝑑: 𝑜𝑟𝑑𝑒𝑛 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜 𝑑𝑒 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛
𝑆: 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙

Figura 1 Modelo esquemático del método Box – Jenkins [1]

Métodos basados en inteligencia artificial

Estos métodos poseen mejor precisión, ya que considera a la demanda como una función
no lineal. La notable ventaja es que no requiere de una formulación muy compleja o
correlación cualitativa.

a. Sistemas expertos
Este sistema toma como referencia el conocimiento declarativo (hechos sobre objetos,
situaciones) y el conocimiento de control (información sobre el seguimiento de una
acción), la cual es usada para predecir usando un razonamiento (inferencias),
explorando e conocimiento de los especialistas para el desarrollo de las reglas de
inferencia.
 ESCUELA POLITÉCNICA NACIONAL
DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA

b. Lógica difusa
Consiste en acotar un grupo de variables de entrada en una salida usando instrucciones
lógicas. Las reglas son obtenidas de los datos históricos usando un algoritmo de
aprendizaje.

c. Razonamiento inductivo fuzzy (FIR)

Este método combina la modelación cualitativa, la cual determina el grupo de las
variables de entrada que describen de mejor manera el comportamiento entrada-salida
de los datos mediante la identificación de máscaras de correlación y la simulación
cualitativa que compara los datos de prueba con sus datos vecinos de la base de datos
e interpola entre las salidas previamente observadas.
Es decir, aprende y analiza los patrones observados de las señales medidas para luego
predecir un comportamiento futuro en base al conocimiento pasado.

d. Redes neuronales artificiales (ANN)

Modelos no lineales que aprenden, identifican y aproximan de manera eficiente. Entre
estos tenemos:

 Peceptron multicapa
 Red de elementos lineales adaptativos (Madaline)
 Redes Feedforward
 Redes Feedforward con retardos temporales (TLFN)
 Redes recurrentes (Jordan)

Métodos de intuición humana

Se fundamentan en la experiencia empírica y varían dependiendo de la aplicación, son
simple y fáciles de aplicar pero no son muy precisos.

Método a muy corto plazo

El pronóstico de muy corto plazo tiene un horizonte de unos pocos minutos hasta unas pocas
horas. Se emplean para la operación y control del sistema en tiempo real y para la evaluación
de la seguridad operativa.

Método a corto plazo

El pronóstico de corto plazo tiene un horizonte de horas, días e incluso unas pocas semanas.
Se utiliza para la programación del despacho económico de las unidades de generación,
realizar análisis de seguridad y calidad y para la programación de mantenimientos menores
de las unidades generadoras
 ESCUELA POLITÉCNICA NACIONAL
DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA

Método a mediano plazo

El pronóstico de demanda de energía de mediano plazo tiene un horizonte que puede
comprender semanas, meses e incluso hasta cinco años. Este es necesario para planificar las
compras de combustibles, realizar el programa de mantenimientos mayores de las unidades
de generación, coordinar contratos de compra/venta de energía y realizar evaluaciones de
ingresos.

Métodos a largo plazo

El pronóstico de demanda de energía de largo plazo tiene un horizonte de previsión de cinco
a veinte años. Tienen un papel importante para prever la necesidad de programar la
construcción de nuevas centrales de generación de energía eléctrica, expansión del sistema
de transmisión de energía y determinar políticas de regulación de precios.

Conclusiones

 Es indispensable la realización de un pronóstico de demanda de energía eléctrica puesto

que este ayuda a tener un mejor sistema eléctrico, es decir, preparado para alzas de
demanda bruscas o que no ocurran de manera fugaz, garantizando la correcta
distribución de la energía.

 Se logró conocer de mejor manera los diferentes métodos que existen para determinar
el crecimiento de la demanda energética, así como sus ventajas, desventajas y nivel de
precisión que tiene cada uno con respecto a otro.

 En cuanto a los métodos estadísticos se refiere, el manejo de estos resulta ser el más
complicado ya que implica la utilización de diferentes operadores que en teoría su
cálculo implica tiempo y de no existir el equipo necesario, no serían eficientes al
momento de analizar un incremento de demanda.

Bibliografía

[1]. Herrera O. Lorena del Pilar, “Pronóstico de la Demanda Utilizando Inteligencia artificial”,
Tesis, Escuela Politécnica Nacional, 2007. [Online]. Disponible en:
http://bibdigital.epn.edu.ec/bitstream/15000/464/1/CD-0836.pdf
 ESCUELA POLITÉCNICA NACIONAL
DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA

[2]. “Avances recientes en la predicción de la demanda de electricidad usando modelos no

lineales”. [Online]. Disponible en:
http://www.bdigital.unal.edu.co/5431/1/vivianarueda.2011.pdf

[3]. Orellana R. José, “Modelación y Pronóstico de la Demanda de Energía Eléctrica de

Mediano Plazo de El Salvador”, Tesis, Universidad del Salvador, 2012. [Online].
Disponible en: http://www.matematica.ues.edu.sv/escuela/wp-
content/uploads/2013/05/Tesis-Modelacion-y-pronostico-demanda.pdf