ArtculoCientfico/ScientificPaper

APLICACIN DE REDES NEURONALES ARTIFICIALES

EN EL PRONSTICO DE LA DEMANDA ELCTRICA A
CORTO PLAZO EN EL SNI
David Andrs Ortiz Parra1.

Resumen

Abstract

En el presente trabajo de tesis brinda una solucin a

la prediccin de la demanda elctrica en corto en el
SNI usando modelos de redes neuronales.
Con la aplicacin de las Redes Neuronales
Artificiales, se resuelve el problema de la
complejidad de los modelos de prediccin
tradicionales, a partir de los factores que realmente
afectan el consumo energtico, los aspectos que se
consideraran en este estudio particularmente son: i)
Datos histricos de demandas elctricas diarias, ii)
Datos del clima; y, iii) Datos del tiempo como son
la hora y la fecha. Con el algoritmo de solucin
desarrollado se realiza el anlisis en dos casos, el
primer caso realizara la prediccin en el SNI
incluyendo nicamente el comportamiento de la
demanda y el segundo caso realiza la prediccin de
la demanda elctrica en el SNI tomando en cuenta
el caso anterior y adems se incluye la variable del
clima.

The present thesis provides a solution to the

forecasting of electricity demand in the short SNI
using neural network models.
With the application of Artificial Neural Networks ,
the problem of the complexity of traditional
prediction models is solved , from factors that
actually affect energy consumption, aspects that were
considered in this study are particularly : i) historical
data daily electrical demand , ii) climate data ; and ,
iii) weather such as time and date . With the
developed solution algorithm analysis is performed
in two cases , the first case perform the prediction on
the SNI including only the behavior of the
application and the second case takes the prediction
of electricity demand in the SNI taking into account
the previous case and variable climate also included.
Keywords: Forecast electricity demand short-term,
artificial neural networks.

Palabras Claves: Pronstico de demanda elctrica

de corto plazo, redes neuronales artificiales.

1. Introduccin
En la actualidad el pronstico de la demanda
elctrica es una tarea que implica gran
responsabilidad y complejidad, ya que tras de ella
conlleva repercusiones importantes para los
Operadores del Sistema y Agentes del Sector
Elctrico, es as que bajo este entorno, el
pronstico de la demanda elctrica debera

disminuir todas las incertidumbres, es decir que

debe existir compatibilidad entre la calidad del
servicio y la asignacin de los recursos. En este
sentido, el pronstico de la demanda de energa
elctrica a corto plazo es una funcin esencial para
una confiable y econmica operacin del sistema
de potencia ecuatoriano.

1 Estudiante de Ingeniera Elctrica Universidad Politcnica Salesiana, sede Quito. Autor para
correspondencia: dortizp@est.ups.edu.ec.
1

ApellidoAutoretal/TitulodelArticulo

El pronstico de la demanda de energa elctrica en

el corto plazo comprende un intervalo de 24 horas
y es de vital importancia para diferentes procesos
realizados por el Centro Nacional de Control de
Energa (CENACE) tales como: el despacho
econmico y la programacin de transferencia de
energa y el control en tiempo real[1].El costo de
operacin del sistema elctrico de potencia
ecuatoriano se ve afectado por varios factores, uno
de estos factores es el error en la prediccin de la
demanda elctrica ya que sin una correcta
representacin de las necesidades futuras de
generacin de energa elctrica, los problemas por
exceso de capacidad o insuficiencia de capacidad,
pueden tener costos elevados para el sistema.

datos de pruebas para probar el modelo ANN y

datos de validacin, para validar los resultados de
la ANN (Fig. 1).

2. Antecedentes
Uno de los requerimientos de vital importancia
para el rea de planeamiento del CENACE, es el
pronstico diario de demanda de carga elctrica del
sistema de potencia ecuatoriano, ya que la
planificacin de distribucin de energa elctrica
en el pas se basa en el pronstico de demanda. La
previsin de la demanda de energa elctrica
influye directamente en la programacin diaria
(corto plazo) de los despachos de las unidades, de
tal manera que garantice el suministro de la
energa.
El objetivo de implementar modelos estadsticos
que generen pronsticos de demanda confiables es
realizar una planificacin ptima que ayude a
controlar las eventualidades al mximo y como
resultado de esto una operacin eficiente,
econmica y segura del sistema, esto a su vez esto
representa un significativo ahorro econmico de
los recursos en el sector elctrico ecuatoriano.

Fig. 1 Modelo bsico para el sistema de prediccin de carga elctrica.

3.1. Seleccin de variables de entrada a las redes

neuronales.
Se propone un modelo neuronal que tiene como
variables de entrada las que se muestran en la
Tabla 1.
Da
Variable
s de
tiempo

Das festivos

Das laborales
Variable Temperatura
s del
Punto de roco
clima
Variable
de la
Demanda
demand
histrica
a

3. Diseo del modelo de aplicacin

Se propone un modelo de red neuronal artificial
con alimentacin hacia adelante para la previsin
de cargas a corto plazo en el SNI. La red ser
entrenada con el algoritmo retropropagacin de
Levenberg Marquardt.
Los datos se dividen en tres grupos llamados datos
de entrenamiento para entrenar la red neuronal,

Fecha

Tabla 1. Variables de entrada a la red neuronal.

Las matrices de predictores para los casos

correspondientes se muestran en la Tabla 2 y Tabla
3.
2

ApellidoAutoretal/TitulodelArticulo

Matriz de predictores, datos de entrada a la

Red Neuronal, caso 1
Demand
Deman
Deman
a
da
Da
Da
da
promedi
Hor
horaria
laborab festi
horaria o de las
a
de la
le
vo
del da 24 horas
semana
anterior anterior
anterior
es
Tabla 2. Matriz de predictores, datos de entrada a la Red Neuronal,
caso 1.

Matriz de predictores, datos de

entrada a la Red Neuronal, caso
2
Punto
Da
Temperatu
Hor
de
laborabl
ra
a
Roco
e

Variable

Especificacin

Tipo de red neuronal

Nmero de neuronas de
entrada
Nmero de capas ocultas

Perceptrn multicapa
6
1 con 4 neuronas

Nmero de iteraciones

372

Ciclo de aprendizaje

1000

Regla de aprendizaje
Nmero de valores de
entrenamiento
Nmero de valores de
validacin
Nmero de valores de prueba

Levenberg-Marquardt

Lenguaje de programacin
Mtodos de estimacin de
error

Script Matlab

Tiempo empleado para el

entrenamiento

2 minutos y 52
segundos

18600 (60%)
9300 (30)
3100 (10%)
MAPE, MAE

Tabla 4. Parmetros para el aprendizaje de la red neuronal para el

pronstico de demanda de energa elctrica en corto plazo en el SNI,
sin variables del clima como entrada a la red, Caso1.

Matriz de predictores, datos de entrada

a la Red Neuronal, caso 2
Demanda
Demanda Demanda
promedio
Da
horaria de
horaria
de las 24
festivo la semana
del da
horas
anterior
anterior
anteriores
Tabla 3. Matriz de predictores, datos de entrada a la Red Neuronal,
caso 2.

3.2. Estructura de la red neuronal.

En los Fig. 2 y Fig. 3 a continuacin se muestra la
estructura de la red neuronal para el pronstico de
demanda en corto plazo en el S.N.I, para cada caso
en estudio.

Variable

Especificacin

Tipo de red neuronal

Nmero de neuronas de
entrada
Nmero de capas ocultas

Perceptrn multicapa
8
1 con 4 neuronas

Nmero de iteraciones

321

Ciclo de aprendizaje

1000

Regla de aprendizaje
Nmero de valores de
entrenamiento
Nmero de valores de
validacin
Nmero de valores de prueba

Levenberg-Marquardt

Lenguaje de programacin
Mtodos de estimacin de
error

Script Matlab

Tiempo empleado para el

entrenamiento

2 minutos y 54
segundos

18600 (60%)
9300 (30)
3100 (10%)
MAPE, MAE

Tabla 5. Parmetros para el aprendizaje de la red neuronal para el

pronstico de demanda de energa elctrica en corto plazo en el SNI,
incluyendo las variables del clima como entrada a la red, Caso2.
Fig. 2 Estructura de red neuronal utilizada para el pronstico de
demanda de energa elctrica en corto plazo en el SNI, sin variables del
clima como entrada a la red, Caso1.

4. Anlisis de resultados.

Los datos de demanda de los predespachos as

como los precios de los perodos en barra del
mercado de demanda se obtuvieron de documentos
provedos por el CENACE (Predespacho
econmico diario programado), los periodos
Fig. 3. Estructura de red neuronal utilizada para el pronstico de
horarios de la demanda (base, media y punta), se
demanda de energa elctrica en corto plazo en el SNI, incluyendo las
obtuvieron de la codificacin del Reglamento de
variables del clima como entrada a la red, Caso2.
tarifas elctricas, dicho documento menciona que:
En la Tabla 4 y Tabla 5 se muestran los parmetros - Demanda base: 22h00 7h00.
para el entrenamiento de la red neuronal para cada
- Demanda media: 7h00 18h00.
caso en estudio.
3

Demanda punta: 18h00 22h00.

Demanda Real vs Resultados de los pronsticos y Predespacho, 25 de mayo 2013

Los precios en barra de mercado de los periodos de

demanda base, media y punta, son los valores con
los se efectuar el anlisis econmico del proyecto
de tesis, se muestran en la siguiente tabla.
PRECIOS EN
BARRA DE
MERCADO
cUSD/kWh
2013-05-25

PRECIOS EN
BARRA DE
MERCADO
cUSD/kWh
2013-05-26

Demanda Real

Predespacho

2900.0
2700.0
2500.0

2300.0
Pronstico R.Neuronal sin incluir la variable del
Demanda
clima elctrica MW 2100.0

PRECIOS EN
BARRA DE
MERCADO
cUSD/kWh
2013-05-27

1900.0

BASE

6,2

BASE

5,3

BASE

5,9

Pronstico R.Neuronal incluyendo la variable del

1700.0
clima

MEDIA

7,4

MEDIA

5,6

MEDIA

8,1

1500.0

PUNTA

7,3

PUNTA

6,2

PUNTA

DIARIO

DIARIO

5,6

DIARIO

7,4

PRECIOS EN
BARRA DE
MERCADO
cUSD/kWh
2013-05-28

PRECIOS EN
BARRA DE
MERCADO
cUSD/kWh
2013-05-29

Horas

PRECIOS EN
BARRA DE
MERCADO
cUSD/kWh
2013-05-30

BASE

6,9

BASE

BASE

6,2

MEDIA

7,4

MEDIA

8,4

MEDIA

8,6

PUNTA

6,9

PUNTA

8,5

PUNTA

8,6

Fig. 4. Demanda Real vs Resultados de los pronsticos y predespacho,

25 de mayo 2013.Grfico

Cuadro comparativo de las medidas de

error 2013-05-25
MAE(P.
MAPE(
U)
%)
Predespacho vs
0,01939
2,3746
Demanda Real
68
7
R. Neuronal con variable
del clima vs Demanda
0,01624
2,0027
Real
51
2
R. Neuronal sin variable
del clima vs Demanda
0,01725
2,0919
Real
23
7

DIARI
7,1
DIARIO 8
DIARIO 7,8
O
Tabla 6. Precios en barra de mercado de los periodos de demanda base,
media y punta, 25-may-2013 a 30-may-2013.

Los valores del cuadro econmico comparativo

promedio que se muestra en el anlisis econmico
de cada da, se obtienen al realizar el producto del
precio de barra en el mercado con el promedio de
la demanda para cada perodo de demanda horario
base, medio y punta, lo mencionado se expresa en
la siguiente ecuacin.

Tabla 7. Cuadro comparativo de las medidas de error de pronstico

2013-05-25.

Cuadro comparativo econmico promedio 25 de

mayo 2013
R.
R.
Neuronal Neuronal
sin
incluyend
incluir la
o la
Deman Predespa variable
variable
cUSD
cho de demanda
del climadeldel
Costo de demanda ( USD )=Precio de barra en el mercado da Real
Promedio
perclima
odo h orario( K
kW(USD)
h
(USD)
(USD)
(USD)
Deman
(4.1)
da
111.348, 120.350,6 117.062,4
Base
68
8
9 118.539,51
Deman
da
153.463, 160.465,2 163.081,9
Media
31
8
4 162.021,44
Deman
da
187.768, 197.482,3 193.981,0
Punta
90
3
3 189.621,40

Tabla 8. Cuadro comparativo econmico 2013-05-25.

ApellidoAutoretal/TitulodelArticulo

Demanda Real vs Resultados de los pronsticos y Predespacho, 26 de mayo 2013

Demanda Real

Demanda Real vs Resultados de los pronsticos y Predespacho, 27 de mayo 2013

Demanda Real

3000.0

3100.0

2800.0
Predespacho

3300.0

Predespacho

2600.0

2900.0
2700.0

2400.0
Pronstico R.Neuronal sin incluir la variable del
2200.0
Demanda
clima Elctrica MW
2000.0

2500.0
Pronstico R.Neuronal
sin incluir la variable del
clima elctrica MW 2300.0
Demanda
2100.0

1800.0
Pronstico R.Neuronal incluyendo la variable del
1600.0
clima

1900.0
Pronstico R.Neuronal
incluyendo la variable del
clima
1700.0

1400.0

1500.0
Horas
Horas
Fig. 5. Demanda Real vs Resultados de los pronsticos y predespacho,
26 de mayo 2013.

Fig. 6. Demanda Real vs Resultados de los pronsticos y predespacho,

27 de mayo 2013.

Cuadro comparativo de las medidas de

error 2013-05-26
MAPE(%
MAE(P.U) )
Predespacho vs Demanda
0,017416
Real
9 2,12565
R. Neuronal con variable
del clima vs Demanda
0,038774
Real
1 4,75792
R. Neuronal sin variable
del clima vs Demanda
0,028656
Real
3 3,54827

Cuadro comparativo de las medidas de

error 2013-05-27
MAE(P.U MAPE(%
)
)
Predespacho vs
0,01735
Demanda Real
78 1,96653
R. Neuronal con variable
del clima vs Demanda
0,01584
Real
27 1,86674
R. Neuronal sin variable
del clima vs Demanda
0,01293 1,55227
Real
22
2

Tabla 9. Cuadro comparativo de las medidas de error de pronstico

2013-05-26.

Tabla 11. Cuadro comparativo de las medidas de error de pronstico

2013-05-27.

Cuadro comparativo econmico promedio 26

de mayo 2013
R.
R.
Neuron
Neuronal
al
Deman Predesp
sin
incluyen
da Real
acho
incluir la
do la
(USD)
(USD)
variable variable
del clima
del
(USD)
clima
(USD)
Dema
93.507, 97.459,7
104.562,
nda
99.890,23
48
3
48
Base
Dema
104.563 111.497, 118.589,3 119.357,
nda
,35
81
0
92
Media
Dema
156.109 165.478, 163.887,4 172.285,
nda
,60
28
0
68
Punta

Cuadro comparativo econmico promedio

27 de mayo 2013
R.
R.
Neurona
Neuronal
l sin
Deman Predesp
incluyen
incluir la
da Real
acho
do la
variable
(USD)
(USD)
variable
del
del clima
clima
(USD)
(USD)
Dema
109.638 113.876,5 114.099, 117.238,5
nda
,49
1
42
0
Base
Dema
198.025 208.526,0 204.923, 205.795,8
nda
,89
9
71
2
Media
Dema
231.635 242.802,5 234.646, 233.995,8
nda
,12
9
76
3
Punta

Tabla 10. Cuadro comparativo econmico 2013-05-26.

Tabla 12. Cuadro comparativo econmico 2013-05-27.

En los grficos presentados anteriormente se

5

muestra una comparacin de los perfiles de

demanda reales, predespachos de demanda
realizado por el CENACE y los perfiles de
demanda obtenidos por las redes neuronales, para
los das 25, 26 y 27 de mayo del 2013, se observa
que las curvas de los perfiles de demanda
obtenidas mediante las redes neuronales siguen la
tendencia de la curva de demanda real y abastecen
al sistema en todas las horas del da; para realizar
el anlisis tcnico-econmico se presentan cuadros
comparativos al pie de los grficos de perfil de
demanda, se observa que el MAPE de los
pronsticos obtenidos de las redes neuronales de
los das 25 y 27 de mayo del 2013 son inferiores al
MAPE del predespacho, en el da 26 de mayo del
2013 se observa que el MAPE del predespacho es
inferior al MAPE de los pronsticos de las redes
neuronales; el MAPE de los tres das en anlisis
cumplen con la condicin de no exceder el 5%
establecido.
A continuacin del cuadro comparativo de las
medidas de error , se presenta un cuadro
econmico comparativo del valor en dlares que
cuesta abastecer al sistema en cada una de los
periodos horarios (base, media y punta), la
comparacin se realiza entre el predespacho que
realiza el CENACE, los pronsticos obtenidos
mediante las redes neuronales en los dos casos de
estudio, y el costo de abastecer la demanda real, se
observa que el costo de abastecer al sistema en el
caso de los pronsticos de las redes neuronales y el
predespacho se relaciona directamente con las
medidas de error de pronstico, debido a que si el
MAE y el MAPE estn cercanos a cero el costo de
abastecer al sistema ser semejante al costo real, de
los resultados obtenidos del anlisis se concluye
que los pronsticos obtenidos de las redes
neuronales son exitosos.

Demanda Real vs Resultados de los pronsticos y Predespacho, 28 de mayo 2013

Demanda real

3300.0
3100.0

Predespacho

2900.0
2700.0

2500.0
Pronstico R.Neuronal
sin incluir la variable del
Demanda
clima elctrica MW 2300.0
2100.0
1900.0
Pronstico R.Neuronal
incluyendo la variable del
clima
1700.0
1500.0

Hora
Fig. 7. Demanda Real vs Resultados de los pronsticos y predespacho,
28 de mayo 2013.

Cuadro comparativo de las medidas de

error 2013-05-28
MAE(P.U MAPE(%
)
)
Predespacho vs
0,009909
Demanda Real
66
1,16392
R. Neuronal con variable
del clima vs Demanda
0,012467
Real
3
1,45937
R. Neuronal sin variable
del clima vs Demanda
0,012349
Real
9
1,45048
Tabla 13. Cuadro comparativo de las medidas de error de pronstico
2013-05-28.

Cuadro econmico comparativo promedio 28

de mayo 2013
R.
R.
Neuronal Neuronal
Demand Predespa
sin
incluyen
a Real
cho
incluir la
do la
(USD)
(USD)
variable variable
del clima del clima
(USD)
(USD)
Deman
137.837, 142.184,5 144.658,9 145.513,8
da
78
4
8
5
Base
Deman
186.182, 190.168,6 183.359,8 183.092,5
da
71
4
3
1
Media
Deman
203.318, 206.055,0 198.715,4 198.791,2
da
40
3
9
3
Punta
Tabla 14. Cuadro comparativo econmico 2013-05-28.

ApellidoAutoretal/TitulodelArticulo

Demanda Real vs Resultados de los pronsticos y Predespacho, 30 de mayo 2013

Demanda Real vs Resultados de los pronsticos y Predespacho, 29 de mayo 2013
Demanda Real

Demanda Real

3300.0

3100.0

3100.0
Predespacho

3300.0

Predespacho

2900.0

2900.0
2700.0

2700.0

2500.0
Pronstico R.Neuronal sin incluir la variable del
clima elctrica MW 2300.0
Demanda

2500.0
Pronstico R.Neuronal sin incluir la variable del
clima elctrica MW 2300.0
Demanda

2100.0

2100.0

Pronstico R.Neuronal1900.0
incluyendo la variable del
clima
1700.0

Pronstico R.Neuronal1900.0
incluyendo la variable del
clima
1700.0

1500.0

1500.0
Hora
Horas

Tabla 17. Demanda Real vs Resultados de los pronsticos y

predespacho, 30 de mayo 2013.

Fig. 8. Demanda Real vs Resultados de los pronsticos y predespacho,

29 de mayo 2013.

Cuadro comparativo de las medidas de

error 2013-05-30
MAE(P. MAPE(
U)
%)
Predespacho vs Demanda 0,01802
Real
61 2,02281
R. Neuronal con variable
del clima vs Demanda
0,01783
Real
03 1,99423
R. Neuronal sin variable
del clima vs Demanda
0,01400
Real
68 1,55623

Cuadro comparativo de las medidas de

error 2013-05-29
MAE(P.U MAPE(
)
%)
Predespacho vs Demanda 0,007303 0,8298
Real
71
61
R. Neuronal con variable
del clima vs Demanda
2,0561
Real
0,018387
3
R. Neuronal sin variable
del clima vs Demanda
0,013450 1,5014
Real
4
9
Tabla 15. Cuadro comparativo de las medidas de error de pronstico
2013-05-29.

Cuadro comparativo econmico promedio 29 de

mayo 2013
R.
R.
Neuronal Neuronal
Deman Predespa
sin
incluyend
da Real
cho
incluir la
o la
(USD)
(USD)
variable
variable
del clima del clima
(USD)
(USD)
Demand 139.825, 142.758,9 141.674,9
143.276,26
a Base
40
2
0
Demand 212.754, 216.346,5 203.462,0
199.263,67
a Media
85
3
0
Demand 247.947, 253.172,5 239.521,5
240.477,22
a Punta
11
7
8
Tabla 16. Cuadro comparativo econmico 2013-05-29.

Tabla 18. Cuadro comparativo de las medidas de error de pronstico

2013-05-30.

Cuadro comparativo econmico promedio 30 de

mayo 2013
R.
R.
Neuronal Neuronal
Demand Predespa sin incluir incluyend
a Real
cho
la
o la
(USD)
(USD)
variable variable
del clima del clima
(USD)
(USD)
Deman
122.865, 127.899,0 121.417,3
da
123.732,44
04
3
7
Base
Deman
213.799, 224.680,3 203.382,5
da
199.512,28
95
2
8
Media
Deman
246.755, 259.770,6 235.556,7
da
237.593,52
92
3
4
Punta
Tabla 19. Cuadro comparativo econmico 2013-05-30.

En los grficos presentados anteriormente se

muestra una comparacin de los perfiles de
demanda reales, predespachos de demanda
realizado por el CENACE y los perfiles de
demanda obtenidos por las redes neuronales, para
los das 28, 29 y 30 de mayo del 2013, se observa
que las curvas de los perfiles de demanda
obtenidas mediante las redes neuronales siguen la
tendencia de la curva de demanda real con la
particularidad de no abastecer la demanda del
sistema en todas las horas del da; para realizar el
anlisis tcnico-econmico se presentan cuadros
comparativos al pie de los grficos de perfil de
demanda, se observa que el MAPE de los
pronsticos obtenidos de las redes neuronales de
los das 28, 29 y 30 de mayo del 2013 no excede el
2.5% es decir se encuentra dentro del lmite
establecido del 5%.
A continuacin del cuadro comparativo de las
medidas de error , se presenta un cuadro
econmico comparativo del valor en dlares que
cuesta abastecer al sistema en cada una de los
periodos horarios (base, media y punta), la
comparacin se realiza entre el predespacho que
realiza el CENACE, los pronsticos obtenidos
mediante las redes neuronales en los dos casos de
estudio, y el costo de abastecer la demanda real, se
observa que el costo de abastecer al sistema en el
caso de los pronsticos de las redes neuronales y el
predespacho se relaciona directamente con las
medidas de error de pronstico, debido a que si el
MAE y el MAPE estn cercanos a cero el costo de
abastecer al sistema ser semejante al costo real,
evidentemente el costo de la demanda del sistema
en el caso de los pronsticos de las redes
neuronales es inferior al del predespacho debido a
que no logra abastecer la demanda en todas las
horas del da, de los resultados obtenidos del
anlisis se concluye que los pronsticos obtenidos
de las redes neuronales son aceptable debido a que
se encuentra dentro del lmite establecido pero
sujeto a un ajuste en la base de datos de demanda
histrica para llegar a cumplir la condicin de
abastecer al sistema.

5. Conclusiones

Para realizar un pronstico de la demanda

de energa elctrica a corto plazo, es
necesario
disponer
de
informacin
confiable y suficiente para desarrollar un
anlisis detallado de la toda la informacin
disponible que se relacione con el consumo
de la energa elctrica, horarios, fechas,
tipos de consumidores, entre otras
variables. Debido al alto grado de
complejidad del anlisis, la eficiencia del
pronstico de corto plazo, depende
directamente la robustez del modelo de
pronstico, y sobre todo las tcnicas a
utilizar para el mejoramiento de su
precisin.

La eficiencia de un pronstico de demanda

elctrica a corto plazo depende mucho del
tiempo que se emplee para entrenar a la red
neuronal, por su naturaleza de aprender por
medio de experiencias se debe insistir en
realizar varios entrenamientos y pruebas
antes de seleccionar la red con la cual se va
a realizar el pronstico, el requerimiento
principal es contar con una base de datos de
demanda elctrica histrica confiable y
veraz que debe contener informacin de al
menos seis aos anteriores.

Al pasar el tercer da del pronstico el

algoritmo de solucin de redes neuronales
presenta resultados de pronstico que no
cumplen con la condicin de abastecer al
sistema como lo hace en los tres das
anteriores, esto se debe a que no se cuenta
con una base histrica de datos suficiente
para que el algoritmo aprenda y generalice
de manera adecuada, sin embargo los datos
de pronostico que se obtienen del algoritmo
de solucin de redes neuronales se
encuentran dentro del lmite 5%
establecido en el captulo III, entonces se
puede decir que en general los pronsticos
obtenidos para estos das son aceptables

ApellidoAutoretal/TitulodelArticulo

pero sujetos a un ajuste en la base histrica

de datos para cumplir con la condicin de
abastecer al sistema en todas las horas del
da.

demanda histrica para llegar a cumplir la

condicin de abastecer al sistema

Referencias

Los resultados tcnicos y econmicos que

se obtuvieron de los pronsticos de las
redes neuronales en el corto plazo del S.N.I
para los das 25, 26, 27 de mayo del 2013,
fueron ptimos debido a que cumplen con
la condicin establecida en el captulo III
de no exceder el 5% en el MAPE y
adems con la condicin de abastecer al
sistema en todas las horas del da, en el
anlisis econmico se demostr que los
pronsticos de las redes neuronales tienen
un costo menor de abastecer al sistema que
el predespacho que realiza el CENACE,
por lo que se puede concluir que los
pronsticos adquiridos de las redes
neuronales para los das mencionados
anteriormente fueron exitosos.

Tesis:
[1] P. O. MONDRAGN, PRONSTICO DE
LA DEMANDA DE ENERGA ELCTRICA
A CORTO PLAZO UTILIZANDO UNA
RED NEURONAL PTIMA., INSTITUTO
POLITCNICO NACIONAL, 2011.
[2] Ing. D. J. Garca, Ing. A. Cabrera Prediccin
de la demanda elctrica de corto plazo
mediante Redes Neuronales Artificiales
SIE, 2003.
Reportes Tcnicos:
[3] Conelec, Plan Maestro de electrificacin
2013-2022, 2013, p. 256.
Artculos de revistas:
[4] Mrs. J. P. Rothe, Dr. A.K. Wadhwani and Dr.
Mrs. S. Wadhwani Short Term Load
Forecasting
Using
Multi
Parameter
Regression
International
Journal
of
Computer Science and Information Security,
Vol. 6 no. 2, 2009.
[5] D. G. J. Ing and A. C. M. Ing, Prediccin de
la demanda elctrica de corto plazo mediante
Redes Neuronales Artificiales ., no. 1, pp. 2
5, 2003.
[6] JAIRO
A.
MENDOZA
VARGAS,
PRONSTICO DE CARGA A CORTO
PLAZO
UTILIZANDO
REDES
NEURONALES ARTIFICIALES, Scientia
et Technica Ao XII, no. 32, pp. 175180,
2006.

Los resultados tcnicos y econmicos que

se obtuvieron de los pronsticos de las
redes neuronales en el corto plazo del S.N.I
para los das 28, 29, 30 de mayo del 2013,
fueron aceptables debido a que cumplen
con la condicin establecida en el captulo
III de no exceder el 5% en el MAPE, sin
embargo no cumplen con la condicin de
abastecer al sistema en todas las horas del
da, en el anlisis econmico se demostr
que los pronsticos de las redes neuronales
tienen un costo menor de abastecer al
sistema que el predespacho que realiza el
CENACE, el costo es menor debido a que
los pronsticos obtenidos de las redes
neuronales no abastecen al sistema en todas
las horas del da, por lo que se puede
concluir que los pronsticos adquiridos de
las redes neuronales para los das
mencionados son aceptable debido a que se
encuentra dentro del lmite establecido pero
sujeto a un ajuste en la base de datos de

Libros:
[7] M. P. Jara and J. Rosel, Anlisis de series
temporales Un ejemplo de aplicacion en
mbitos psicologicos. p. 127.
[8] D. C. Montgomery and G. C. Runger, Applied
Statistics and Probability for Engineers Third
Edition, Third edit. Arizona, 2003, p. 976.
9

[9] F. X. Diebold, Elementos de Pronstico.

Mexico DF.: , 2001, p. 330.

10