Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
Abstract
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
1 Estudiante de Ingeniera Elctrica Universidad Politcnica Salesiana, sede Quito. Autor para
correspondencia: dortizp@est.ups.edu.ec.
1
ApellidoAutoretal/TitulodelArticulo
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.
Das festivos
Das laborales
Variable Temperatura
s del
Punto de roco
clima
Variable
de la
Demanda
demand
histrica
a
Fecha
ApellidoAutoretal/TitulodelArticulo
Variable
Especificacin
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
2 minutos y 52
segundos
18600 (60%)
9300 (30)
3100 (10%)
MAPE, MAE
Variable
Especificacin
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
2 minutos y 54
segundos
18600 (60%)
9300 (30)
3100 (10%)
MAPE, MAE
4. Anlisis de resultados.
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
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
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.
ApellidoAutoretal/TitulodelArticulo
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.
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.
ApellidoAutoretal/TitulodelArticulo
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
5. Conclusiones
ApellidoAutoretal/TitulodelArticulo
Referencias
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.
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
10