SIE2003 1

ResumenEn el presente trabajo se brinda una solucin

prctica al problema de la prediccin de la demanda elctrica.
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. Con el software desarrollado se
realiza la prediccin del consumo energtico de una zona
determinada empleando datos meteorolgicos con un error de
prediccin aceptable.

Palabras Claves Prediccin del consumo, pronstico de
demanda de corto plazo, Redes Neuronales Artificiales.

I. INTRODUCCIN
A. Breve introduccin a las redes neuronales.
Los sistemas de computacin secuencial, son exitosos en la
resolucin de problemas matemticos o cientficos, en la
creacin, manipulacin y mantenimiento de bases de datos, en
las comunicaciones electrnicas, en el procesamiento de
textos, grficos y auto edicin, incluso en funciones de control
de electrodomsticos, hacindolos ms eficientes y fciles de
usar, pero definitivamente tienen una gran incapacidad para
interpretar el mundo.
Basados en la eficiencia de los procesos llevados a cabo por
el cerebro, e inspirados en su funcionamiento, varios
investigadores han desarrollado desde hace ms de 30 aos la
teora de las Redes Neuronales Artificiales (RNA), las cuales
emulan las redes neuronales biolgicas, y que se han utilizado
para aprender estrategias de solucin basadas en ejemplos de
comportamiento tpico de patrones; estos sistemas no
requieren que la tarea a ejecutar se programe, ellos
generalizan y aprenden de la experiencia.
La teora de las RNA ha brindado una alternativa a la
computacin clsica, para aquellos problemas, en los cuales
los mtodos tradicionales han entregado resultados poco
convincentes, o poco convenientes.
La teora de las RNA an esta en proceso de desarrollo, su
verdadera potencialidad no se ha alcanzado todava. Aunque
los investigadores han desarrollado potentes algoritmos de
aprendizaje de gran valor prctico, las representaciones y
procedimientos de que se sirve el cerebro, son an
desconocidas.
B. Planteamiento del problema.
En medio de la situacin econmica del pas poder predecir
el consumo energtico a corto plazo, brinda la posibilidad de
perfeccionar el plan de operacin de los sistemas de direccin
de energa y de las unidades generadoras con vista a optimizar
la capacidad de reserva conectada. La utilizacin ptima de
los generadores y estaciones de energa, depende en buena
medida de la exactitud del pronstico de carga.
La prediccin del consumo de carga refleja las necesidades
energticas futuras de una zona determinada y debe ser lo ms
ajustada posible. Una prediccin exagerada de la carga trae
como resultado un alto costo por el uso de unidades picos muy
grandes que provocaran un incremento innecesario del costo
de operacin.
En las ltimas dcadas se han propuesto varias tcnicas
para la prediccin de la carga a corto plazo. Los modelos de
serie de tiempo estocsticos, modelos de regresin lineal
mltiple, modelos de sistemas elaborados por expertos, los
modelos de reconocimientos de patrones y los filtros Kalman
son los ms utilizados. Existe un gran nmero de trabajos que
presentan la aplicacin de alguna de estas tcnicas en
diferentes situaciones [6]. Entre las alternativas recientes se
encuentran los sistemas expertos [19-20], las redes neuronales
[18] y los sistemas difusos [10].
En los ltimos aos, se han realizado muchas aplicaciones
de redes neuronales a problemas de sistemas elctricos [22],
siendo la prediccin de demanda de corto plazo una de las
ms exitosas. Tambin existen aplicaciones de redes
recurrentes [16], mapas auto-organizados [11-12] y otras
variantes. Los resultados parecen indicar que las redes
simples son tan buenas o mejores que las complejas en la
solucin de estas tareas.
El consumo de una zona dada est influido de forma
significativa por parmetros meteorolgicos tales como la
temperatura, humedad relativa, nubosidad, precipitaciones y si
el da es festivo o no. El pronstico de la demanda se realiza a
partir de datos meteorolgicos y de demanda.

II. MATERIALES Y MTODOS
A. Ttipo de red.
El algoritmo Backpropagation es un algoritmo de
aprendizaje supervisado, que necesita conocer cual es la salida
esperada asociada a cada una de las entradas para actualizar
pesos y ganancias.
(1)
(2)
Prediccin de la demanda elctrica de corto
plazo mediante Redes Neuronales Artificiales.
Ing. Delmar Jaime Garca, Ing. Alexander Cabrera Milanes.
SIE2003 2
Una de las mayores ventajas de las redes multicapas y en
especial del perceptrn multicapas, es que pueden aproximar
cualquier funcin, si se escoge una configuracin y un nmero
adecuado de neuronas en las capas ocultas, labor que depende
de la experiencia del desarrollador de la red. La red perceptrn
multicapas es un excelente aproximador de funciones, aunque
es imposible encontrar una configuracin nica para cada
aplicacin.
El proceso de aprendizaje del perceptrn multicapas
mediante el algoritmo Backpropagation no es fijo para
ninguna aplicacin, el xito consiste en probar con diferentes
configuraciones hasta obtener la respuesta deseada. Para esta
aplicacin se escogi una red 9:20:16:1, es decir, con 9
variables de entrada, una sola salida, 20 neuronas en la
primera capa oculta y 16 neuronas en la segunda capa oculta.
La eleccin de los patrones de entrenamiento se realiza
dependiendo de las necesidades explcitas de la prediccin de
la carga, de la forma en que vaya a mostrar la informacin de
salida y de la calidad de la informacin disponible.
Cualquier cambio en los patrones de entrenamiento exige
una codificacin diferente del vector de entrada y a su vez
cambia las condiciones generales de la red, pero el proceso de
entrenamiento sigue siendo igual.

B. Variables de entrada.
Las variables de entrada se seleccionaron entre los factores
que posiblemente afectan ms el consumo energtico:

Mes: Refleja la variacin estacional de la carga a
causa de los cambios del clima en el ao.
Da: Tiene en cuenta la variacin en el
comportamiento de la carga en los das festivos, por
ejemplo: Navidad, ao nuevo, carnavales, etctera.
Temperaturas mximas y mnimas: Es la variable
atmosfrica ms importante. El cambio de la carga
ocurre con grandes variaciones de temperatura.
Humedades relativas mximas y mnimas: En verano,
para un rango de temperaturas dado, la humedad
relativa es muy significativa al afectar la utilizacin
del aire acondicionado. La nubosidad y la
probabilidad de lluvia pueden ser indirectamente
reflejadas con la humedad relativa.
Precipitacin: Es otro parmetro importante que
afecta la carga del sistema. Afecta discretamente la
carga del aire acondicionado y la del alumbrado. La
humedad relativa y la nubosidad estn relacionadas
con las precipitaciones.
Nnubosidad: El brillo del sol es un ndice que mide el
grado de nubosidad que afecta directamente el
consumo de energa elctrica.

C. Entrenamiento de la red.
En el entrenamiento se utiliz el algoritmo de aprendizaje
Backpropagation.
A la red se le presenta un vector de entrada pi cuyas
componentes corresponden a las variables de entrada.
(
(
(
(
(
(

=
R
p
p
p
P
2
1
(3)
El vector de entrada se propaga a travs de las conexiones
existentes produciendo una entrada neta n en cada una las
neuronas de la capa siguiente, la entrada neta a la neurona j de
la capa siguiente, debido a la presencia del patrn de
entrenamiento en la entrada esta dada por la ecuacin (4).
Ntese que la entrada neta es el valor justo antes de pasar por
la funcin de transferencia.

=
+ =
R
i
j i ji j
b p W n
1
0 0 0
(4)
Donde:
W
o
ji
Peso que une la componente i de la entrada con la
neurona j de la capa oculta
p
i
Componente i del vector p que contiene el
patrn de entrenamiento de q componentes.
b
o
j
Ganancia de la neurona j de la capa oculta.
Cada una de las neuronas de la capa oculta tiene como
salida a
o
j

|
.
|

\
|
+ =

=
0
1
0
j i
R
i
ji
o o
j
b p W f a
(5)
A su vez cada salida de la capa oculta es la entrada de la
capa de salida, comportndose la salida de esta ltima como se
muestra.
|
|
.
|

\
|
+ =

=
S
K j
m
j
S
Kj
S S
K
b a W f a
1
(6)
Donde:
W
s
kj
Peso que une la neurona j de la capa oculta con
la neurona k de la capa de salida, la cual cuenta con
s neuronas.
a
o
j
Salida de la neurona j de la capa oculta, la cual
cuenta con m neuronas.
b
s
k
Ganancia de la neurona k de la capa de salida.
a
s
k
Entrada neta a la neurona k de la capa de salida.
La salida real de la red se compara con el valor esperado
para calcular el error.
( )
S
K K K
a t e = (7)
El error medio cuadrtico debido a cada patrn p propagado
esta dado por.
( )

=
=
S
K
K
e ep
1
2 2
2
1
(8)
El proceso se repite para el nmero total de patrones de
entrenamiento. El objetivo del algoritmo en el proceso de
aprendizaje es actualizar todos los pesos y ganancias de la red
minimizando el error medio cuadrtico total.

=
=
r
p
ep e
1
2 2 (9)
Donde:
e
2
Error total en el proceso de aprendizaje en una
SIE2003 3
iteracin luego de haber presentado a la red todos
los patrones de entrenamiento.
El error que genera una red neuronal en funcin de sus
pesos, es un espacio de n dimensiones, donde n es el nmero
de pesos. Al evaluar el gradiente del error en un punto de esa
superficie se obtiene la direccin en la cual la funcin del
error tiene un mayor crecimiento; como el objetivo del
proceso de aprendizaje es minimizar el error, debe tomarse la
direccin negativa del gradiente para obtener el mayor
decremento del error, condicin requerida para realizar la
actualizacin de la matriz de pesos en el algoritmo
Backpropagation.

D. Seleccin del conjunto de entrenamiento.
Para implementar el modelo neuronal se tomaron los datos
de consumo del interruptor 5330, correspondiente al circuito
Santiago Industrial, durante los meses de enero y julio de los
aos 2001 y 2002. Estos meses corresponden a las estaciones
ms notables en Cuba teniendo en cuenta los parmetros
meteorolgicos. La nubosidad no se tom en cuenta entre las
variables meteorolgicas debido a que en especfico Santiago
de Cuba la misma depende, entre otros, de factores no
disponibles como la actividad elctrica superior de la
atmsfera originada en la zona norte oriental.
Es interesante aclarar que en la medida que se incrementen
los datos del conjunto de entrenamiento la prediccin alcanza
mayor exactitud.

III. RESULTADOS Y DISCUSIN
Las corridas se realizaron empleando un Software
confeccionado sobre MatLab a partir del empleo de sus
herramientas para el trabajo con las Redes Neuronales
Artificiales.
Dentro de los meses seleccionados se tomaron varios das
al azar para realizar las comprobaciones.
La convergencia se logr en todos los casos para una
cantidad de corridas que oscila entre 9 y 13 con un error de
aproximacin no mayor de 0.01, un error medio de
generalizacin inferior al 5 % y un error mximo de
generalizacin no mayor del 10 %. El tiempo del
entrenamiento se encuentra alrededor de 10 minutos.

Se realizaron corridas utilizando una cantidad de patrones
de entrenamientos ligeramente superior a la cantidad de pesos
de la red obteniendo como resultado un error de
generalizacin muy prximo al 100%. Los resultados
descritos en el prrafo anterior se lograron con una cantidad
de patrones superior a 4 veces los pesos de la red. Para lograr
tal cantidad de datos fue necesario realizar el entrenamiento
para tres meses, lo que implic tomar adems del mes de
inters el anterior y el posterior.
Las figuras 1 a la 4 muestran las potencias pronosticadas y
demandadas para dos das de estaciones diferentes. Las
grficas muestran las potencias en MW para cada hora del da
Para el 1ro de enero del 2002 el error absoluto, a cada hora
Fig. 1. Potencia pronosticada para el 1ro de enero del 2002.
Fig. 4. Potencia demandada para el 1ro de julio del 2002.
Fig. 2. Potencia demandada para el 1ro de enero del 2002.
Fig. 3. Potencia pronosticada para el 1ro de julio del 2002.
SIE2003 4
del da fue:
%Error = [5.7820 1.5633 4.1367 5.7700 6.1600
8.2933 1.3567 5.3500 9.5500 7.9733 1.3100
9.3367 1.7767 1.6167 8.2300 5.1433 4.5767
0.6986 2.8414 3.6629 2.2257 3.3043 5.2033
2.9400] Error mximo = 9.55% Error mnimo = 0.69%
Error medio = 4.5334%.
Para el 1ro de julio del 2002 el error absoluto a cada hora
del da fue de:
%Error = [3.2787 2.1441 4.4600 6.8532 2.4836
4.7444 6.1397 6.2111 3.8615 3.3554 3.4514
5.1338 0.9043 2.9900 6.8299 2.3933 6.2714
5.8800 4.9462 1.3457 1.5800 2.7059 3.4152
2.2141] Error mximo = 6.85% Error mnimo = 0.9%
Error medio = 3.89%.

IV. CONCLUSIONES
Los resultados demuestran la eficacia de la aplicacin de un
modelo basado en las Redes Neuronales Artificiales al
pronstico de la demanda elctrica. Tal como lo muestran las
grficas comparativas los resultados obtenidos para un da
determinado entrando los datos meteorolgicos
correspondientes a dicho da, son muy similares a los
esperados.
La precisin de la prediccin, a pesar de la poca cantidad de
datos con los que se entren la red y de no haber incluido
otras variables que influyen en el consumo energtico como
son la nubosidad y la consideracin de los das de la semana,
es considerable, llegando a encontrarse la media del error no
mayor al 5% en todos los casos.
Para que se obtengan resultados aceptables teniendo en
cuenta el error de generalizacin, para esta aplicacin, se
necesitan, al menos, 4 patrones de entrenamiento por cada
peso de la red.
AGRADECIMIENTO
Este trabajo es el fruto de los esfuerzos realizados y la
abnegacin en el estudio durante un largo perodo de tiempo
que no habra fructificado sin la colaboracin decidida de
instituciones como la Empresa Elctrica Santiago de Cuba,
en especial de los profesionales de su despacho municipal y
del Centro de Estudios de Energas Renovables de la
Universidad de Oriente que aportaron los datos de carga
elctrica y variables meteorolgicas.
REFERENCIAS
[1] CHEN S., Yu D, Doghaddanjo A, Whether sensitive short-term load
forecsting using nonfully connected artificial neural network. IEEE
Transaction on Power Systems, Vol. 7, No. 3, pp 1098-1105, 1992.
[2] DELGADO Alberto. "Inteligencia Artificial y Minirobots". Bogota
D.C. Colombia. Ecoe Ediciones. Julio 1998.
[3] FISCHBACH Gerald D.. "Mente y cerebro". Investigacin y Ciencia #
194, Noviembre de 1992.
[4] FREEMAN James y SKAPURA David. "Redes Neuronales:
Algoritmos, aplicaciones y tcnicas de programacin". Delaware
E.U.A. Addison Wesley Iberoamericana S.A. 1993.
[5] GIRALDO Didier, TABARES Ivan. "Programa que entrena neuronas
para implementar funciones lgicas". Scientia et technica. Ao II, #5,
Junio de 1997.
[6] GROSS G, Galiana F, Short-term load forecasting, Proceedings of
the IEEE, Vol. 75, No. 12, pp 1558-1573, 1987.
[7] HAGAN Martin, DEMUTH Howard y BEALE Mark. "Neural Network
Design". PWS Publishing Company. Boston U.S.A. 1996.
[8] HILERA Jos R., MARTINEZ Vctor J. "Redes Neuronales
Artificiales. Fundamentos, modelos y aplicaciones ". Ra-ma Editorial.
Madrid. 1995.
[9] HINTON Geoffrey E. "Redes neuronales que aprenden de la
experiencia". Investigacin y ciencia. #194, Noviembre de 1992.
[10] HSU Y. Y., Ho K. L., Fuzzy expert systems: an application to short-
term load forecasting. IEE Proceedings C. Vol.139, No. 6, pp 471-477,
1992.
[11] HSU Y. Y., Yang C. C., Desing of artificial neural netwoks for short-
term load forecasting. Part I: Self-organisin feature maps gor day type
identification., IEE Proceedings-C, Vol. 138, No. 5, pp 407-413, 1991.
[12] HSU Y. Y., Yang C. C., Desing of artificial neural netwoks for short-
term load forecasting. Part I: Multilayer feedforward networks for peak
load and valley load forecasting., IEE Proceedings-C, Vol. 138, No. 5,
pp 414-418, 1991.
[13] KANDEL Eric R., ROBERT Hawkins. "Bases biolgicas del
aprendizaje y de la individualidad". Investigacin y ciencia #194,
Noviembre de 1992.
[14] KOSKO. "Bidirectional Associative Memories". IEEE Transactions on
system, Man & Cybernetics, #18, 1988, pags 42-60.
[15] LATHI B.P. "Introduccin a la teora y sistemas de comunicacin".
Limusa editores. Mjico. 1995.
[16] LEE K, Choi T, Ku C, Park J., "Short-term load forecasting using
diagonal recurrent neural network", Proceedings of the second
international forum on applications of neural networks to power
systems, Yokohama, Japan, pp 227-232, 1993.
[17] M. Minsky y S. Papert. "Perceptrons". ED. MIT Press,1969
[18] PARK D, El-Sharkawi M, Marks II. R, Atlas L, Damborg M, Electric
load forecasting using an artificial neural network IEEE Transactions
on Power Systems, Vol. 6, No. 2, pp 442-449, 1991.
[19] RAHMAN S, Formulation and analysis of a rule-based short-term load
forecasting algorithm, Proceedings of the IEEE, Vol. 78, No. 5, pp
805-816, 1990.
[20] RAHMAN S, An expert system based algorithm for short term load
forecast, IEEE transactions on Power Systems, Vol. 3, No. 2, pp 392-
399, 1988.
[21] SIMPSON P.K. "Foundations of neural Networks". Artificial Neural
Networks. IEEE PRESS. New York. 1992.
[22] VANKAYALA V, Rao N, Artificial neural networks and their
applications to power systems a bibliographical survey. Electric
Power Systems Research, 28, pp 67-79, 1993
[23] WIDROW Bernard, LEHR Michael A. "30 years of adaptive neural
networks: Perceptron, Madaline, and Backpropagation". Proceedings of
the IEEE, vol 78 #9, September 1990, pp 1415-1442.


Ing. Delmar Jaime Garca Profesor Asistente del Departamento de
Electroenergtica de la Facultad de Ingeniera Elctrica de la Universidad de
Oriente desde 1986. Graduado de Ingeniero Electricista en la Universidad de
Oriente, Cuba en 1986. Curso de postgrado internacional de Informtica
aplicada a los Sistemas Elctricos de Potencia en 1997. Profesor invitado por
las universidades nicaragenses UNI 1998 y UPONIC 1999 y 2000. E-mail:
delmar@fie.uo.edu.cu.
Ing. Alexander Cabrera Milans Ingeniero en adiestramiento en la Empresa
Elctrica Santiago de Cuba desde2003. Graduado de Ingeniero Electricista
en la Universidad de Oriente, Cuba en 2003.