Documentos de Académico
Documentos de Profesional
Documentos de Cultura
7379 5445 1 PB PDF
7379 5445 1 PB PDF
ISSN 0122-1701 37
1. INTRODUCCIN
3. COMPONENTES DE UNA SERIE DE TIEMPO
En el actual marco de liberalizacin de los mercados de
la energa elctrica que se presenta en Colombia, donde La descomposicin clsica es un mtodo que se basa en
las grandes industrias y superficies comerciales pueden el supuesto que la serie de datos se pueden desagregar en
suscribir contratos de compra de energa elctrica , las componentes como: tendencia, ciclo, estacionalidad e
empresas proveedoras de este servicio (comercializadoras irregularidad; que se describen a continuacin:
o empresas de distribucin locales), deben cumplir con
unos criterios mnimos que la Comisin Reguladora de 3.1. Tendencia
Energa y Gas, en asocio con el Centro Nacional de Una serie de tiempo con tendencia es aquella que
Despacho, dependiente de ISA, prevn para que estas contiene un componente de largo plazo que representa el
empresas dentro de su estructura de operacin, elaboren crecimiento o declinacin de la serie a travs de un
de manera ptima una prediccin confiable de la carga, perodo amplio.
porque de no hacerlo y fallar el sistema, deben asumir
las multas correspondientes por incumplimiento, y sobre 3.2. Estacional
todo las consecuencias que traera para el Se define como estacional una serie de tiempo con un
funcionamiento en condiciones ptimas del sistema de patrn de cambio a si mismo ao tras ao. Por lo regular,
distribucin local. el desarrollo de una tcnica de pronstico estacional
comprende la seleccin de un mtodo multiplicativo o
El presente trabajo intenta modelar los consumos de uno de adicin y estimar despus ndices estacionales a
energa elctrica aplicando los modelos ARIMA. partir de la historia de la serie.
3.3. Ciclo
2. SERIES DE TIEMPO El efecto cclico se define como la fluctuacin en forma
de onda alrededor de la tendencia. Los patrones cclicos
Bsicamente una serie de tiempo se le denomina a tienden a repetirse en los datos cada dos, tres o ms aos.
cualquier variable que conste de datos reunidos, Es difcil establecer un modelo para estos patrones
registrados u observados sobre incrementos sucesivos de cclicos, ya que no son estables.
tiempo. Por lo tanto, se concluye que es una secuencia
ordenada de observaciones sobre una variable en 3.4. Irregular
particular. El componente irregular de la serie de tiempo es el factor
residual, es decir, todo lo que sobra y toma en
Una serie estacionaria es aquella cuyos momentos al consideracin las desviaciones de los valores reales de la
origen y a la media no varan a travs del tiempo. Estas serie de tiempo en comparacin con los esperados; es el
situaciones se presentan cuando los patrones de demanda elemento aleatorio.
que influyen sobre la serie son relativamente estables.
Fecha de Recibo: 21 Agosto de 2003
Fecha de Aceptacin: 25 Noviembre de 2003
38 Scientia et Technica Ao IX, No 23, Diciembre 2003. UTP
de Z.
40
- Varianza: valor constante en el tiempo que mide la Figura 1. grfica de dispersin del consumo de energa
dispersin (variabilidad) de la evolucin de un proceso
estocstico estacionario alrededor de su media.
Scientia et Technica Ao IX, No 23, Diciembre 2003. UTP 39
MWH-T
teora BOX-JENKINS nos dice que la serie no presenta
1.0
un patrn de estacionariedad.
-.5
es al modelo ARIMA, determinamos la estacionalidad
cclica o regular y se involucra o no una constante. La
-1.0 Coeficiente segunda prueba es utilizar un estadstico descriptivo entre
1 3 5 7 9 11 13 15
2 4 6 8 10 12 14 16 la observacin de la serie original y el pronstico que se
genera con el modelo; este descriptivo hace una
N de retardos
comparacin en funcin de los valores mnimo y mximo
de las series, la media de stas y su desviacin tpica. El
Figura 3. Grfico de las autocorrelaciones parciales tercer modelo analtico es una prueba de normalidad del
error de la observacin de la serie original, denominada
La grafica de dispersin de la serie observada, aunque sea prueba de Kolmogorov-Smirnov de una muestra. Las
un 1/3 de periodo anual, va a ser exactamente igual en su tres pruebas de tipo grfico es un multigrfico donde
configuracin a los otros tercios de grficas puesto que estar representada la observacin de la serie original, el
pertenecen a una misma serie de observaciones que es el pronstico arrojado por el modelo y los errores tanto por
conjunto del ao 2001. arriba como por abajo. Despus se encontrar un
histograma donde podemos ver la normalidad grfica del
Por lo tanto se analizar el resultado de sus error de la observacin de la serie original y por ltimo la
autocorrelaciones. autocorrelacin simple del error de la observacin de la
serie original.
5. IDENTIFICACIN DE UN MODELO ARIMA
Se mostrarn entonces primero las pruebas de carcter
En la identificacin de un modelo tentativo, observamos analtico y posteriormente las pruebas de tipo grfico.
las autocorrelaciones simples y notamos que los retrasos
caen hacia cero despus del cuarto coeficiente de Antes de esto se har un anlisis a las grficas de
autocorrelacin e inmediatamente, y despus del quinto autocorrelaciones a cualquier modelo horario, ya que
coeficiente es significativamente diferente de cero hasta stas presentan una gran similitud en su comportamiento.
el onceavo retraso, donde es cero hasta el treceavo, luego
es significativamente diferente de cero y as Anlisis de la hora uno: la grfica de autocorrelacin
sucesivamente en forma sinusoidal pero negativamente. muestra un patrn de no estacionaridad dado que sus
rezagos estn dentro de los lmites y prcticamente son
Segn el anterior comportamiento basado en el anlisis casi cero, por tanto, se probarn varios modelos tomando
grfico de las autocorrelaciones simples y parciales en cuenta las anteriores recomendaciones, para cada hora
ACF y PACF, el estadstico Ljung-Box, entre otras la se probaron 6 modelos diferentes y luego se confrontaron
entre s para escoger el que mejor se adapte a nuestras
40 Scientia et Technica Ao IX, No 23, Diciembre 2003. UTP
30
MWH-T
NO CORRE
20
ESTACIONA PARM LACI
1.00 8.00 18.00 25.00 2.00 10.00 17.00 24.00 1.00 9.00
L ESTACIONAL ETROS N
20.00 27.00 6.00 14.00 21.00 29.00 5.00 13.00 20.00 28.00
SIGNIFI PAR
CATIVO METR
SCR
p d q P D Q S OS
Estadsticos descriptivos
extremas
PRONSTICOS
NORMALIDAD
Positiva .132
Negativa -.172
SCHWARZ
Z de Kolmogorov-Smirnov 3.245
ALEATO Sig. asintt. (bilateral) .000
p d q P D Q RIOS a. La distribucin de contraste es la Normal.
b. Se han calculado a partir de los datos.
1 0 0 1 1 0 2277 NO NO OK 3
Tabla 3. Prueba de Kolmogorov Smirnov
2 0 0 2 1 0 2267 NO NO OK 3
80
1 1 0 2 1 0 2372 NO NO OK 3
70
2 0 0 1 1 0 2280 NO NO OK 3
60
MWH-T
2 1 0 1 1 0 2348 NO NO OK 3
Fit for MWHT from AR
50
IMA, MOD_1 NOCON
Tabla 1. Continuacin
95% LCL for MWHT fro
40 m ARIMA, MOD_1 NOCON
El cuadro anterior estn representadas las pruebas
Media
DAY, period 7
Para la grfica anterior, se puede observar como es la temporales, y en funcin del modelo seleccionado se
curva de observacin real (datos reales e histricos), disea una ecuacin siguiendo la metodologa Box-
contra la curva de pronstico (resultado del modelo Jenkins.
buscado y del programa SPSS). Las curvas restantes, dan
indicio del comportamiento del pronstico, tanto por yt = 1 yt 1 + 2 yt 7 + 3 yt 14
encima como por debajo.
140 modeliza.
120
1 = Coeficiente autorregresivo de la parte no
100 estacional
2 ,3 = Corresponden a los coeficientes
80
autorregresivos de la parte.
60
yt 7 = Corresponde a la observacin
40
(estacional) de la hora t siete das atrs.
Desv. tp. = 4.97
20
-2
-1
-1
-1
-6
-2
2.
6.
10
14
18
0
0
6.
2.
8.
4.
0.
.0
.0
.0
.0
0
0
Pronstico hora 8:
Figura 6. Distribucin de los errores
Da Domingo:
La grfica interior indica la normalidad de los errores, es
visible como es la concentracin de datos, circunscrita a
1 = 0.31818
la curva gaussiana, lo que indica una gran afinidad de
los datos, sin importar la magnitud de estos. 2 = 0.31687
3 = 0.10414
Error for MWHT from ARIMA, MOD_1 NOCON
= 58.9294
1.0
-.5
Lmites confidencial
es
Pronstico hora 9:
ACF
N de retardos
1 = 0.24032
2 = 0.30469
Fgura 7. Grfico de autocorrelaciones de los errores
3 = 0.10427
El grfico anterior nos muestra la Funcin de = 60.3587
Autocorrelacin (ACF en ingls), indica el error del
pronstico, se encuentra dentro del lmite de ajuste, es YT = 0.24032(61.50711) 0.30469(63.62) 0.10427(63.42) + 60.3587 = 62.4370
decir, la desviacin de datos no existe, aunque para otras Resultado matemtico.
horas algn valor pueda salir, pero ese depende de la
magnitud de los datos. Yt = 51.84549 Resultado SPSS
7. BIBLIOGRAFA
HORA 8
DAY DATE FIT
1 SUN 55.45000 [1] ABRIL, J.C. Anlisis estadstico de series de tiempo
2 MON 43.60810 basado en modelos de espacio de Estado.
3 TUE 58.06043 E.U.D.E.B.A., 1999.
4 WED 59.85782
5 THU 60.01899 [2] AJUB, Alberto. Ecuaciones en diferencias finitas.
6 FRI 55.48592 Editorial del Colognia, 1985.
En posible modelar los consumos de energa elctrica en [4] CHATFLELD, Cliristopher. The analysis of time
los municipios de Colombia utilizando la metodologa series. An introduction. Fourth edition. Cliaprnan and
propuesta por Box y Jenkis, dado que el comportamiento Hall, London New York.
de estas series no es completamente aleatorio y se pueden
describir como series de tiempo con una alta [5] DASH, P.K.; SATPANTHY, H.P.; LIEW, A.C.;
probabilidad de xito en la modelacin a travs de dicha RAHMAN, S.A. Real-time short-term load
metodologa. forecasting system using functional link network,k
IEEE. Transactions on Power Systems. Vol. 12, Nro.
Para facilitar la bsqueda de un buen modelo que 2. May 1997.
represente la serie consumo de energa en el Municipio
de Pereira durante el ao 2001, se toma la decisin de
dividir los datos en 24 series correspondientes a los
promedios de consumo por cada hora del da; con ello se
aslan las perturbaciones causadas por el mes, la semana
y la hora.