Scientia et Technica Ao IX, No 23, Diciembre 2003. UTP.

ISSN 0122-1701 37

ESTUDIO DEL PRONSTICO DE LA DEMANDA DE ENERGIA ELECTRICA,

UTILIZANDO MODELOS DE SERIES DE TIEMPO
RESUMEN JOAQUN MURILLO S
El presente articulo describe un pronostico de demanda de energa elctrica, Profesor Facultad de Ingeniera
utilizando la metodologa ARIMA (Autorregresive-Integrated-Moving Average), Elctrica
y el paquete estadstico SPSS (Statistical package for the social sciences) los Universidad Tecnolgica de Pereira
datos histricos han sido suministrados por la Empresa de Energa de Pereira y jmurillo@utp.edu.co
van desde el primero de enero de 2001, hasta el 31 de diciembre de 2001.
ALVARO TREJOS
PALABRAS CLAVES: Pronstico, Modelos ARIMA, autocorrelacin. Profesor
Facultad de Ingeniera Industrial
ABSTRACT Universidad Tecnolgica de Pereira
The present article describes a forecast of demand of electrical energy, using alvarot@utp.edu.co
methodology ARIMA (Autorregresive-Integrated-Moving Average) and the
statistical package SPSS (Statistical package the social sciences) the historical PATRICIA CARVAJAL OLAYA
data they have been provided by the Company of Energy of Pereira and go from Tesista
first of January of 2001, to the 31 of December of 2001. Maestra en Investigacin Operativa
y Estadstica
KEYWORDS: Forecast, ARIMA models, autocorrelation. Universidad Tecnolgica de Pereira
pacarva@utp.edu.co

1. INTRODUCCIN
En el actual marco de liberalizacin de los mercados de
la energa elctrica que se presenta en Colombia, donde
las grandes industrias y superficies comerciales pueden
suscribir contratos de compra de energa elctrica , las
empresas proveedoras de este servicio (comercializadoras
o empresas de distribucin locales), deben cumplir con
unos criterios mnimos que la Comisin Reguladora de
Energa y Gas, en asocio con el Centro Nacional de
Despacho, dependiente de ISA, prevn para que estas
empresas dentro de su estructura de operacin, elaboren
de manera ptima una prediccin confiable de la carga,
porque de no hacerlo y fallar el sistema, deben asumir
las multas correspondientes por incumplimiento, y sobre
todo las consecuencias que traera para el
funcionamiento en condiciones ptimas del sistema de
distribucin local.
El presente trabajo intenta modelar los consumos
energa elctrica aplicando los modelos ARIMA.
3. COMPONENTES DE UNA SERIE DE TIEMPO
La descomposicin clsica es un mtodo que se basa en
el supuesto que la serie de datos se pueden desagregar en
componentes como: tendencia, ciclo, estacionalidad e
irregularidad; que se describen a continuacin:
3.1. Tendencia
Una serie de tiempo con tendencia es aquella que
contiene un componente de largo plazo que representa el
crecimiento o declinacin de la serie a travs de un
perodo amplio.
3.2. Estacional
Se define como estacional una serie de tiempo con un
patrn de cambio a si mismo ao tras ao. Por lo regular,
el desarrollo de una tcnica de pronstico estacional
comprende la seleccin de un mtodo multiplicativo o
de uno de adicin y estimar despus ndices estacionales a
partir de la historia de la serie.

2. SERIES DE TIEMPO
Bsicamente una serie de tiempo se le denomina a
cualquier variable que conste de datos reunidos,
registrados u observados sobre incrementos sucesivos de
tiempo. Por lo tanto, se concluye que es una secuencia
ordenada de observaciones sobre una variable en
particular.
Una serie estacionaria es aquella cuyos momentos al
origen y a la media no varan a travs del tiempo. Estas
situaciones se presentan cuando los patrones de demanda
que influyen sobre la serie son relativamente estables.
Fecha de Recibo: 21 Agosto de 2003
Fecha de Aceptacin: 25 Noviembre de 2003
3.3. Ciclo
El efecto cclico se define como la fluctuacin en forma
de onda alrededor de la tendencia. Los patrones cclicos
tienden a repetirse en los datos cada dos, tres o ms aos.
Es difcil establecer un modelo para estos patrones
cclicos, ya que no son estables.
3.4. Irregular
El componente irregular de la serie de tiempo es el factor
residual, es decir, todo lo que sobra y toma en
consideracin las desviaciones de los valores reales de la
serie de tiempo en comparacin con los esperados; es el
elemento aleatorio.
38 Scientia et Technica Ao IX, No 23, Diciembre 2003. UTP

4. PROCESO ESTOCASTICO DISCRETO - Autocorrelacin: valor constante en el tiempo que

4.1. Proceso Estocstico (Univariante)
Secuencia de variables aleatorias ordenadas y
equidistantes cronolgicamente referidas a una
caracterstica de una nica unidad observable en
diferentes momentos o fechas. Representaciones: (Zt)t =
0, 1 , 2, . . . ; (Zt) donde Zt es una variable aleatoria
referida a la caracterstica de la unidad observable
considerada en el momento t.
mide la relacin existente entre cada par de componentes
de un proceso separados por un intervalo temporal
(retardo) dado.
Pero muchas series temporales no pueden considerarse
generadas por un proceso estacionario (son series no
estacionarias), ya que suelen presentar ciertas tendencias
marcadas (no presentan afinidad hacia algn valor
constante en el tiempo) y una dispersin creciente.

4.2. Muestra Para lograr la estacionariedad se realizan una serie de

Una muestra de tamao o longitud N (finito) procedente
de un proceso estocstico (Zt) es un subconjunto de N
componentes consecutivos de (Zt). Representaciones de
una muestra:
Z1 , Z2, . . . ZN; Z (Z1 , Z2, . . . ZN)'; (Zt)Nt = 1
Proceso estocstico : . . ., Z -1, Z0, Z1 , Z2, . . . , ZN; ZN+1 ,
...
Muestra : Z1 , Z2, . . . ZN
Serie temporal : z1 , z2, . . . zN
Se elaborar un modelo estadstico para una muestra Z
procedente de un proceso estocstico a partir de una
nica realizacin particular de Z (una serie temporal z).
Bajo ciertas condiciones, un modelo para Z puede
describir la evolucin temporal de (Zt) a lo largo de toda
su historia reciente y no slo a lo largo del intervalo
muestral.
Se utilizar el modelo anterior para describir en trminos
probabilsticos algunos componentes futuros ZN+l (l 1)
del proceso (Zt), es decir, prever ZN+l ZN+2. Se
seleccionar un modelo dentro de una clase general de
modelos de reconocida utilidad prctica (ARIMA), que
implique ciertas propiedades tericas compatibles con las
propiedades observadas (muestrales) en z.
transformaciones en bsqueda de estabilizar el nivel y la
dispersin de la serie.
El primer paso en la identificacin del modelo consiste
en determinar si la serie es o no estacionaria. En este
ltimo caso, se intenta convertirla en estacionaria a
travs del mtodo de diferenciacin.
Para verificar que componentes tiene la serie,
necesariamente tiene que observarse el grfico de
dispersin de la serie original, y los correlogramas
simples.
Adems es conveniente observar el grafico de la serie
que resulta luego de diferenciar la serie tanto regular
como estacionalmente.
A continuacin se presenta la grfica de dispersin de
observaciones de la serie original en forma seccionada
por cuatrimestres, ya que el programa SPSS presenta una
limitante al mostrar los grficos cuyos datos superen los
3000.
Tomemos por ejemplo el grafico de dispersin del primer
cuatrimestre del ano 2001
100

Para poder inferir la estructura probabilstica de Z hay

que suponer ciertas hiptesis sobre la misma, de manera 80

que lo que no se suponga se pueda inferir a partir de una

nica realizacin particular (una nica serie temporal z) 60

de Z.
40

Se supone hiptesis de estacionariedad en la serie.

Algunas propiedades tericas de un proceso estocstico 20
implicadas por esta hiptesis son las siguientes:
MWH-T

- Media: valor constante en el tiempo alrededor del cual 1.00

1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
evoluciona de manera aleatoria (errtica) un proceso
estocstico estacionario. HORA

- 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.

Por lo tanto, es necesario transformar la serie buscando

.5
estacionariedad, diferencindola para lograr un modelo
que se puede adaptar a nuestro objetivo. No sabemos qu
0.0
tan exitoso pueda ser este modelo, esto se logra
comparndolo con otros.
Lmites confidencial
-.5
es
Se propone entonces construir un modelo para cada hora
AC
del da, todos los das del ao. Es decir, se construiran
F -1.0 Coeficiente 24 modelos, cada uno de estos lgicamente con 365
1 3 5 7 9 11 13 15
observaciones suficientes para realizar un pronstico
2 4 6 8 10 12 14 16
confiable.
N de retardos

Figura 2. Grfico de las autocorrelaciones simples En la siguiente seccin se evaluar la estacionalidad de

las series mediante las pruebas analticas y grficas.
MWH-T
1.0
Es decir, se mostrarn los modelos horarios de demanda
de energa teniendo en cuenta que se construy uno para
cada hora del da, por se muestran 24 modelos diferentes
.5 con las respectivas pruebas que corroboran su idoneidad.
Estas pruebas son seis, de las cuales tres son de tipo
0.0 analtico y las otras tres de tipo grfico. Las analticas
son: la prueba de iniciacin del modelo, es decir, cuando
Lmites confidencial desde el programa asignamos los parmetros numricos
ACF parcial

-.5
-1.0
1 3 5 7
2 4 6 8
N de retardos
Figura 3. Grfico de las autocorrelaciones parciales
La grafica de dispersin de la serie observada, aunque sea
un 1/3 de periodo anual, va a ser exactamente igual en su
configuracin a los otros tercios de grficas puesto que
pertenecen a una misma serie de observaciones que es el
conjunto del ao 2001.
Por lo tanto se analizar
autocorrelaciones.
5. IDENTIFICACIN DE UN MODELO ARIMA
En la identificacin de un modelo tentativo, observamos
las autocorrelaciones simples y notamos que los retrasos
caen hacia cero despus del cuarto coeficiente de
autocorrelacin e inmediatamente, y despus del quinto
coeficiente es significativamente diferente de cero hasta
el onceavo retraso, donde es cero hasta el treceavo, luego
es significativamente diferente de cero y as
sucesivamente en forma sinusoidal pero negativamente.
Segn el anterior comportamiento basado en el anlisis
grfico de las autocorrelaciones simples y parciales
ACF y PACF, el estadstico Ljung-Box, entre otras la
es al modelo ARIMA, determinamos la estacionalidad
cclica o regular y se involucra o no una constante. La
Coeficiente segunda prueba es utilizar un estadstico descriptivo entre
9 11 13 15
10 12 14 16 la observacin de la serie original y el pronstico que se
genera con el modelo; este descriptivo hace una
comparacin en funcin de los valores mnimo y mximo
de las series, la media de stas y su desviacin tpica. El
tercer modelo analtico es una prueba de normalidad del
error de la observacin de la serie original, denominada
prueba de Kolmogorov-Smirnov de una muestra. Las
tres pruebas de tipo grfico es un multigrfico donde
estar representada la observacin de la serie original, el
pronstico arrojado por el modelo y los errores tanto por
arriba como por abajo. Despus se encontrar un
histograma donde podemos ver la normalidad grfica del
el resultado de sus error de la observacin de la serie original y por ltimo la
autocorrelacin simple del error de la observacin de la
serie original.
Se mostrarn entonces primero las pruebas de carcter
analtico y posteriormente las pruebas de tipo grfico.
Antes de esto se har un anlisis a las grficas de
autocorrelaciones a cualquier modelo horario, ya que
stas presentan una gran similitud en su comportamiento.
Anlisis de la hora uno: la grfica de autocorrelacin
muestra un patrn de no estacionaridad dado que sus
rezagos estn dentro de los lmites y prcticamente son
casi cero, por tanto, se probarn varios modelos tomando
en cuenta las anteriores recomendaciones, para cada hora
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

perspectivas de pronstico a corto plazo. En un cuadro 70

se mostrarn 5 modelos con sus respectivas pruebas

tericas, seguidamente aparece el anlisis analtico y 60
grfico al modelo que cumpli todas las pruebas y
objetivos de este proyecto. ARIMA (1,0,0)*(2,1,0)
50

Se tomar entonces un hora aleatoria del da y se

realizar un anlisis completo. 40

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

DIA S DURANTE UN AO DE TOMA DE INFORMACION

CONSTANTE

DE Fgura 4. Grfica de consumo durante un ao

AKAIKE

SIGNIFI PAR
CATIVO METR
SCR

p d q P D Q S OS
Estadsticos descriptivos

1 0 0 1 1 0 SI 11535 OK OK 2265 N Mnimo Mximo Media Desv. tp.

MWH-T 365 32.62 68.12 58.9294 7.6878
SAR2 no
2 0 0 2 1 0 NO 11061 es cero OK 2252 Fit for MWHT from
358 2.61963 8.83677 9.03617 459614
SAR2, ARIMA, MOD_1 N
CTE; no N vlido (segn li 358
1 1 0 2 1 0 SI 15039 son cero OK 2357
AR2,
CTE; no Tabla 2. Estadsticos Descriptivos
2 0 0 1 1 0 SI 11464 son cero OK 2264

CTE no Prueba de Kolmogorov-Smirnov para una muestra

2 1 0 1 1 0 SI 14073 es cero OK 2332
Error for
MWHT from
Tabla 1. Anlisis para la hora 8 del da ARIMA,
MOD_1
NOCON
N 358
Parmetros normales a,b Media 6.033E-02
NO
ESTACIO ESTACIO RESIDUO Desviacin tpica
4.9733887
NAL NAL S
Diferencias ms Absoluta .172
# ITERACIONES

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

95% UCL for MWHT fro

tericas, que permitirn saber si el modelo descrito all es 30 m ARIMA, MOD_1 NOCON
el ptimo para pronosticar. 1 2 3 4 5 6 7

DAY, period 7

Figura 5. Intervalos de confianza para los pronsticos

Scientia et Technica Ao IX, No 23, Diciembre 2003. UTP 41

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.

yt = Es la serie temporal de indicador que se

160

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

yt 14 = Corresponde a la observacin estacional)

Media = .1
0 N = 358.00
de la hora t catorce das atrs.
-2

-2

-1

-1

-1

-6

-2

2.

6.

10

14

18
0

0
6.

2.

8.

4.

0.

.0

.0

.0

.0
0
0

Error for MWHT from ARIMA, MOD_1 NOCON

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

YT = 0.31818(54.03) 0.31687(47.08) 0.10414(46.26) + 58.9294 = 56.30

.5 Resultado matemtico.

0.0 Yt = 55.43 Resultado SPSS

-.5
Lmites confidencial

es
Pronstico hora 9:
ACF

-1.0 Coeficiente Da sbado:

1 3 5 7 9 11 13 15
2 4 6 8 10 12 14 16

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

Despus de disponer de un modelo ARIMA:

(1,0,0)*(2,1,0) individual para cada una de las series
42 Scientia et Technica Ao IX, No 23, Diciembre 2003. UTP

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.

7 SAT 46.05784 [2] CARVAJAL, Patricia; TREJOS, Alvaro. Trabajo de

tesis en series de tiempo. UNIVALLE, 1991.

[3] CHAO, Lincoln L. Estadstica para Ciencias Sociales

6. CONCLUSIONES y Administrativas. Bogot: McGraw-Hill.

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.

Como ilustracin del uso de la metodologa propuesta

por Box y Jenkis se modela la serie correspondiente al
consumo de energa elctrica a las 8 de la maana. Los
datos originales no muestran estacionaridad, por tanto se
aplica una diferenciacin estacional y con ello se suaviza
la serie logrando estacionariedad de tal forma que as se
pueda ajustar un modelo ARIMA a los datos en estudio.

El modelo ARIMA que mejor ajusta describe el

consumos de energa elctrica a las 8 a.m., luego de
analizar las autocorrelaciones simples y parciales es
ARIMA(1,0,0)(2,1,0)

El modelo ARIMA(1,0,0)(2,1,0) matemticamente se

expresa de la siguiente manera:

yt = 1 yt 12 yt 7 + 3 yt 14 Los errores producidos

por este modelo cumplen con los supuestos de
normalidad y aleatoriedad, lo que permite confiar en la
bondad de ajuste del mismo.