Documentos de Académico
Documentos de Profesional
Documentos de Cultura
7379 5445 1 PB
7379 5445 1 PB
ISSN 0122-1701 37
1. INTRODUCCIÓN
3. COMPONENTES DE UNA SERIE DE TIEMPO
En el actual marco de liberalización de los mercados de
la energía eléctrica que se presenta en Colombia, donde La descomposición clásica es un método 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 energía eléctrica , las componentes como: tendencia, ciclo, estacionalidad e
empresas proveedoras de este servicio (comercializadoras irregularidad; que se describen a continuación:
o empresas de distribución locales), deben cumplir con
unos criterios mínimos que la Comisión Reguladora de 3.1. Tendencia
Energía y Gas, en asocio con el Centro Nacional de Una serie de tiempo con tendencia es aquella que
Despacho, dependiente de ISA, prevén para que estas contiene un componente de largo plazo que representa el
empresas dentro de su estructura de operación, elaboren crecimiento o declinación de la serie a través de un
de manera óptima una predicción confiable de la carga, período 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 traería para el Se define como estacional una serie de tiempo con un
funcionamiento en condiciones óptimas del sistema de patrón de cambio a si mismo año tras año. Por lo regular,
distribución local. el desarrollo de una técnica de pronóstico estacional
comprende la selección de un método multiplicativo o
El presente trabajo intenta modelar los consumos de uno de adición y estimar después índices estacionales a
energía eléctrica aplicando los modelos ARIMA. partir de la historia de la serie.
3.3. Ciclo
2. SERIES DE TIEMPO El efecto cíclico se define como la fluctuación en forma
de onda alrededor de la tendencia. Los patrones cíclicos
Básicamente una serie de tiempo se le denomina a tienden a repetirse en los datos cada dos, tres o más años.
cualquier variable que conste de datos reunidos, Es difícil establecer un modelo para estos patrones
registrados u observados sobre incrementos sucesivos de cíclicos, 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 consideración las desviaciones de los valores reales de la
origen y a la media no varían a través del tiempo. Estas serie de tiempo en comparación 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 Aceptación: 25 Noviembre de 2003
38 Scientia et Technica Año IX, No 23, Diciembre 2003. UTP
de Z.
40
- Varianza: valor constante en el tiempo que mide la Figura 1. gráfica de dispersión del consumo de energía
dispersión (variabilidad) de la evolución de un proceso
estocástico estacionario alrededor de su media.
Scientia et Technica Año IX, No 23, Diciembre 2003. UTP 39
MWH-T
teoría BOX-JENKINS nos dice que la serie no presenta
1.0
un patrón de estacionariedad.
-.5
es al modelo ARIMA, determinamos la estacionalidad
cíclica o regular y se involucra o no una constante. La
-1.0 Coeficiente segunda prueba es utilizar un estadístico descriptivo entre
1 3 5 7 9 11 13 15
2 4 6 8 10 12 14 16 la observación de la serie original y el pronóstico que se
genera con el modelo; este descriptivo hace una
Nº de retardos
comparación en función de los valores mínimo y máximo
de las series, la media de éstas y su desviación típica. El
Figura 3. Gráfico de las autocorrelaciones parciales tercer modelo analítico es una prueba de normalidad del
error de la observación de la serie original, denominada
La grafica de dispersión 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 gráfico es un multigráfico donde
configuración a los otros tercios de gráficas puesto que estará representada la observación de la serie original, el
pertenecen a una misma serie de observaciones que es el pronóstico arrojado por el modelo y los errores tanto por
conjunto del año 2001. arriba como por abajo. Después se encontrará un
histograma donde podemos ver la normalidad gráfica del
Por lo tanto se analizará el resultado de sus error de la observación de la serie original y por último la
autocorrelaciones. autocorrelación simple del error de la observación de la
serie original.
5. IDENTIFICACIÓN DE UN MODELO ARIMA
Se mostrarán entonces primero las pruebas de carácter
En la identificación de un modelo tentativo, observamos analítico y posteriormente las pruebas de tipo gráfico.
las autocorrelaciones simples y notamos que los retrasos
caen hacia cero después del cuarto coeficiente de Antes de esto se hará un análisis a las gráficas de
autocorrelación e inmediatamente, y después del quinto autocorrelaciones a cualquier modelo horario, ya que
coeficiente es significativamente diferente de cero hasta éstas presentan una gran similitud en su comportamiento.
el onceavo retraso, donde es cero hasta el treceavo, luego
es significativamente diferente de cero y así Análisis de la hora uno: la gráfica de autocorrelación
sucesivamente en forma sinusoidal pero negativamente. muestra un patrón de no estacionaridad dado que sus
rezagos están dentro de los límites y prácticamente son
Según el anterior comportamiento basado en el análisis casi cero, por tanto, se probarán varios modelos tomando
gráfico de las autocorrelaciones simples y parciales en cuenta las anteriores recomendaciones, para cada hora
ACF y PACF, el estadístico Ljung-Box, entre otras la se probaron 6 modelos diferentes y luego se confrontaron
entre sí para escoger el que mejor se adapte a nuestras
40 Scientia et Technica Año IX, No 23, Diciembre 2003. UTP
30
MWH-T
NO CORRE
20
ESTACIONA PARÁM LACIÓ
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 PARÁ
CATIVO METR
SCR
p d q P D Q S OS
Estadísticos descriptivos
extremas
PRONÓSTICOS
NORMALIDAD
Positiva .132
Negativa -.172
SCHWARZ
Z de Kolmogorov-Smirnov 3.245
ALEATO Sig. asintót. (bilateral) .000
p d q P D Q RIOS a. La distribución 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. Continuación
95% LCL for MWHT fro
40 m ARIMA, MOD_1 NOCON
El cuadro anterior están representadas las pruebas
Media
DAY, period 7
Para la gráfica anterior, se puede observar como es la temporales, y en función del modelo seleccionado se
curva de observación real (datos reales e históricos), diseña una ecuación siguiendo la metodología Box-
contra la curva de pronóstico (resultado del modelo Jenkins.
buscado y del programa SPSS). Las curvas restantes, dan
indicio del comportamiento del pronóstico, tanto por yt = φ1 yt −1 + ϕ 2 yt −7 + ϕ 3 yt −14
encima como por debajo.
140 modeliza.
120
φ1 = Coeficiente autorregresivo de la parte no
100 estacional
ϕ 2 ,ϕ3 = Corresponden a los coeficientes
80
autorregresivos de la parte.
60
yt −7 = Corresponde a la observación
40
(estacional) de la hora t siete días atrás.
Desv. típ. = 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
Pronóstico hora 8:
Figura 6. Distribución de los errores
Día Domingo:
La gráfica interior indica la normalidad de los errores, es
visible como es la concentración de datos, circunscrita a
φ1 = 0.31818
la curva gaussiana, lo que indica una gran “afinidad” de
los datos, sin importar la magnitud de estos. φ2 = −0.31687
φ3 = −0.10414
Error for MWHT from ARIMA, MOD_1 NOCON
Ñ = 58.9294
1.0
-.5
Límites confidencial
es
Pronóstico hora 9:
ACF
Nº de retardos
φ1 = 0.24032
φ2 = −0.30469
Fígura 7. Gráfico de autocorrelaciones de los errores
φ3 = −0.10427
El gráfico anterior nos muestra la Función de Ñ = 60.3587
Autocorrelación (ACF en inglés), indica el error del
pronóstico, se encuentra dentro del límite de ajuste, es YT = 0.24032(61.50711) − 0.30469(63.62) − 0.10427(63.42) + 60.3587 = 62.4370
decir, la desviación de datos no existe, aunque para otras → Resultado matemático.
horas algún valor pueda salir, pero ese depende de la
magnitud de los datos. Yt = 51.84549 → Resultado SPSS
7. BIBLIOGRAFÍA
HORA 8
DAY DATE FIT
1 SUN 55.45000 [1] ABRIL, J.C. Análisis estadístico 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 energía eléctrica en [4] CHATFLELD, Cliristopher. The analysis of time
los municipios de Colombia utilizando la metodología 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 éxito en la modelación a través de dicha RAHMAN, S.A. Real-time short-term load
metodología. forecasting system using functional link network,k
IEEE. Transactions on Power Systems. Vol. 12, Nro.
Para facilitar la búsqueda de un buen modelo que 2. May 1997.
represente la serie consumo de energía en el Municipio
de Pereira durante el año 2001, se toma la decisión de
dividir los datos en 24 series correspondientes a los
promedios de consumo por cada hora del día; con ello se
aíslan las perturbaciones causadas por el mes, la semana
y la hora.