PROYECTO: MODELADO DE DEMANDA DE ELECTRICIDAD UTILIZANDO

ALGORITMOS DE APRENDIZAJE AUTOMÁTICO

PROJECT: ELECTRICITY DEMAND MODELING USING MACHINE

LEARNING ALGORITHMS

MOTIVACIÓN
Pronosticar en forma precisa la demanda de energía eléctrica es crítico en la planificación y
gestión costo-eficiente de sistemas de potencia. Un pronóstico de carga robusto y exacto
juega un papel clave en la reducción de costos de generación y en la confiabilidad del
sistema de potencia. Más sin embargo, los picos de demanda en los sistemas de potencia
conlleva al pronóstico no preciso de la demanda de energía. Por lo tanto, es interesante
detectar y utilizar los picos de carga para estimar la demanda de energía que permita
planear y administrar el sistema de potencia eficiente y rentable.

PROPUESTA
Pronosticar con anticipación de 24 horas la demanda de energía horaria en un sistema de
potencia. Haciendo uso de Minería de Datos y Algoritmos de Machine Learning se modela
la demanda de energía a partir de la detección precisa de las cargas pico, las que a su vez
son la fuente de información para el pronóstico de la demanda de energía.

METODOLOGÍA
Desarrollar algoritmos de Machine Learning para detectar en forma precisa tanto los picos
de carga como para estimar la demanda de energía. Los algoritmos de machine learning
detectan los picos de carga y pronostican con alta precisión la demanda de energía en un
horizonte de 24 horas, con error porcentual absoluto medio (MAPE ​M​ean ​A​bsolute
P​ercentage ​E​rror) establecido, por ejemplo del 3.5% y un resistente-error porcentual
absoluto medio (r-MAPE resistant mean absolute percentage error) de por ejemplo el 3%..

VALOR AGREGADO
Se desarrolla un mejor y más exacto pronóstico de demanda de potencia en el corto plazo
teniendo en cuenta los características relacionadas con las demandas de carga pico. Como
resultado:
1. Se desarrolla un modelo preciso de proyección de demanda pico que se demandará
en las siguientes 24 horas.
2. Se desarrolla un modelo preciso de proyección de demanda que se demandará en
las siguientes 24 horas.
3. Se desarrollan algoritmos para un modelo de dos fases para solucionar el problema
planteado.
Dentro de la corriente de investigación dedicada al pronóstico o previsión de carga, hay una
corriente de investigación dedicada al pronóstico de la carga pico. Los picos de carga
pueden causar serios desafíos al suministro de energía que se debe satisfacer. Los picos
de carga pueden ocasionar caídas o cortes del suministro de energía. Las sobrecargas y los
picos de consumo de energía pueden ser generados por el comportamiento conjunto de los
usuarios finales como cuando muchos de ellos encienden el aire acondicionado casi al
mismo tiempo. Predecir cuando se presentan los picos de carga sirve por ejemplo para
balancear circuitos o para diseñar estrategias de incentivos de precios. La investigación en
el pronóstico de carga es muy maduro y se han desarrollado numerosas técnicas en las
últimas décadas, más sin embargo, cada vez se hace más importante solucionar de manera
adecuada los desafíos que genera los factores comportamentales que influencian el
consumo de energía, o la carga de una refinería, o la programación de producción de una
industria que transforma materia prima, etc.

APLICACIÓN FUTURA
Dado que el pronóstico de demanda juega un papel importante en la gestión eficaz de los
servicios públicos de energía, ésta se ha convertido en una de las corrientes de
investigación actuales centradas en la predicción de los picos como entrada en el equilibrio
de carga y las estrategias de gestión inteligente. Estos están destinados a automatizar, en
el futuro, el comportamiento en el extremo del cliente, incluida la gestión de
electrodomésticos inteligentes (eventos de encendido y apagado controlados), apoyo a nivel
local balanceo de carga.

CLIENTES POTENCIALES
1. Empresas generadoras y distribuidoras de energía eléctrica.
2. Grandes centros de consumo como Ecopetrol, Campos Petroleros, Cerveceras y
gaseosas, empresas productoras de alimentos (Alpina).
3. Hospitales
4. Edificios gubernamentales.
NOTAS TÉCNICAS

MAPE
One of the most common metrics used to measure the forecasting accuracy of a model is
MAPE​, which stands for ​mean absolute percentage error​. The formula to calculate MAPE
is as follows:
MAPE = (1/n) * Σ(|actual – forecast| / |actual|) * 100

where:

● Σ​ – a fancy symbol that means “sum”

● n​ – sample size
● actual​ – the actual data value
● forecast​ – the forecasted data value

MAPE is commonly used because it’s easy to interpret and explain. For example, a MAPE
value of 6% means that the average difference between the forecasted value and the actual
value is 6%.

PICOS DE CARGA

Los ​PICOS DE DEMANDA ocurren cuando la carga es igual o superior a cierto percentil de
la distribución de carga (por ejemplo un percentil mayor o igual al 90, 95, o 99 de la
distribución de carga). La Figura 1 muestra la distribución de carga agrupados por semana e
identifica los picos de carga basado en el cuantil 90.

Figure 1. Identificación de picos en los datos de carga basada en el cuantil 90 de la

distribución de carga semanal (Datos de Noviembre 2015).

En la Figura 1, la curva negra muestra el consumo de energía por hora, a línea azul refleja
al promedio dentro de una semana en particular y la línea roja muestra la los valores límites
arriba de los cuales las cargas son reconocidas como cargas pico. Los puntos verdes
representan la carga máxima que excede el percentil 90 de la distribución.

Cuantil (Quantile)

Los cuartiles 0,25; 0,50 y 0,75 de la distribución normal -más conocidos como los cuartiles Q_1, Q_2 y
Q_3-, dividen la distribución en cuatro bloques, cada uno de los cuales contiene el 25% de los datos.

Los cuantiles son puntos tomados a intervalos regulares de la función de distribución de una
variable aleatoria. El cuantil de orden p de una distribución (con 0 < p < 1) es el valor de la
variable x​p que marca un corte de modo que una proporción p de valores de la población es
menor o igual que x​p​. Por ejemplo, el cuantil de orden 0,36 dejaría un 36% de valores por
debajo y el cuantil de orden 0,50 se corresponde con la mediana de la distribución.
Los cuantiles suelen usarse por grupos que dividen la distribución en partes iguales;
entendidas estas como intervalos que comprenden la misma proporción de valores. Los
más usados son:
● Los ​cuartiles​, que dividen a la distribución en cuatro partes (corresponden a los
cuantiles 0,25; 0,50 y 0,75);
● Los ​quintiles​, que dividen a la distribución en cinco partes (corresponden a los
cuantiles 0,20; 0,40; 0,60 y 0,80);
● Los ​deciles​, que dividen a la distribución en diez partes;
● Los ​percentiles​, que dividen a la distribución en cien partes.

En el cálculo de cuantiles con distribuciones de variable continua (por ejemplo, con datos
agrupados) puede conseguirse fácilmente que las partes en que se divide la distribución
sean exactamente iguales. Sin embargo, en las distribuciones de variable discreta (como el
caso de datos aislados) debemos conformarnos con que estas partes sean
aproximadamente iguales. Por desgracia, no hay consenso sobre cómo realizar esta
aproximación, existiendo en la literatura científica nueve métodos diferentes, que conducen
a resultados diferentes. La función que a cada p le asigna el punto de corte x​p​, es decir, el
valor del cuantil de orden p, se denomina función cuanti​l​.