TAREA No.

1 – MERCADOS ELÉCTRICOS
MODELO DE DEMANDA HORARIA DE
ENERGÍA ELÉCTRICA MERCADO
MAYORISTA DE ELECTRICIDAD

Por: Rodrigo Salvador Martínez Ortiz #00163117

Tópicos de Mercados Eléctricos
Abril 2022
Introducción

 Este trabajo tiene como propósito establecer la diferencia entre los diferentes modelos de
estimación de la demanda eléctrica en el país en un intervalo del año 2017. Este trabajo
cubre tres modelos para ser estudiados. El primero que consta de un rango de estimación
de 0 a 22 horas, el segundo conserva los mismos parámetros de estimación pero se
tomara en cuenta la demanda eléctrica de la hora anterior (Demanda-1) y por último se
tomarán en cuenta los parámetros del segundo modelo con la diferencia que para este
la temperatura sera una variable que se añadira al análisis.
 MODELOS A ESTIMAR Con base a Regresión Lineal Múltiple se busca estimar
los siguientes modelos de demanda horaria de energía
eléctrica en el MME.

• Muestra para estimación.

• Estimación del modelo.
• Validación del modelo.
• Medidas de ajuste del
modelo
• Análisis del modelo.
• Pronóstico de demanda
horaria de energía
eléctrica.
 Muestra para estimación

Los valores de demanda de energía eléctrica a utilizar para la estimación de los tres
modelos deben ser los correspondientes al período del 1 de enero al 16 de diciembre de
2017
Muestra para estimación

Fecha Hora Generación Nacional Importación Exportación Temperatura Demanda Ln(Demanda)

Fecha Hora Generación Nacional Importación Exportación Temperatura
1-Jan-17 0 443.46 99.99 0.00 19.5 543.45 6.30
1-Jan-17 1 388.70 110.22 10.00 19.0 17-Dec-176.19
488.92 0 387.06 185.12 36.19 22.0
1-Jan-17 2 344.73 110.13 10.00 18.5 17-Dec-176.10
444.86 1 362.11 185.02 36.06 21.5
1-Jan-17 3 319.11 119.96 20.00 18.0 17-Dec-176.04
419.07 2 348.06 184.98 35.99 20.5
1-Jan-17 4 303.06 120.86 21.00 18.0 402.92 6.00
17-Dec-17 3 340.68 185.05 36.04 19.5
1-Jan-17 5 302.72 120.87 21.00 18.0 402.59 6.00
1-Jan-17 6 311.86 98.00 28.04 18.0
17-Dec-175.94
381.82
4 348.46 185.09 36.04 19.0
1-Jan-17 7 316.77 98.00 27.98 19.0 17-Dec-175.96
386.79 5 364.30 185.03 35.95 19.5
1-Jan-17 8 321.87 106.28 6.31 21.0 17-Dec-176.04
421.85 6 355.19 193.00 34.04 20.0
1-Jan-17 9 353.22 106.28 6.29 23.5 453.22
17-Dec-176.12 7 378.11 192.85 33.84 20.5
1-Jan-17 10 337.53 146.06 0.00 26.0 483.59 6.18
1-Jan-17 11 353.02 145.90 0.00 28.0
17-Dec-176.21
498.92
8 391.16 207.91 39.16 22.0
1-Jan-17 12 365.04 145.79 0.00 29.0 17-Dec-176.24
510.84 9 397.85 209.93 11.43 24.0
1-Jan-17 13 369.36 145.78 0.00 29.5 17-Dec-176.24
515.14 10 409.84 209.91 1.64 26.0
1-Jan-17 14 354.74 165.87 0.00 30.0 520.61
17-Dec-176.26 11 374.94 258.14 0.00 27.5
1-Jan-17 15 369.49 145.89 0.00 29.5 515.38 6.24
1-Jan-17 16 363.64 157.68 0.00 29.0
17-Dec-176.26
521.31
12 380.30 258.07 0.00 28.5
1-Jan-17 17 415.37 133.00 0.00 27.5 17-Dec-176.31
548.37 13 390.02 258.18 0.00 29.5
1-Jan-17 18 560.75 118.00 0.00 24.5 17-Dec-176.52
678.75 14 399.84 258.10 0.00 30.5
1-Jan-17 19 577.24 118.00 0.00 22.5 695.24 6.54
Para
1-Jan-17 la estimación
20 555.18 de 98.00
los tres0.00modelos
22.0 se653.18
utilizarán
6.48 los valores a partir del 1 de enero hasta
el1-Jan-17
16 de22 diciembre. Sin
108.00embargo, se a aplicado un filtro para posterior hacer el análisis
1-Jan-17 21 480.29 98.97 0.00 22.5 579.26 6.36
409.97 8.24 22.5 509.73 6.23

correspondiente del pronóstico en el rango restante.

Medidas de ajuste

R2, Error del Modelo (RMSE) y 𝑀𝐴𝑃𝐸

Medidas de ajuste

R2 R2 ajustado
MODELO RSME MAPE A partir de la medida de ajuste MAPE de los
modelos estimados, se puede afirmar que el
1 0.8663 0.8658 0.0749 0.8635 mejor de todos es el tercero y representa un
98.88% de la variabilidad de la demanda.

En la sección de pronostico se hará la

2 0.9888 0.9887 0.0217 0.2259
comparación gráfica abarcando los tres
modelos.

3 0.9889 0.9888 0.0216 0.2243

Análisis del modelo y validación

Interpretación de los parámetros (βi) con gráficos independientes.

Analisis para M1

Para este modelo, los coeficientes β más significativos dentro de la ecuación de pronóstico
fueron:
 βmax: con un valor de 0.355, asociado a la variable de la hora 14.
 βmin: con un valor de 0.020, asociado a la variable de la hora 6.

De estos valores podemos decir que tiene mayor efecto sobre la demanda que sea la hora
14 a que sea la hora 6.
Analisis para M1

Ln(Demanda) / Coeficientes estandarizados

(Interv. de conf. 95%)
0.5
M

0.4
X

h14

h19
h11
J

h13

h15
V

h10

h12

h18
L

h20
h09

h16
0.3
Coeficientes estandarizados

h17
h08

h21
S

0.2

h07

h22
0.1

h06
0

h05
h00

-0.1
h04
h01

h02

h03

-0.2
Variable
Analisis para M2

Para este modelo, los coeficientes β más significativos dentro de la ecuación de pronóstico
fueron:
 βmax: con un valor de 0.945, asociado a la variable de la sensibilidad de la demanda de
una hora respecto a la anterior.
 βmin: con un valor de 0.005, asociado a la variable del día sábado.
De estos valores podemos decir que tiene mayor efecto sobre la demanda, la sensibilidad
de una hora respecto a la anterior a que sea día sábado.
 Coeficientes estandarizados

0.2
0.4
0.6
0.8

-0.2
0
1
Lna(D-1)

h00

h01

h02

h03
Analisis para M2

h04

h05

h06

h07
Variable

h08

h09

h10

h11
Ln(D) / Coeficientes estandarizados(Interv. de conf. 95%)

h12

h13

h14

h15

h16

h17

h18

h19

h20

h21

h22
Analisis para M3

Para este modelo, los coeficientes β más significativos dentro de la ecuación de pronostico
fueron:
 βmax: con un valor de 0.936, asociado a la variable de la sensibilidad de la demanda de
una hora respecto a la anterior.
 βmin: con un valor de 0.006, asociado a la variable del día sábado.
De estos valores podemos decir que tiene mayor efecto sobre la demanda, la sensibilidad
de la demanda de una hora respecto a la anterior a que sea día sábado.
También, el coeficiente asociado a la sensibilidad de la temperatura es positivo, lo cual era
esperado ya que a mayor temperatura se considera un aumento en la demanda
 Coeficientes estandarizados

0.2
0.4
0.6
0.8

-0.2
0
1
Lna(D-1)

Lna(T)

h00

h01

h02
Analisis para M3

h03

h04

h05

h06

h07
Variable

h08

h09

h10

h11
Ln(D) / Coeficientes estandarizados(Interv. de conf. 95%)

h12

h13

h14

h15

h16

h17

h18

h19

h20

h21

h22
 Pronóstico

Estimación de la demanda del 17 al 31 de diciembre de 2017. Resultado y comparación con

la demanda real.
Pronóstico M1

MODELO 1
1200.000

1000.000

800.000

600.000

400.000

200.000

0.000
15-Dec-17 17-Dec-17 19-Dec-17 21-Dec-17 23-Dec-17 25-Dec-17 27-Dec-17 29-Dec-17 31-Dec-17 2-Jan-18

Pronóstico Real
Pronóstico M1

 La estimación no es precisa. Sin embargo en algunos casos acierta con un error

relativamente aceptable para poder tomar en consideración los valores, pero se puede
de igual forma recalcar que para los días feriados como el 31 y el 24, podemos encontrar
un mayor margen de error.
Pronóstico M2

MODELO 2
1200.000

1000.000

800.000

600.000

400.000

200.000

0.000
15-Dec-17 17-Dec-17 19-Dec-17 21-Dec-17 23-Dec-17 25-Dec-17 27-Dec-17 29-Dec-17 31-Dec-17 2-Jan-18

Pronóstico Real
Pronóstico M2

 La estimación alcanza un grado de precision mayor. Al momento de agregar la variable

explicative de la demanda de la hora anterior se nota que el modelo acierta con un error
mínimo, en los días feriados tanto el 31 como el 24 el pronóstico brinda datos que poseen
mayor exactitud. El modelo dos cumple para ser una estimación aceptable.
Pronóstico M3

MODELO 3
1200.000

1000.000

800.000

600.000

400.000

200.000

0.000
15-Dec-17 17-Dec-17 19-Dec-17 21-Dec-17 23-Dec-17 25-Dec-17 27-Dec-17 29-Dec-17 31-Dec-17 2-Jan-18

Pronóstico Real
Pronóstico M3

 Precisión comparable al modelo dos, sin embargo presenta leves mejoras al añdir la
variable explicativa de la temperatura. El modelo tres acierta con un error mínimo, en los
días feriado tanto como el 31 y el 24 el pronóstico brinda datos que poseen mayor
exactitud. El modelo tres en la teoría, debería ser el que nos brinde mayor confiabilidad,
ya que involucra un mayor numero de variables explicativas.
Conclusiones

 El modelo de regresión lineal a pesar de ser un modelo simple, ofrece resultados

aceptables para la representación de muchos fenómenos, esto se observa en la
estimación tres que cumple con un 98.88% de la variabilidad de la demanda.
 La precisión de la estimación depende de la relación de las variables explicativas que se
utilicen, esto se ve reflejado en el cambio que se obtuvo al utilizar la demanda de la hora
anterior, pasando de 86.58% a 98.87% de representación de la variabilidad.