Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Peak Shaving Algoritmo
Peak Shaving Algoritmo
TESIS
PRESENTADO POR:
Bach. Jairo Curo Martínez
Huancayo - Perú
2022
ii
ASESOR
DEDICATORIA
ÍNDICE
CAPÍTULO II
2. MARCO TEÓRICO
2.1. Antecedentes de la Investigación ........................................................................................... 19
2.1.1. Nacional ........................................................................................................................ 19
2.1.2. Internacional ................................................................................................................. 20
2.2. Bases Legales ......................................................................................................................... 21
2.3. Bases Teóricas ........................................................................................................................ 21
v
CAPÍTULO III
3. METODOLOGIA DE LA INVESTIGACIÓN
3.1. Tipo de Investigación ............................................................................................................. 59
3.2. Nivel de Investigación ............................................................................................................ 59
3.3. Métodos de Investigación....................................................................................................... 60
vi
CAPÍTULO IV
4. RESULTADOS DE LA INVESTIGACIÓN
4.1. Presentación de Datos y Resultados ....................................................................................... 62
4.1.1. Modelo Predictivo de Demanda Eléctrica Diaria del SEIN ......................................... 62
4.1.1.1. Obtención de Datos. ....................................................................................... 65
4.1.1.2. Limpieza de Datos. ......................................................................................... 65
4.1.1.3. Conjunto de Entrenamiento y Prueba. ............................................................ 65
4.1.1.4. Función de Activación. .................................................................................. 66
4.1.1.5. Función de Coste. ........................................................................................... 66
4.1.1.6. Arquitectura de la Red Neuronal Artificial. ................................................... 66
4.1.2. Resultados del Modelo Predictivo de Demanda Eléctrica ............................................ 67
4.1.3. Procedimiento Para Reducir la Demanda Coincidente ................................................. 75
4.1.4. Caso de Aplicación – Reducción de la Demanda Coincidente de Surpack S.A........... 76
4.1.4.1. Diagrama Unifilar de la Planta Surpack. ........................................................ 78
4.1.4.2. Diagrama de Carga de Surpack. ..................................................................... 79
4.1.4.3. Aplicación del Pronóstico de la Demanda Eléctrica del SEIN. ..................... 80
4.2. Pruebas de Hipótesis .............................................................................................................. 86
4.3. Discusión de Resultados......................................................................................................... 86
CONCLUSIONES ........................................................................................................................ 88
RECOMENDACIONES ............................................................................................................... 89
REFERENCIAS ............................................................................................................................ 90
ANEXOS ...................................................................................................................................... 92
MATRIZ DE CONSISTENCIA ................................................................................................. 104
vii
LISTADO DE FIGURAS
Figura 29. Resultados del modelo predictivo vs. demanda ejecutada - febrero 2021 ................... 69
Figura 30. Resultados del modelo predictivo vs. demanda ejecutada - marzo 2021 .................... 69
Figura 31. Resultados del modelo predictivo vs. demanda ejecutada - abril 2021 ....................... 70
Figura 32. Resultados del modelo predictivo vs. demanda ejecutada - mayo 2021 ..................... 70
Figura 33. Resultados del modelo predictivo vs. demanda ejecutada - junio 2021 ...................... 71
Figura 34. Resultados del modelo predictivo vs. demanda ejecutada - julio 2021 ....................... 71
Figura 35. Resultados del modelo predictivo vs. demanda ejecutada - agosto 2021 .................... 72
Figura 36. Resultados del modelo predictivo vs. demanda ejecutada - setiembre 2021 ............... 72
Figura 37. Resultados del modelo predictivo vs. demanda ejecutada - octubre 2021 .................. 73
Figura 38. Resultados del modelo predictivo vs. demanda ejecutada - noviembre 2021 ............. 73
Figura 39. Resultados del modelo predictivo vs. demanda ejecutada - diciembre 2021 .............. 74
Figura 41. Flujograma del procedimiento para reducir la Demanda Coincidente. ....................... 75
Figura 42. Diagrama unifilar de conexión de los grupos de autogeneración. ............................... 78
Figura 43. Diagrama de carga de Surpack - Consumo del SEIN vs. Autogeneración. ................. 79
ix
LISTADO DE TABLAS
RESUMEN
demanda eléctrica diaria del SEIN para reducir la demanda coincidente de un usuario libre del
sector industrial.
Para tal propósito se llevó a cabo el desarrollo un modelo predictivo de la demanda eléctrica
diaria del SEIN basado en una red neuronal artificial, donde se utilizaron como datos de entrada
valores de demanda ejecutada del SEIN desde el año 2015 al 2021, los cuales fueron obtenidos a
través del portal web del Comité de Operación Económica del Sistema (COES).
Los resultados muestran que el uso de las redes neuronales en el pronóstico de la demanda
eléctrica diaria del SEIN logran minimizar diferencias entre la demanda eléctrica pronosticada y
la demanda eléctrica ejecutada con un MAPE promedio de 0.993 %. Asimismo, tomando como
base este pronóstico se logra reducir la demanda coincidente de un usuario libre el cual se traduce
en una reducción de los costos de energía eléctrica, en el mercado eléctrico esto es conocido con
libre utilizando como principal herramienta un pronóstico confiable de la demanda eléctrica diaria
del SEIN.
ABSTRACT
The purpose of this research work was to apply the SEIN daily electricity demand forecast
For this purpose, a predictive model of the daily electricity demand of the SEIN based on
an artificial neural network was developed, where historical demand values from 2015 to 2021
were used as input data, which were obtained through of the COES web portal.
The results show that the use of neural networks in the forecast of the daily electricity
demand of the SEIN manage to minimize differences between the forecast electricity demand and
the real electricity demand with an average MAPE of 0.993 %. Likewise, based on this forecast, it
is achieved reduce the coincident demand of an unregulated user which translates into a reduction
in electricity costs, in the electricity market this is known as Peak Shaving strategies. The
developed research has a quantitative approach, applied type and explanatory level, also the
using a reliable forecast of the daily electricity demand of the SEIN as the main tool.
INTRODUCCIÓN
importancia para muchas áreas de la ingeniería eléctrica, tal como el despacho económico del
usuarios de electricidad, entre otros. Este último es el propósito de estudio del presente trabajo de
investigación, donde se amplía una estrategia de reducir la demanda coincidente para un usuario
libre.
modelo predictivo de la demanda eléctrica del SEIN con resultados confiables, en base al uso de
pronóstico de la demanda eléctrica diaria del SEIN para reducir la demanda coincidente de un
bases teóricas y conceptuales del tema de investigación, asimismo, se plantean las hipótesis,
CAPITULO IV: Se presenta el modelo predictivo de demanda eléctrica diaria del SEIN, el
cual arroja el perfil de la demanda en periodos medios horarios, basado en una red neuronal, este
demanda coincidente de un usuario libre, y como esto se traduce en una reducción de costos de
energía eléctrica, como caso de estudio, se presenta a la empresa Surpack S.A., usuario con una
demanda promedio de consumo de 2500 kW. Por último, se validan los resultados de las hipótesis
CAPÍTULO I
un usuario libre con una demanda promedio de 2500 kW, Surpack posee una planta de
autogeneración de 2600 kW, con dos grupos electrógenos a gas natural (de 1300 kW cada uno) los
cuales inyectan energía durante las horas punta del día para abastecer su demanda eléctrica, de esta
manera el usuario libre no registra presencia de consumo de energía del SEIN (o por lo menos
tiene una presencia mínima), en el mercado eléctrico a esto se denomina “Peak Shaving”, el cual
tiene como objetivo reducir la demanda coincidente del usuario libre, traduciéndose esto en una
reducción de costos de energía eléctrica asociado a los cargos de potencia de generación y peaje
de transmisión.
punta está definido de 17:00 a 23:00 horas, es en este periodo que se considera la Máxima
15
Demanda Mensual (MDM) del Sistema Eléctrico Interconectado Nacional (SEIN), el cual es la
operación de los grupos electrógenos de lunes a sábado en un horario fijo de 18:00 a 22:00 horas,
riesgo de que tampoco cubra la totalidad de su demanda eléctrica en el intervalo de MDM del
Sin embargo, incrementar las horas de autogeneración para cubrir el periodo 17:00 a 23:00
horas no es factible para este usuario libre, debido a un incremento imprevisto en los costos
En vista de lo descrito, surge la necesidad de plantear una solución a este problema, y como
eléctrica del SEIN, basado en técnicas de Machine Learning, diseñado acorde a la necesidad de la
realidad problemática y como aplicarlo para reducir la demanda coincidente de este usuario libre.
¿De qué manera la aplicación del pronóstico de la demanda eléctrica diaria del SEIN
¿Cómo desarrollar un modelo predictivo de la demanda eléctrica diaria del SEIN basado
en una red neuronal artificial que minimice diferencias entre la demanda eléctrica pronosticada y
demanda eléctrica ejecutada diaria del SEIN para evaluar el desempeño del modelo predictivo?
¿Cómo emplear el modelo predictivo de la demanda eléctrica diaria del SEIN para
establecer un procedimiento que reduzca la demanda coincidente de un usuario libre del sector
industrial?
1.3. Objetivos
Aplicar el pronóstico de la demanda eléctrica diaria del SEIN para reducir la demanda
Desarrollar un modelo predictivo de la demanda eléctrica diaria del SEIN basado en una
ejecutada diaria del SEIN para evaluar el desempeño del modelo predictivo.
eléctrica del SEIN en base a un modelo el cual se desarrolla con redes neuronales artificiales, un
facturación eléctrica de un usuario libre y como éste puede conseguir beneficios económicos en
sus costos de consumo de energía eléctrica a través de estrategias que el mercado eléctrico peruano
lo permite.
aplicando como herramienta un modelo predictivo para la demanda eléctrica del SEIN para la toma
de decisiones.
Para el desarrollo de un modelo predictivo de la demanda eléctrica del SEIN con resultados
confiables, se está considerando el uso del lenguaje de programación Python y sus librerías de
Machine Learning (aprendizaje automático). El empleo de esta herramienta contribuirá a que otros
Los usuarios libres del sector industrial no cuentan con información detallada de los cargos
a disposición del usuario libre los conocimientos y herramientas que le permitan reducir sus costos
CAPÍTULO II
2. MARCO TEÓRICO
2.1.1. Nacional
Universidad Nacional de Ingeniería para optar el grado académico de Maestro en Ciencias con
medios horarios, utilizando como software programación en Matlab. Asimismo, concluye que el
uso de Redes Neuronales Artificiales en el pronóstico de la demanda diaria del SEIN logra errores
de herramientas de Matlab.
2.1.2. Internacional
for load smoothing and peak shaving based on load forecasting of an islandic power system”,
presenta la arquitectura de la red neuronal artificial, los datos de entrada y el resultado final del
optimización que utiliza los resultados de salida de la red neuronal para realizar Peak Shaving
modelo de redes neuronales artificiales, el mejor resultado se obtiene con este último modelo
utilizando una red de tipo recurrente. Asimismo, concluye que realizar una predicción diaria de la
predicción.
desarrolla una predicción de la demanda en periodos horarios para el sistema eléctrico de Ecuador,
utilizando como software Matlab; para la optimización de la redes neuronales utiliza un método
matemático de segundo orden, denominado “Hessiana”. Asimismo, presenta los resultados del
21
pronóstico realizado para días laborables, días de fin de semana y días feriados, comparando los
Fijan Horas de Punta del Sistema Eléctrico Interconectado Nacional, para efectos de la
2021-MEM/DM.
Dentro del mercado eléctrico se encuentran dos tipos de usuarios los cuales están
clasificados según su demanda de potencia, Usuario Regulado y Usuario Libre, este último junto
a los generadores y distribuidores son agentes participantes del mercado libre de electricidad,
donde el usuario libre tiene capacidad de negociar con el suministrador (generador y/o distribuidor)
establece una serie de requisitos para obtener la condición de usuario libre, dentro de la más
resaltante, debe tener una máxima demanda anual mayor o igual a 2500 kW, asimismo se establece
22
un rango optativo para aquellos usuarios que registran una potencia mayor o igual a 200 kW y
menor a 2500 kW, aquí los usuarios pueden elegir su condición entre usuario regulado o libre.
Paralelo a lo descrito si el usuario tiene una potencia mayor a 10 MW es denominado como gran
Todos los usuarios del mercado eléctrico remuneran a su vez a los agentes del mercado,
por los cargos de generación, transmisión y distribución. A continuación, se presenta los cargos
Como se mencionó anteriormente, los cargos por generación son de libre negociación entre
denominado PPA (Power Purchase Agreement) por sus iniciales en inglés. Sin embargo, los cargos
por transmisión, distribución y demás son regulados, es decir, un ente regulador fija los precios,
Dentro del PPA, generalmente se establece que la potencia de generación es el mayor valor
intervalo de quince (15) minutos, valores obtenidos a través de los medidores de energía eléctrica.
Como un objetivo específico del presente trabajo de investigación, se plantea reducir los
costos de energía eléctrica de un usuario libre, para tal caso se reducirán los cargos de potencia de
generación y peaje de transmisión. Para entender ello, es necesario ampliar los conocimientos
Fuente: OSINERGMIN.
24
marco del Decreto Ley 25844 (Ley de Concesiones Eléctricas) y cuya puesta en operación
El flujo de energía en un mismo sentido, deberá ser inferior al 90% de la energía total
transportada por dicha instalación calculado para un periodo proyectado de cinco años.
70% del total de los beneficios generados por la instalación, calculado para un periodo
siguiente:
transporte de energía de los centros de generación a los consumidores (usuarios). El costo total de
transmisión se calcula como la suma del costo total de inversión y costos totales por operación y
mantenimiento.
en el mes de mayo.
considerando un valor nuevo de reemplazo al final del periodo de concesión y los costos estándares
de operación y mantenimiento.
28
Donde:
𝐶𝑇𝐴 = 𝐼𝑇 + 𝑃𝐶 + 𝐿𝐴 (2)
Donde:
IT: Ingreso tarifario para el SPT (calculado mediante el modelo Perseo 2.0).
PC: Peaje por conexión.
LA: Saldo por liquidación anual del SPT (diferencia del CTA del año anterior y lo
efectivamente recaudado).
De las Ecuaciones (1) y (2) se obtiene la siguiente expresión para el Peaje por Conexión.
Con el fin de obtener un peaje unitario para el SPT, el PC se divide entre la máxima
𝑃𝐶
𝑃𝐶𝑈 = (4)
𝑀𝐷𝐴𝑃
Donde:
de manera mensual y expresado en moneda nacional (soles); por ello, surge la necesidad de
1
(1 + 𝑖)12 − 1
𝑃𝐶𝑈𝑀 = 𝑃𝐶𝑈 ( ) (𝑇𝑐 ) (5)
𝑖
Donde:
El costo anual a reconocer por las instalaciones del SGT, es denominado base tarifaria, el
cual está conformado por la anualidad del costo de inversión y los costos eficientes de operación
y mantenimiento.
Donde:
𝐵𝑇 = 𝐼𝑇 + 𝑃𝑇 + 𝐿𝐴 (7)
Donde:
IT: Ingreso tarifario para el SGT (calculado mediante el modelo Perseo 2.0).
30
De las ecuaciones (6) y (7) se obtiene la siguiente expresión para el Peaje de Transmisión,
Con el fin de obtener un peaje unitario para el SGT, el PT se divide entre la máxima
𝑃𝑇
𝑃𝑇𝑈 = (9)
𝑀𝐷𝐴𝑃
Donde:
manera mensual y expresado en moneda nacional (soles); por ello, surge la necesidad de
1
(1 + 𝑖)12 − 1
𝑃𝑇𝑈𝑀 = 𝑃𝑇𝑈 ( ) (𝑇𝑐 ) (10)
𝑖
Donde:
Tanto el PCUM como el PTUM, son ajustados en cada año, bajo una indexación de precios.
31
Actualmente el PCSPT, está compuesto por el Peaje por Conexión, Peaje por Transmisión
Unitario y otros cargos adicionales. Este peaje es asumido por los usuarios, mediante un cargo en
la tarifa eléctrica. La Figura 2, muestra la evolución del PCSPT en los últimos años, observándose
identificar que los cargos adicionales tienen una participación considerable en este peaje.
32
Figura 3. Composición del PCSPT fijado en mayo 2021 para el periodo anual 2021-2022.
Composición del PCSPT
Nota. PCSPT fijado por OSINERGMIN en mayo 2021 para el periodo anual 2021-2022
Como ya se indicó, actualmente al Peaje por Conexión y Peaje por Transmisión Unitario
se suma otros cargos adicionales con la finalidad de obtener un solo cargo unitario, denominado
de ingresos destinados a distintos fines. Entre dichos cargos se encuentran los siguientes.
Compensa a centrales duales que operan con gas natural o diésel y centrales de Reserva
Fría.
33
Potencia
Central eléctrica Tecnología Titular
(MW)
C.S. Majes Solar 20.0 Solar Grupo T-Solar Global
C.S. Repartición Solar 20.0 Solar Grupo T-Solar Global
C.S. Tacna Solar 20.0 Solar Consorcio Tacna Solar
C.S. Panamericana Solar 20.0 Solar Consorcio Panamericana Solar
C.S. Moquegua FV 16.0 Solar Solarparck Corporación
C.S. Rubí 144.5 Solar Enel Green Power
C.S. Intipampa 40.0 Solar Engie Energia Perú
C.H. Carhuaquero IV 10.0 Hidroeléctrica Duke Energy
C.H. Santa Cruz I 6.0 Hidroeléctrica Hidroeléctrica Santa Cruz
C.H. Caña Brava 6.0 Hidroeléctrica Duke Energy
C.H. La Joya 9.6 Hidroeléctrica Generadora de Energía del Perú
C.H. Roncador 3.8 Hidroeléctrica Maja Energía
C.H. Poechos 2 10.0 Hidroeléctrica Sindicato Energético
C.H. Santa Cruz II 6.5 Hidroeléctrica Hidroeléctrica Santa Cruz
C.H. Purmacana 1.8 Hidroeléctrica Atria
C.H. Huasahuasi I 7.9 Hidroeléctrica Hidroeléctrica Santa Cruz
C.H. Huasahuasi II 8.0 Hidroeléctrica Hidroeléctrica Santa Cruz
C.H. Nuevo Imperial 4.0 Hidroeléctrica Hidrocañete
C.H. Las Pizarras 18.0 Hidroeléctrica Empresa Eléctrica Río Doble
C.H. Yanapampa 4.1 Hidroeléctrica Eléctrica Yanapampa
C.H. Runatullo III 20.0 Hidroeléctrica Generación Eléctrica de Junín
34
Potencia
Central eléctrica Tecnología Titular
(MW)
C.H. Runatullo II 19.0 Hidroeléctrica Generación Eléctrica de Junín
C.H. Canchayllo 3.7 Hidroeléctrica Aldana Contratistas Generales
C.H. Chancay 19.2 Hidroeléctrica Sindicato Energético
C.H. Rucuy 20.0 Hidroeléctrica Generación Eléctrica Rio Baños
C.H. Potrero 19.9 Hidroeléctrica Empresa Eléctrica Agua Azul
C.H. Yarucaya 16.5 Hidroeléctrica Huara Power Group
C.H. Renovandes H1 20.0 Hidroeléctrica Generación Santa Ana
C.H. Angel I 19.9 Hidroeléctrica Generadora de Energía del Perú
C.H. Angel II 19.9 Hidroeléctrica Generadora de Energía del Perú
C.H. Angel III 19.9 Hidroeléctrica Generadora de Energía del Perú
C.H. Her 0.7 Hidroeléctrica Enel Generación Perú
C.H. Carhuac 20.0 Hidroeléctrica Andean Power
C.H. El Carmen 13.2 Hidroeléctrica Generación Andina
C.H. 8 de Agosto 13.2 Hidroeléctrica Generación Andina
C.E. Marcona 32.0 Eólica Cobra Perú /Perú Energía Renovable
C.E. Talara 30.0 Eólica Energía Eólica
C.E. Cupisnique 80.0 Eólica Energía Eólica
C.E. Tres Hermanas 90.0 Eólica Consorcio Tres Hermanas
C.E. Wayra I 126.0 Eólica Enel Green Power
C.B. Paramonga I 23.0 Biomasa Agro Industrial Paramonga
C.B. Huaycoloro 4.4 Biomasa Petramas
C.B.La Gringa V 2.0 Biomasa Petramas
C.B. Huaycoloro II 2.4 Biomasa Petramas
Compensa a los generadores eléctricos por el recargo en el transporte de gas natural que
financia el FISE.
Inversión Privada (PROINVERSION) como parte del Nodo Energético del Sur.
35
demanda del SEIN en el mes, para efectos de liquidación en el Mercado Mayorista de Electricidad
El periodo de horas punta es considerado desde las 17:00 hasta las 23:00 horas.
Importante mencionar que la MDM del SEIN es publicado por el COES el segundo día
calendario del mes siguiente (según Procedimiento técnico PR-Nº 30 COES). En el presente
trabajo de investigación es importante manejar una referencia la demanda ejecutada del SEIN de
manera diaria, por ello, se utiliza los Informes de Evaluación de la Operación diaria (IEOD)
emitido por el COES, el cual es una información preliminar pero confiable, ésta es publicado al
Nota. El gráfico muestra el perfil de la demanda del SEIN del día 10/03/2022 extraído del IEOD,
La Figura 6, muestra los días de semana de la MDM registrada entre el periodo de enero
La Figura 7, muestra las horas del día (en periodos cuartos horarios) donde tuvo mayor
estrategias para reducir dicha demanda coincidente, esto es conocido como Peak Shaving donde
el usuario evita el consumo de energía del SEIN en las horas de mayor demanda (horas punta)
baterías (BESS), autogeneración con grupos electrógenos, regulación de carga, entre otros. El caso
uso de la electricidad de los consumidores, ajustando el perfil de carga a una curva “flexible”
donde se reduzca la demanda en horas punta (Peak shaving), se rellene los valles (Valley filling)
y/o se traslade la carga de un periodo horario a otro (Load shifting), la Figura 8 muestra
Como se mencionó anteriormente, la reducción de demanda en horas punta del día trae
consigo una serie de beneficios, para los usuarios que aplican estrategias de Peak Shaving entre el
más resaltante es la reducción de los costos de energía eléctrica asociado a los cargos de potencia
usuario libre.
En el sistema eléctrico algunos usuarios libres del sector industrial y minero realizan
reducción de su demanda eléctrica durante las horas punta, en los informes IEOD emitidos por el
COES se pueden observar los diagramas de carga de los Grandes Usuarios que operan en distintas
Nota. El gráfico muestra el diagrama de carga del día 10/03/2022, día de máxima demanda en el
Figura 10. Diagrama de carga diaria de Grandes Usuarios del área centro.
Diagrama de carga diaria de Grandes Usuarios del área centro
Nota. El gráfico muestra el diagrama de carga del día 11/01/2022, día de máxima demanda en el
en distintas áreas de estudio, con resultados positivos y alentadores a seguir mejorando. En este
punto se abarcará de manera completa todos los puntos necesarios para implementar una Red
Figura 11. Diferencia entre Inteligencia Artificial, Machine Learning y Deep Learning.
Diferencia entre Inteligencia Artificial, Machine Learning y Deep Learning
42
Regresión
Aprendizaje
Supervisado
Clasificación
Según el tipo de
Apredizaje Aprendizaje No
Agrupamiento
Supervisado
Aprendizaje Por
Redes Neuronales Refuerzo
Artificiales
Perceptrón Multicapa
(MLP)
Redes Neuronales
Según su Arquitectura
Convolucionales (CNN)
Long Short Term
Memory (LSTM)
Redes Neuronales
Recurrentes (RNN)
Grated Recurrent Unit
(GRU)
2.3.2.1.1. Neurona.
biológica, la cual recibe (dendritas), procesa (núcleo) y trasmite (axón), en base a esta idea, se
2.3.2.1.2. Perceptrón.
𝑧 = ∑ 𝑤𝑖 (𝑥𝑖 ) + 𝑏 ( 12)
𝑖=1
Donde:
𝑥: Entradas o características.
𝑤: Pesos.
𝑏: Bias o sesgo.
𝑦̂: Salida calculada.
𝑓(𝑧): Función de activación.
El conjunto de neuronas artificiales da como resultado una red neuronal artificial, conocido
La Figura 15, representa una red neuronal con la siguiente arquitectura, cuatro capas, una
capa de entrada (con cuatro neuronas de entrada), primera capa oculta de cinco neuronas, segunda
capa oculta de cuatro neuronas y una capa de salida de dos neuronas. La gran ventaja que esta red
neuronal presenta es que se pueden obtener más de una salida a diferencia de una sola salida de
una neurona. A continuación, se expresa las ecuaciones generalizadas para esta red neuronal.
𝑛
[𝐿] [𝐿] [𝐿−1] [𝐿]
𝑧𝑗 = ∑ 𝑤𝑖,𝑗 (𝑎𝑖 ) + 𝑏𝑗 ( 14)
𝑖=1
𝑛
[𝐿] [𝐿] [𝐿] [𝐿−1] [𝐿]
𝑦̂𝑖 = 𝑓(𝑧𝑗 ) = 𝑓 (∑ 𝑤𝑖,𝑗 (𝑎𝑖 ) + 𝑏𝑗 ) ( 15)
𝑖=1
46
Donde:
[𝐿−1]
𝑎𝑖 : Salida de capa anterior.
[𝐿]
𝑤𝑖,𝑗 : Pesos.
[𝐿]
𝑏𝑗 : Bias o sesgo.
[𝐿]
𝑦̂𝑖 : Salida calculada.
[𝐿]
𝑓(𝑧𝑗 ): Función de activación.
[0]
𝑎4 ) son iguales a los valores de las neuronas de entrada (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ), asimismo, las salidas de
[3] [3]
la red (𝑦
̂1 , 𝑦
̂2 ) son iguales al resultado de la capa de salida (𝑎1 , 𝑎2 ).
de modelado de la red neuronal, con el fin de propagar hacia adelante la salida de una neurona;
0, 𝑧<0
𝑓 (𝑧 ) = { ( 16)
1, 𝑧≥0
𝑓 (𝑧 ) = 𝑧 ( 17)
1
𝑓(𝑧) = ( 18)
1 + 𝑒 −𝑧
𝑒 𝑧 − 𝑒 −𝑧
𝑓(𝑧) = 𝑧 ( 19)
𝑒 + 𝑒 −𝑧
0, 𝑧<0
𝑓 (𝑧 ) = { ( 20)
𝑧, 𝑧≥0
𝑒𝑧
𝑓 (𝑧 ) = 𝑛
( 21)
∑ 𝑒𝑧
𝑖=1
𝑛
1
𝑀𝑆𝐸 = (∑(𝑦̂𝑖 − 𝑦𝑖 )2 ) ( 22)
𝑛
𝑖=1
Donde:
Al igual que el MSE esta función de coste tiene aplicación en los modelos de regresión.
𝑛
1
𝑀𝐴𝐸 = (∑|𝑦̂𝑖 − 𝑦𝑖 |) ( 23)
𝑛
𝑖=1
2.3.2.4. Optimizadores.
El objetivo de la optimización en las redes neuronales es hallar los valores idóneos de los
Un método bastante común es el uso del gradiente, el cual es el vector resultante que
contiene las pendientes para cada dimensión (parámetros) de la función de coste. El gradiente
indica la dirección en el cual la pendiente de la línea tangente de una función tiene mayor
incremento, este concepto nos lleva al gradiente descendente (dirección inversa del gradiente).
parte de un punto cualquiera (A) perteneciente a la curva de la función de coste, hasta llegar al
𝜕𝐶
𝑤(𝑡+1) = 𝑤(𝑡) − λ ( 25)
𝜕𝑤
Donde:
La Ecuación ( 26), se interpreta de la siguiente manera, dada una posición inicial 𝑤(𝑡)
inicial se puede avanzar a una nueva posición 𝑤(𝑡+1) que depende del tamaño del paso λ y la
El caso anterior representa una función cuadrática convexa, naturalmente tiene un mínimo
global, sin embargo, cuando la función a optimizar es una función no convexa, se puede caer en el
error de un mínimo local mas no global. La Figura 22 ayudará a entender este caso.
A
A’
B’
punto A, hasta llegar al punto B, encontrando un mínimo local de la función de coste, este
53
representa una desventaja, para superar ello existen muchas variaciones aplicadas a este método,
la más usada es la aplicación del gradiente descendente estocástico, el cual parte de varios puntos
aleatorios como el caso del punto A’ hasta llegar al mínimo global B’. Se entiende que es un
método de prueba y error hasta encontrar el mínimo valor para la función de coste.
Tomando en cuenta los conceptos anteriores, ahora se presenta una función no convexa
𝜕𝐶 𝜕𝐶
∇𝐶 = [ ] ( 29)
𝜕𝑤1 𝜕𝑤2
coste de uno y dos parámetros, en el uso de las redes neuronales artificiales se trabajan con miles
[𝐿] [𝐿]
𝑤𝑖,𝑗 (𝑡+1) = 𝑤𝑖,𝑗 (𝑡) − λ(∇𝐶 ) ( 30)
𝜕𝐶
∇𝐶 = [ [𝐿] ] ( 31)
𝜕𝑤𝑖,𝑗
Donde:
[𝐿] [𝐿]
𝑏𝑗 (𝑡+1) = 𝑏𝑗 (𝑡) − λ(∇𝐶 ) ( 32)
con variaciones que permiten mejor desempeño para aplicaciones específicas, como ejemplo se
55
puede citar los siguientes optimizadores: Adam, RMSProp, AdaGrad, AdaDelta, Adamax,
Algoritmos Genéticos.
función de coste respecto a cada parámetro, de esta manera se consigue optimizar dicha función
[𝐿] [𝐿]
La función de coste C, está en función a los pesos y bias, 𝐶(𝑤𝑖,𝑗 , 𝑏𝑗 ). Para el desarrollo
de cada derivada parcial se utiliza la regla de la cadena, tal como se expresa en las siguientes
ecuaciones.
[𝐿] [𝐿]
𝜕𝐶 𝜕𝐶 𝜕𝑎𝑖 𝜕𝑧𝑗
[𝐿]
= [𝐿]
( [𝐿]
)( [𝐿]
) ( 33)
𝜕𝑤𝑖,𝑗 𝜕𝑎𝑖 𝜕𝑧𝑗 𝜕𝑤𝑖,𝑗
[𝐿] [𝐿]
𝜕𝐶 𝜕𝐶 𝜕𝑎𝑖 𝜕𝑧𝑗
[𝐿]
= [𝐿]
( [𝐿]
)( [𝐿]
) ( 34)
𝜕𝑏𝑗 𝜕𝑎𝑖 𝜕𝑧𝑗 𝜕𝑏𝑗
56
neuronas por capa. Debido a la complejidad de este tipo de modelos es necesario una herramienta
2.3.2.5. Validación.
La validación son las métricas con el cual se mide el desempeño de ciertos modelos
predictivos. A continuación, se presentan aquellos que tienen uso en los modelos de regresión.
preparar los datos el cual implica uso de técnicas como la normalización y la estandarización.
2.3.2.6.1. Normalización.
facilitando su procesamiento.
𝑥 − 𝑚𝑖𝑛(𝑥)
𝑥𝑒𝑠𝑐𝑎𝑙𝑎𝑑𝑜 = ( 37)
𝑚𝑎𝑥 (𝑥) − 𝑚𝑖𝑛(𝑥)
57
2.3.2.6.2. Estandarización.
Reescala valores que se ajustan a una distribución gaussiana (curva de campana), para que
𝑥 − 𝑥̅
𝑥𝑒𝑠𝑐𝑎𝑙𝑎𝑑𝑜 = ( 38)
𝜎𝑥
Donde:
X: Promedio de datos.
D: Desviación estándar de los datos.
2.4. Hipótesis
La aplicación del pronóstico de la demanda eléctrica diaria del SEIN permitirá reducir la
una red neuronal artificial minimiza diferencias entre la demanda eléctrica pronosticada y demanda
eléctrica ejecutada.
eléctrica ejecutada diaria del SEIN permite evaluar el desempeño del modelo predictivo.
A través del empleo del modelo predictivo de demanda eléctrica diaria del SEIN se podrá
establecer un procedimiento para reducir la demanda coincidente de un usuario libre del sector
industrial.
58
2.5. Variables
CAPÍTULO III
3. METODOLOGIA DE LA INVESTIGACIÓN
3.4.1. Población
Usuarios libres del sector industrial, con una potencia eléctrica contratada mayor a 2.5 MW
y menor a 10 MW.
3.4.2. Muestra
Empresa Surpack S.A., usuario libre con una potencia contratada de 3 MW.
del SEIN, es obtenido a través del portal web del Comité de Operación Económica del Sistema
Los datos históricos comprenden la demanda de potencia ejecutada del SEIN en periodos
Operación Diaria (IEOD) emitido por el COES, recopilados desde enero 2015 hasta diciembre
2021, importante mencionar que se ha excluido la información del todo el año 2020, debido a datos
Una vez recolectado los datos, la técnica para su procesamiento consiste en desarrollar un
modelo predictivo para el pronóstico de la demanda eléctrica diaria del SEIN, basado en técnicas
de Machine Learning con uso de las redes neuronales, para ello se realizará el entrenamiento de
un conjunto de datos, y se realizará el contraste con otro conjunto de validación, el modelo final
será aquel que presente los menores errores de pronóstico utilizando como métricas MAPE y
RMSE. Asimismo, se muestran los resultados de la aplicación del modelo predictivo de demanda
Para llevar a cabo este trabajo se hará uso del lenguaje de programación Python, debido a
la versatilidad, robustez e interfaz dinámica para desarrollar un modelo basado redes neuronales
artificiales.
62
CAPÍTULO IV
4. RESULTADOS DE LA INVESTIGACIÓN
cual se desarrolló el modelo de Machine Learning con Redes Neuronales. Asimismo, el código de
programación del Modelo Predictivo escrito en Python se encuentra en el Anexo 02 del presente
trabajo de investigación.
63
Artificiales en el entorno del lenguaje Python, debido a la amplia gama de paquetes, bibliotecas y
documentación extensa en Internet, libros, foros, trabajos de investigación, etc. Otra característica
licencia libre.
modelo de aprendizaje supervisado de tipo regresión, ideal para el Modelo Predictivo de demanda
Figura 25 Pr. Proceso para el desarrollo del Modelo Predictivo de demanda eléctrica.
Proceso para el desarrollo del Modelo Predictivo de demanda eléctrica
* Dataframe (tabla de
datos) OBTENCIÓN
* Web Scraping DE DATOS
* Preprocesamiento
de datos
* Ingeniería de LIMPIEZA DE
características DATOS
* Normalización
* Transformación
CONJUNTO DE * Dataset (conjunto de
* Dataset (conjunto CONJUNTO DE DATOS DE datos)
de datos) DATOS DE PRUEBA * Set_test (X_test, y_test)
* Set_train (X_train, ENTRENAMIENTO
* Arquitectura de modelo
- neuronas
- Función de activación
* Compilación
(aprendizaje)
MODELO DE
Ajuste de parámetros del modelo
- Función de coste
ENTRENAMIENTO
- Optimizador
- Métricas
* Entrenamiento (X_train,
y_train, Iteraciones,
* Predicción sobre
MODELO DE Backpropagation
datos de prueba
PRUEBA * y_pred
* Métricas
* Comparación EVALUACIÓN
(y_test_inv vs. DE MODELO
y_pred_inv)
* Predicción sobre el
futuro PREDICCIÓN
* x_input FUTURA
* y_output
65
Los datos históricos de la demanda eléctrica del SEIN fueron obtenidos de los Informes de
Evaluación de Operación Diaria (IEOD) emitidos y publicados por el COES a través de su portal
web. Como se mencionó anteriormente, se cuentan con datos históricos de la demanda ejecutada
desde enero 2015 hasta diciembre 2021 excluyendo el año 2020, debido que durante dicho año se
presentaron datos atípicos (por las restricciones del estado de emergencia tomadas como
periodos medios horarios, es decir cada 30 minutos; por lo que para un día (24 horas), se cuenta
de la Ecuación ( 37).
La función utilizada para el modelo predictivo fue la Función Unidad Lineal Rectificada
La función de coste aplicado al modelo predictivo fue el Error Cuadrático Medio (MSE),
de demanda eléctrica diaria del SEIN, como variables de entrada se considera lo siguiente:
Demanda ejecutada del SEIN de seis días previos al día del pronóstico en periodos medios
otras variables de entrada tales como las estaciones del año, clasificación por mes, programas y
reprogramas diarios de operación del COES, sin embargo, el mejor resultado es el que se encuentra
incluir en el modelo predictivo no es conveniente debido que no hay un punto geográfico que
Figura 26. Arquitectura de la red neuronal del Modelo Predictivo de demanda eléctrica.
Arquitectura de la red neuronal del Modelo Predictivo de demanda eléctrica
modelo predictivo de la demanda eléctrica diaria del SEIN, minimizando diferencias entre la
Los resultados del Modelo Predictivo, son evaluados en función a las métricas MAPE y
RMSE, valores con menores errores son idóneos para un buen pronóstico, en este punto se
Figura 27. Resultados de la demanda pronosticada vs. demanda ejecutada - Año 2021
Resultados del modelo predictivo vs. demanda ejecutada - Año 2021
demanda ejecutada del SEIN, así como las métricas MAPE y RMSE para cada mes de prueba.
Figura 28. Resultados del modelo predictivo vs. demanda ejecutada - enero 2021
Resultados del modelo predictivo vs. demanda ejecutada - enero 2021
69
Figura 29. Resultados del modelo predictivo vs. demanda ejecutada - febrero 2021
Resultados del modelo predictivo vs. demanda ejecutada - febrero 2021
Figura 30. Resultados del modelo predictivo vs. demanda ejecutada - marzo 2021
Resultados del modelo predictivo vs. demanda ejecutada - marzo 2021
70
Figura 31. Resultados del modelo predictivo vs. demanda ejecutada - abril 2021
Resultados del modelo predictivo vs. demanda ejecutada - abril 2021
Figura 32. Resultados del modelo predictivo vs. demanda ejecutada - mayo 2021
Resultados del modelo predictivo vs. demanda ejecutada - mayo 2021
71
Figura 33. Resultados del modelo predictivo vs. demanda ejecutada - junio 2021
Resultados del modelo predictivo vs. demanda ejecutada - junio 2021
Figura 34. Resultados del modelo predictivo vs. demanda ejecutada - julio 2021
Resultados del modelo predictivo vs. demanda ejecutada - julio 2021
72
Figura 35. Resultados del modelo predictivo vs. demanda ejecutada - agosto 2021
Resultados del modelo predictivo vs. demanda ejecutada - agosto 2021
Figura 36. Resultados del modelo predictivo vs. demanda ejecutada - setiembre 2021
Resultados del modelo predictivo vs. demanda ejecutada - setiembre 2021
73
Figura 37. Resultados del modelo predictivo vs. demanda ejecutada - octubre 2021
Demanda pronosticada vs. demanda ejecutada - octubre 2021
Figura 38. Resultados del modelo predictivo vs. demanda ejecutada - noviembre 2021
Resultados del modelo predictivo vs. demanda ejecutada - noviembre 2021
74
Figura 39. Resultados del modelo predictivo vs. demanda ejecutada - diciembre 2021
Resultados del modelo predictivo vs. demanda ejecutada - diciembre 2021
Todos los resultados presentados gráficamente se resumen en la Tabla 11, el cual muestra
Métricas
Mes
MAPE RMSE
Enero 1.026 % 79.073
Febrero 0.961 % 73.812
Marzo 1.168 % 103.642
Abril 1.025 % 77.563
Mayo 0.907 % 69.426
Junio 1.168 % 71.028
Julio 0.947 % 71.663
Agosto 0.955 % 75.668
Setiembre 0.970 % 75.171
Octubre 0.934 % 73.922
Noviembre 1.000 % 79.514
Diciembre 1.100 % 86.271
Año 0.993 % 78.659
75
herramienta el Modelo Predictivo de la demanda eléctrica diaria del SEIN, en base a ello, la Figura
40 muestra un flujograma con el procedimiento que marca las pautas para dicho fin.
INICIO
NO
Obtener la demanda ejecutada del SEIN de 6 días
previos al día del pronóstico (periodos medios horarios)
NO
𝐷𝑃 ≥ 𝑀𝐷𝐸 − 𝑇 𝑒 𝑎𝑛𝑐𝑖𝑎
SI
Reduccir la demanda eléctrica en horas
punta (Peak Shaving) de acuerdo al horario
indicado por el Modelo Predictivo.
FIN
Leyenda:
- MDE: Máxima demanda ejecutada en lo que va del mes de evaluación.
- DP: Demanda pronosticada.
- Tolerancia: Error Cuadrático Medio Raíz (RMSE) del Modelo Predictivo.
76
Este procedimiento es de aplicación para cada mes del año, denominado mes de evaluación,
donde se trabaja bajo una lógica de comparación entre la mayor demanda ejecutada del SEIN y la
demanda pronosticada, teniendo en cuenta un margen de tolerancia, que viene a ser el error
cuadrático medio raíz (RMSE) del Modelo Predictivo, aquí, se debe tener en cuenta los valores
para cada mes de evaluación presentados en la Tabla 11, estos trabajan como intervalos y/o límites
de confianza.
La demanda del SEIN es evaluado día tras día, hasta culminar el mes de evaluación, al
aplicar el procedimiento sobre el último día del mes, se habrá determinado el día de la MDM del
SEIN, puesto que este será la mayor demanda ejecutada en lo que va del mes de evaluación (MDE),
como es de esperarse, esto trae consigo la reducción de la Demanda Coincidente para un Usuario
Libre.
periodos medios horarios, mientras que la MDM del SEIN es un periodo de cuarto horario, tal
como se describió anteriormente. Sin embargo, el Modelo Predictivo contempla tal diferencia a
La empresa Surpack es un usuario libre con una demanda de potencia contratada de 3000
autogeneración de 2600 kW, con dos grupos electrógenos a gas natural (de 1300 kW cada uno),
dicha planta de autogeneración opera durante las horas punta del día, claramente, el costo por
energía de autogeneración es más caro al de su PPA, por esta razón Surpack persigue autogenerar
77
Para Surpack contar con una planta de autogeneración trae consigo un gran beneficio que
es el respaldo energético ante eventos intempestivos que afecten el suministro de energía de la red,
sin embargo, la ejecución del proyecto de autogeneración (2018) fue realizado principalmente en
el marco de un negocio de Peak Shaving, donde los ahorros obtenidos por los cargos de potencia
presente mayor incidencia de la MDM del SEIN, sin embargo en los últimos tres años la MDM se
En la actualidad (2022), dicha planta de autogeneración opera durante cuatro horas al día
(realizando Peak Shaving) en un horario fijo de lunes a sábado de 18:00 hasta las 22:00 horas, bajo
riesgo de que no se cubra la demanda eléctrica de Surpack en el intervalo de MDM del SEIN.
Incrementar las horas de autogeneración para cubrir el periodo de 17:00 a 23:00 horas (6
horas diarias, 180 horas al mes por cada grupo electrógeno) no es factible para este usuario libre,
Aquí, Surpack encuentra una necesidad de optimizar las horas operación de los grupos
electrógenos durante las horas punta, donde aquellos días en que la demanda del SEIN se encuentre
baja no sea necesario autogenerar. El desarrollo de un Modelo Predictivo de demanda eléctrica del
A través de la Figura 41, se puede observar el diagrama unifilar de conexión de los grupos
encuentra el plano de ubicación para una mayor referencia de los grupos de autogeneración.
observa que el horario de operación de la autogeneración cubrió el intervalo de la MDM del SEIN,
Figura 42. Diagrama de carga de Surpack - Consumo del SEIN vs. Autogeneración.
Diagrama de carga de Surpack - Consumo del SEIN vs. Autogeneración
Nota. El diagrama de carga corresponde a la operación de la planta Surpack del día 10/03/2022.
80
Demanda Coincidente es una propuesta de mejora para la toma de decisiones, para corroborar el
desempeño de esta propuesta se evalúo internamente y de manera diaria durante los meses de enero
a mayo 2022.
Las tablas presentas en este punto, muestran los resultados de la demanda proyectada (DP)
es decir la información que arroja el Modelo Predictivo y comparada con la máxima demanda
ejecutada en lo que del mes de evaluación (MDE) considerando el margen de tolerancia, tal como
el procedimiento presentado en la Figura 40. Tomando como ejemplo la Tabla 13, Surpack
autogeneró 13 días, haciendo un total de 35.5 horas por cada grupo electrógeno, lo cual representa
optimizar las horas operación de los grupos electrógenos durante las horas punta, puesto que solo
se autogenera aquellos días en que la demanda del SEIN sea pronosticada como alta.
Autogeneración
Mes Disminución horas
Días Horas
Enero 13 32.5 69 %
Febrero 10 23.5 76 %
Marzo 14 37.0 66 %
Abril 10 27.0 74 %
Mayo 13 36.5 65 %
A continuación, se muestran las tablas con los resultados de aplicación del pronóstico de la
demanda eléctrica del SEIN en la reducción de la Demanda Coincidente del usuario libre Surpack.
81
Tabla 13. Aplicación del pronóstico de la demanda eléctrica del SEIN - enero 2022.
Aplicación del pronóstico de la demanda eléctrica del SEIN - enero 2022
Nota. Según el IEOD la máxima demanda ejecutada en lo que iba del mes (MDE) fue el 11/01/2022
20:00 horas, posteriormente, el COES actualizó la MDM al día 11/01/2022 20:45 horas.
82
Tabla 14. Aplicación del pronóstico de la demanda eléctrica del SEIN - febrero 2022.
Aplicación del pronóstico de la demanda eléctrica del SEIN - febrero 2022
Nota. Según el IEOD la máxima demanda ejecutada en lo que fue del mes (MDE) fue el
22/02/2022 19:30, posteriormente, el COES actualizó la MDM al día 22/02/2022 19:45 horas.
83
Tabla 15. Aplicación del pronóstico de la demanda eléctrica del SEIN - marzo 2022.
Aplicación del pronóstico de la demanda eléctrica del SEIN - marzo 2022
Nota. Según el IEOD del COES la máxima demanda ejecutada en lo que va del mes (MDE) fue el
10/03/2022 19:30, posteriormente, el COES validó la MDM al día 10/03/2022 19:30 horas.
84
Tabla 16. Aplicación del pronóstico de la demanda eléctrica del SEIN - abril 2022.
Aplicación del pronóstico de la demanda eléctrica del SEIN - abril 2022
Nota. Según el IEOD, la máxima demanda ejecutada en lo que va del mes (MDE) fue el 19/04/2022
Tabla 17. Aplicación del pronóstico de la demanda eléctrica del SEIN - mayo 2022.
Aplicación del pronóstico de la demanda eléctrica del SEIN - mayo 2022
Nota. Según el IEOD, la máxima demanda ejecutada en lo que va del mes (MDE) fue el 31/05/2022
alternativa (H1).
X2: Demanda coincidente de un usuario libre del sector industrial (Potencia eléctrica, kW).
alternativa H1, el cual denota una influencia de la variable independiente X1 sobre la variable
dependiente X2, lo que equivale a decir que el pronóstico de la demanda eléctrica diaria del SEIN
Estos resultados guardan relación con el estudio por Chapaloglou et al. (2019), quien
en X2.
investigación concuerda con el estudio de Fernandez Quiñones (2014), donde presenta los
Respecto a los criterios utilizados para el desarrollo del Modelo Predictivo de la demanda
como la demanda ejecuta de días previos al pronóstico, día de semana y días feriados, al igual que
en el presente trabajo de investigación, asimismo ambos concuerdan del importante papel de las
CONCLUSIONES
desarrollar un Modelo Predictivo de la demanda eléctrica del SEIN confiable, puesto que se
ejecutada.
ejecutada diaria del SEIN a fin de evaluar el desempeño del Modelo Predictivo, consiguiendo
resultados satisfactorios con un error porcentual medio absoluto (MAPE) de 0.993 % y un error
3. Se utilizó como herramienta el Modelo Predictivo de demanda eléctrica diaria del SEIN para
elaborar un procedimiento que busca reducir la Demanda Coincidente de un usuario libre, los
resultados de esta metodología son favorables, puesto que en la evaluación interna realizado a
RECOMENDACIONES
1. Actualizar los datos de entrenamiento del Modelo Predictivo con la demanda ejecutada reciente,
a fin que el Modelo aprenda los nuevos patrones de comportamiento de la demanda eléctrica
del SEIN.
que existen trabajos de investigación donde se presentan mejores resultados para un Modelo
la demanda en horas punta en un horario más prolongado al indicado por el Modelo Predictivo,
puede surgir un cambio en el perfil de demanda eléctrica del SEIN donde los picos pueden
6. Tener especial cautela con el pronóstico de la demanda en los días domingos y feriados, debido
que se tiene antecedentes de que la MDM del SEIN también puede presentarse en estos días.
7. Como una fuente de información adicional, se puede consultar los programas y reprogramas
diarios de operación del SEIN realizados y publicados por el COES, esto ayuda a tener de
REFERENCIAS
Andersen, P. V. K., Georg, S., Gram-Hanssen, K., Heiselberg, P. K., Horsbol, A., Johansen, K.,
Johra, H., Marszal-Pomianowska, A., & Moller, E. S. (2019). Using residential buildings to
manage flexibility in the district heating network: Perspectives and future visions from sector
https://doi.org/10.1088/1755-1315/352/1/012032
CABEZON Memoria.pdf
Chapaloglou, S., Nesiadis, A., Iliadis, P., Atsonios, K., Nikolopoulos, N., Grammelis, P.,
Yiakopoulos, C., Antoniadis, I., & Kakaras, E. (2019). Smart energy management algorithm
for load smoothing and peak shaving based on load forecasting of an island’s power system.
Comité de Operación Económica del Sistema Interconectado Nacional [COES]. (2022a). Informe
https://www.coes.org.pe/Portal/PostOperacion/Reportes/Ieod
Comité de Operación Económica del Sistema Interconectado Nacional [COES]. (2022b). Informe
https://www.coes.org.pe/Portal/PostOperacion/Reportes/Ieod
http://cybertesis.uni.edu.pe/bitstream/uni/1130/1/lopez_gj.pdf
91
Huerta V., A., Quispe H., J. C., Ramos C., E. M., Fernández Q., E., & Molina R., Y. P. (2012).
eléctricos de potencia.
https://turing.iimas.unam.mx/~ivanvladimir/posts/gradient_descent/
Oscullo, J., & Haro, L. (2016). Pronóstico de la Demanda Diaria del Sistema Nacional
https://revistapolitecnica.epn.edu.ec/ojs2/index.php/revista_politecnica2/article/view/661