Peak Shaving Algoritmo

UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

ESCUELA PROFESIONAL DE INGENIERÍA ELÉCTRICA
TESIS
“PRONÓSTICO DE LA DEMANDA ELÉCTRICA

DIARIA DEL SEIN PARA REDUCIR LA DEMANDA
COINCIDENTE DE UN USUARIO LIBRE DEL SECTOR
INDUSTRIAL”
PRESENTADO POR:
Bach. Jairo Curo Martínez
PARA OPTAR EL TÍTULO PROFESIONAL DE:

INGENIERO ELECTRICISTA
Huancayo - Perú
2022
ii
ASESOR
Ing. Waldir Astorayme Taipe

iii
DEDICATORIA
A mi linda madre Melania por el gran esfuerzo que

día a día me imparte para crecer profesionalmente.
iv
ÍNDICE
DEDICATORIA ............................................................................................................................ iii

ÍNDICE .......................................................................................................................................... iv
LISTADO DE FIGURAS ............................................................................................................. vii
LISTADO DE TABLAS ................................................................................................................ ix
RESUMEN...................................................................................................................................... x
ABSTRACT ................................................................................................................................... xi
INTRODUCCIÓN ........................................................................................................................ xii
CAPÍTULO I
1. PLANTEAMIENTO DEL PROBLEMA
1.1. Caracterización del Problema................................................................................................. 14
1.2. Formulación del Problema ..................................................................................................... 15
1.2.1. Problema General ......................................................................................................... 15
1.2.2. Problema Específico ..................................................................................................... 16
1.3. Objetivos ................................................................................................................................ 16
1.3.1. Objetivo General ........................................................................................................... 16
1.3.2. Objetivos Específicos ................................................................................................... 16
1.4. Justificación e Importancia..................................................................................................... 17
1.4.1. Justificación Teórica ..................................................................................................... 17
1.4.2. Justificación Práctica .................................................................................................... 17
1.4.3. Justificación Metodológica ........................................................................................... 17
1.4.4. Justificación Social ....................................................................................................... 18
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
2.3.1. Mercado Eléctrico Peruano........................................................................................... 21

2.3.1.1. Sistemas de Conexión y Transmisión Eléctrica. ............................................ 23
2.3.1.2. Peaje de Conexión y Transmisión. ................................................................. 27
2.3.1.3. Peaje de Conexión al Sistema Principal de Transmisión (PCSPT). ............... 31
2.3.1.4. Máxima Demanda Mensual del SEIN (MDM). ............................................. 35
2.3.1.5. Demanda Coincidente (DC). .......................................................................... 38
2.3.1.6. Gestión de la Demanda Eléctrica. .................................................................. 38
2.3.1.7. Reducción de Demanda Eléctrica en Horas Punta. ........................................ 39
2.3.2. Redes Neuronales Artificiales ...................................................................................... 41
2.3.2.1. Fundamentos de Redes Neuronales. ............................................................... 42
2.3.2.2. Función de Activación. .................................................................................. 46
2.3.2.3. Función de Coste (C)...................................................................................... 49
2.3.2.4. Optimizadores. ............................................................................................... 50
2.3.2.5. Validación. ..................................................................................................... 56
2.3.2.6. Escalado de Datos .......................................................................................... 56
2.4. Hipótesis ................................................................................................................................. 57
2.4.1. Hipótesis General.......................................................................................................... 57
2.4.2. Hipótesis Específicas .................................................................................................... 57
2.5. Variables................................................................................................................................. 58
2.5.1. Variable Independiente ................................................................................................. 58
2.5.2. Variable Dependiente ................................................................................................... 58
2.6. Operacionalización de las Variables ...................................................................................... 58
2.6.1. Operacionalización de la Variable Dependiente........................................................... 58
2.6.2. Operacionalización de la Variable Independiente ........................................................ 58
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
3.4. Población y Muestra ............................................................................................................... 60

3.4.1. Población ...................................................................................................................... 60
3.4.2. Muestra ......................................................................................................................... 60
3.5. Instrumentos de Recopilación de Datos ................................................................................. 60
3.6. Procedimientos de Recopilación de Datos ............................................................................. 60
3.7. Procedimientos de Análisis de Resultados ............................................................................. 61
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 1. División de los sistemas de trasmisión .......................................................................... 23

Figura 2. Evolución del Peaje de Conexión al Sistema Principal de Transmisión (PCSPT). ....... 31
Figura 3. Composición del PCSPT fijado en mayo 2021 para el periodo anual 2021-2022. ....... 32
Figura 4. Demanda media horaria ejecutada y programada del SEIN. ......................................... 36
Figura 5. Valores históricos de la MDM del SEIN. ...................................................................... 36
Figura 6. Días de MDM del SEIN................................................................................................. 37
Figura 7. Horas de MDM del SEIN. ............................................................................................. 37
Figura 8. Estrategias de gestión de la demanda eléctrica. ............................................................. 39
Figura 9. Diagrama de carga diaria de Grandes Usuarios del área norte. ..................................... 40
Figura 10. Diagrama de carga diaria de Grandes Usuarios del área centro. ................................. 40
Figura 11. Diferencia entre Inteligencia Artificial, Machine Learning y Deep Learning. ............ 41
Figura 12. Clasificación de las Redes Neuronales Artificiales. .................................................... 42
Figura 13. Neurona biológica. ....................................................................................................... 43
Figura 14. Neurona artificial o perceptrón. ................................................................................... 43
Figura 15. Red neuronal artificial o perceptrón multicapa. ........................................................... 45
Figura 16. Gráfica función de activación escalón. ........................................................................ 47
Figura 17. Gráfica función de activación lineal. ........................................................................... 47
Figura 18. Gráfica función de activación Sigmoide. ..................................................................... 48
Figura 19. Gráfica función de activación TanH. ........................................................................... 48
Figura 20. Gráfica función de activación ReLU. .......................................................................... 49
Figura 21. Función convexa de una dimensión (1 parámetro). ..................................................... 51
Figura 22. Función no convexa de un parámetro. ......................................................................... 52
Figura 23. Función no convexa de dos parámetros. ...................................................................... 53
Figura 24. Esquema del algoritmo de backpropagation. ............................................................... 55
Figura 25 Pr. Proceso para el desarrollo del Modelo Predictivo de demanda eléctrica. ............... 64
Figura 26. Arquitectura de la red neuronal del Modelo Predictivo de demanda eléctrica. ........... 67
Figura 27. Resultados de la demanda pronosticada vs. demanda ejecutada - Año 2021 .............. 68
Figura 28. Resultados del modelo predictivo vs. demanda ejecutada - enero 2021 ..................... 68
viii
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
Tabla 1. Composición de la facturación de un usuario libre. ........................................................ 22

Tabla 2. Instalaciones del SPT. ..................................................................................................... 24
Tabla 3. Instalaciones del SGT. .................................................................................................... 26
Tabla 4. Centrales de generación de Reserva Fría. ....................................................................... 33
Tabla 5. Centrales de generación calificadas como RER.............................................................. 33
Tabla 6. Centrales de generación del nodo energético del sur. ..................................................... 35
Tabla 7. Variable Dependiente. ..................................................................................................... 58
Tabla 8. Variable Independiente. .................................................................................................. 58
Tabla 9. Bibliotecas para el desarrollo de redes neuronales en Python. ....................................... 63
Tabla 10. Conjunto de datos de entrenamiento y prueba. ............................................................. 65
Tabla 11. Resumen de resultados de métricas MAPE y RMSE.................................................... 74
Tabla 11. Diminución de horas de autogeneración de Surpack. ................................................... 80
Tabla 12. Aplicación del pronóstico de la demanda eléctrica del SEIN - enero 2022. ................. 81
Tabla 13. Aplicación del pronóstico de la demanda eléctrica del SEIN - febrero 2022. .............. 82
Tabla 14. Aplicación del pronóstico de la demanda eléctrica del SEIN - marzo 2022. ................ 83
Tabla 15. Aplicación del pronóstico de la demanda eléctrica del SEIN - abril 2022. .................. 84
Tabla 16. Aplicación del pronóstico de la demanda eléctrica del SEIN - mayo 2022. ................. 85
x
RESUMEN
El propósito que buscó el presente trabajo de investigación fue aplicar el pronóstico de la
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
estrategias de Peak Shaving. La investigación desarrollada tiene un enfoque cuantitativo, de tipo
aplicada y nivel explicativo, asimismo el método utilizado es hipotético – deductivo.
Se llega a la conclusión de que es posible reducir la demanda coincidente de un usuario
libre utilizando como principal herramienta un pronóstico confiable de la demanda eléctrica diaria
del SEIN.
Palabras claves: Pronóstico de demanda eléctrica, redes neuronales, demanda coincidente,
usuario libre, peak shaving.

xi
ABSTRACT
The purpose of this research work was to apply the SEIN daily electricity demand forecast
to reduce the coincident demand of an unregulated user in the industrial sector.
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
method used is hypothetical - deductive.
It is concluded that it is possible to reduce the coincident demand of an unregulated user
using a reliable forecast of the daily electricity demand of the SEIN as the main tool.
Keywords: Electric demand forecast, neural networks, coincident demand, unregulated
user, peak shaving.

xii
INTRODUCCIÓN
Contar con un pronóstico confiable de la demanda eléctrica del SEIN es de suma
importancia para muchas áreas de la ingeniería eléctrica, tal como el despacho económico del
sistema, regulación primaria y/o secundaria de frecuencia, gestión de demanda eléctrica de
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.
El trabajo de investigación contribuye nuevos conocimientos sobre el desarrollo de un
modelo predictivo de la demanda eléctrica del SEIN con resultados confiables, en base al uso de
redes neuronales utilizando el lenguaje de programación Python. Asimismo, se busca aplicar el
pronóstico de la demanda eléctrica diaria del SEIN para reducir la demanda coincidente de un
usuario libre del sector industrial
El presente trabajo desarrolla los siguientes capítulos:
CAPITULO I: Se presenta el planteamiento y formulación del problema, los objetivos,
justificación e importancia del trabajo de investigación.
CAPITULO II: Se describe los antecedentes nacionales, internacionales, se desarrolla las
bases teóricas y conceptuales del tema de investigación, asimismo, se plantean las hipótesis,
variables y la operacionalización de éstas.
CAPITULO III: Describe la metodología de la investigación, tipo, nivel, método de
investigación, población, muestra, instrumentos y procedimientos de recopilación de datos.

xiii
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
mismo capítulo, muestra los resultados de la aplicación de dicho modelo en la reducción de la
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
planteadas y discusión de resultados.

14
CAPÍTULO I
1. PLANTEAMIENTO DEL PROBLEMA
1.1. Caracterización del Problema
El trabajo de investigación presenta un caso de estudio, la empresa Surpack S.A., quien es
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.
En base a la resolución ministerial vigente N° 153-2021-MINEM/DM, el periodo de horas
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
potencia integrada en un intervalo de 15 minutos. Importante mencionar que la demanda
coincidente de usuario libre es la potencia de consumo en el intervalo de MDM del SEIN.
En la actualidad, la estrategia de la empresa Surpack implica inyectar energía mediante la
operación de los grupos electrógenos de lunes a sábado en un horario fijo de 18:00 a 22:00 horas,
por lo cual, la autogeneración no cubre en su totalidad el periodo de horas punta, existiendo un
riesgo de que tampoco cubra la totalidad de su demanda eléctrica en el intervalo de MDM del
SEIN, siendo así, la demanda coincidente tendría presencia.
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
operativos de los grupos electrógenos.
En vista de lo descrito, surge la necesidad de plantear una solución a este problema, y como
herramienta principal se propone la implementación de un modelo predictivo de la demanda
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.
1.2. Formulación del Problema
1.2.1. Problema General
¿De qué manera la aplicación del pronóstico de la demanda eléctrica diaria del SEIN
favorecerá en la reducción de la demanda coincidente de un usuario libre del sector industrial?

16
1.2.2. Problema Específico
¿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
la demanda eléctrica ejecutada?
¿Cómo realizar la comparación de resultados de la demanda eléctrica pronosticada y la
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
1.3.1. Objetivo General
Aplicar el pronóstico de la demanda eléctrica diaria del SEIN para reducir la demanda
coincidente de un usuario libre del sector industrial.
1.3.2. Objetivos Específicos
Desarrollar un modelo predictivo de la demanda eléctrica diaria del SEIN basado en una
red neuronal artificial minimizando diferencias entre la demanda eléctrica pronosticada y la
demanda eléctrica ejecutada.
Comparar los resultados de la demanda eléctrica pronosticada y la demanda eléctrica
ejecutada diaria del SEIN para evaluar el desempeño del modelo predictivo.
Establecer un procedimiento para reducir la demanda coincidente de un usuario libre del
sector industrial, empleando como herramienta un modelo predictivo de la demanda eléctrica
diaria del SEIN.

17
1.4. Justificación e Importancia
1.4.1. Justificación Teórica
La investigación permitirá conocer un estudio innovador sobre el pronóstico de la demanda
eléctrica del SEIN en base a un modelo el cual se desarrolla con redes neuronales artificiales, un
subcampo de la Inteligencia Artificial.
Asimismo, el estudio aporta en profundizar conocimientos sobre la composición de la
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.
1.4.2. Justificación Práctica
El trabajo de investigación pretende conseguir beneficios económicos en los costos por
consumo de energía eléctrica mediante la reducción de la demanda coincidente de un usuario libre,
aplicando como herramienta un modelo predictivo para la demanda eléctrica del SEIN para la toma
de decisiones.
1.4.3. Justificación Metodológica
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
investigadores conozcan la importancia de aplicar este tipo de tecnologías en el sector eléctrico,
así como la orientación y capacidad necesaria para el desarrollo de investigaciones similares.

18
1.4.4. Justificación Social
Los usuarios libres del sector industrial no cuentan con información detallada de los cargos
presentes en su facturación eléctrica. La importancia del presente trabajo de investigación es poner
a disposición del usuario libre los conocimientos y herramientas que le permitan reducir sus costos
de consumo de energía eléctrica, a través de una estrategia denominada “Peak Shaving”.

19
CAPÍTULO II
2. MARCO TEÓRICO
2.1. Antecedentes de la Investigación
2.1.1. Nacional
Fernandez Quiñones (2014), en su tesis “Pronóstico de la demanda eléctrica a corto plazo
utilizando redes neuronales artificiales aplicado al sistema interconectado nacional” de la
Universidad Nacional de Ingeniería para optar el grado académico de Maestro en Ciencias con
Mención en Sistema de Potencia, realiza el pronóstico diario de la demanda eléctrica en periodos
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
medios porcentuales absolutos (MAPE) menores a 2 % para días típicos.
Huerta V. et al. (2012) en el artículo académico “Implementación de un método para
previsión de carga en corto plazo”, de la Universidad Nacional de Ingeniería, demuestran el buen
desempeño de las redes neuronales artificiales en el pronóstico de la demanda eléctrica a corto

20
plazo, en su trabajo se desarrollaron redes de tipo feedforward y feedback implementadas a través
de herramientas de Matlab.
2.1.2. Internacional
Chapaloglou et al. (2019), en el artículo científico “Smart energy management algorithm
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
pronóstico de demanda eléctrica en periodos horarios, posteriormente presenta un algoritmo de
optimización que utiliza los resultados de salida de la red neuronal para realizar Peak Shaving
aplicándolo en los sistemas de almacenamiento de baterías (BESS).
Cabezón Manchado (2018), en su trabajo “Predicción demanda eléctrica española.
Implementación de redes neuronales recurrentes en Python”, de la Universidad Nacional
Complutense de Madrid para optar el grado académico de Maestro en Ingeniería Matemática,
realiza la comparación de pronósticos utilizando el modelo estadístico ARIMA/SARIMA y
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
demanda eléctrica y luego desagregar en periodos horarios ofrece un mejor resultado de
predicción.
Oscullo y Haro (2016), en su artículo académico “Pronóstico de la Demanda Diaria del
Sistema Nacional Interconectado Utilizando Redes Neuronales”, de la Revista Politécnica,
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
errores de pronóstico en cada caso.
2.2. Bases Legales
 Ley de Concesiones Eléctricas (Decreto Ley N° 25844).
 Reglamento de la Ley de Concesiones Eléctricas (Decreto Supremo N° 009-93-EM).
 Ley para asegurar el desarrollo eficiente de la generación Eléctrica (Ley N° 28832).
 Reglamento de Usuarios Libres de Electricidad – Decreto Supremo Nº 022-2009-EM.
 Fijan Horas de Punta del Sistema Eléctrico Interconectado Nacional, para efectos de la
evaluación de la indisponibilidad de las unidades generadoras - Resolución Ministerial N° 153-
2021-MEM/DM.
 Procedimiento técnico PR-Nº 30 COES, Valorización de Transferencias de Potencia y
Compensaciones al Sistema Principal y Sistema Garantizado de Transmisión.
2.3. Bases Teóricas
2.3.1. Mercado Eléctrico Peruano
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)
los precios por los cargos de energía y potencia de generación.
Según el Reglamento de Usuarios Libres de Electricidad (DS Nº 022-2009-EM), se
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
usuario libre, donde esta condición no es optativa.
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
promedios dentro de la facturación eléctrica de un usuario libre.
Tabla 1. Composición de la facturación de un usuario libre.

Composición de la facturación de un usuario libre
Composición de la facturación de un usuario libre

Energía
Generación 58%
Potencia
Peaje principal (SPT, SGT)
Transmisión 27%
Peaje secundario
Valor agregado de distribución (VAD)
Distribución Cargos fijos 10%
Alumbrado público
Electrificación rural
Otros 5%
FISE
Como se mencionó anteriormente, los cargos por generación son de libre negociación entre
el usuario y el suministrador bajo un acuerdo de compraventa de energía, comúnmente
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,
en el mercado eléctrico peruano el encargado es el Organismo Supervisor de la Inversión en
Energía y Minería (OSINERGMIN).

23
Dentro del PPA, generalmente se establece que la potencia de generación es el mayor valor
entre la potencia mínima facturable (negociación con el suministrador) y la demanda coincidente,
para efectos de cálculo de ambos valores se considera el valor de la potencia integrada en un
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
teóricos en los sistemas de transmisión.
2.3.1.1. Sistemas de Conexión y Transmisión Eléctrica.
Actualmente, el sistema de transmisión está conformado por el Sistema Principal de
Transmisión (SPT) y Sistema Garantizado de Transmisión (SGT).
Figura 1. División de los sistemas de trasmisión

División de los sistemas de transmisión
Fuente: OSINERGMIN.
24
2.3.1.1.1. Sistema Principal de Transmisión (SPT).
Comprende el conjunto de activos o instalaciones que fueron calificadas como tales en el
marco del Decreto Ley 25844 (Ley de Concesiones Eléctricas) y cuya puesta en operación
comercial se ha producido antes de la promulgación de la Ley 28832 (Ley para asegurar el
desarrollo eficiente de la generación eléctrica).
Dentro de las características que lo calificaron con tal, el Reglamento de la Ley de
Concesiones Eléctricas describe lo siguiente:
 Instalaciones en alta tensión (AT) o muy alta tensión (MAT).
 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.
 El beneficio económico que proporcione a los consumidores, deberá representar al menos el
70% del total de los beneficios generados por la instalación, calculado para un periodo
proyectado de cinco años.
 La relación de beneficio-costo deberá ser mayor a la unidad, calculado para un periodo
proyectado de cinco años.
Dentro de este sistema, se encuentran las siguientes instalaciones de transmisión.
Tabla 2. Instalaciones del SPT.

Instalaciones del SPT
Ítem Instalación Titular

1 Zorritos - Zarumilla 220kV (L-2280) REP
2 Talara - Piura Oeste 220kV (L-2248) REP
3 Reactor 20 MVAR - SE Talara REP
4 Reactor 20 MVAR - SE Piura Oeste REP
5 Chiclayo Oeste - Guadalupe 220kV (L-2236) REP
6 SVC +/- 30 MVA - SE Chiclayo Oeste REP
25

7 Guadalupe - Trujillo Norte 220kV (L-2234) REP
8 TR 220/60/10kV 60MVA - SE Guadalupe REP
9 Reactor 20 MVAR - SE Guadalupe REP
10 SVC +30/-20 MVAR - SE Trujillo Norte REP
11 Chimbote 1 - Paramonga Nueva 220kV (L-2215) REP
12 Bancos 20 + 15 MVAR - SE Chimbote REP
13 Paramonga Nueva - Huacho 220kV (L-2213) REP
14 Celda de L-2253 en Paramonga Nueva REP
15 Reactor 40 MVAR - SE Paramonga Nueva REP
16 Huacho - Zapallal 220kV (L-2212) REP
17 Chavarría - Santa Rosa 220kV (L-2003/L-2004) REP
18 Bancos 30 + 15 MVAR - SE San Juan REP
19 Paragsha 2 - Huánuco 138kV (L-1120) REP
20 Banco 2.2 MVAR - SE Huánuco REP
21 Huánuco - Tingo María 138kV (L-1121) REP
22 Banco 2.2 MVAR - SE Tíngo María REP
23 Cerro Verde - Repartición 138kV (L-1029) REP
24 Repartición - Mollendo 138kV (L-1030) REP
25 Tintaya - Azángaro 138kV (L-1006) REP
26 SVC +/- 15 MVA - SE Tintaya REP
27 Dolorespata - Quencoro 138kV (L-1004) REP
28 Celda L-2224 - SE Pachachaca REP
29 C.Control Principal - SE San Juan REP
30 C.Control Respaldo - SE Planicie REP
31 Celda 138kV - SE Dolorespata Egemsa
32 Celda 138kV - SE Azángaro San Gabán
33 Reactor 30 MVAR - SE Tingo María Isa Perú
34 Autotransformador 220/138 kV 40 MVA - SE Tingo María Isa Perú
35 Vizcarra - Paramonga Nueva (L-2253) Isa Perú
Compañía Minera
36 Celda L-2253 - SE Vizcarra
Antamina
37 Socabaya - Montalvo 220kV (L-2025/L-2026) Redesur
38 Montalvo - Tacna 220kV (L-2029) Redesur
39 Montalvo - Puno 220kV (L-2030) Redesur
40 Mantaro - Socabaya 220kV (L-2053/L-2054) Transmantaro
41 Pachachaca - Oroya Nueva 220kV (L-2224) Isa Perú
Oroya Nueva - Carhuamayo - Paragsha - Vizcarra 220kV
42 Isa Perú
(L-2259/L-2258/L-2254)
Nota. Información vigente a mayo 2022. Fuente: OSINERGMIN.
26
2.3.1.1.2. Sistema Garantizado de Transmisión (SGT).
Comprende el conjunto de activos o instalaciones de transmisión cuya puesta en operación
comercial se produce en fecha posterior a la promulgación de la Ley 28832. Dentro de las
características de este sistema, el Reglamento de la Ley de Concesiones Eléctricas describe lo
siguiente:
 Las instalaciones deben formar parte del Plan de Transmisión.
 La concesión y construcción son resultado de un proceso de licitación pública.
 El plazo máximo de concesión es de 30 años de operación comercial, más el tiempo necesario
para su construcción (vencido el plazo de concesión, los activos de transmisión serán
transferidos al Estado Peruano).
Tabla 3. Instalaciones del SGT.

Instalaciones del SGT

1 Chilca - Zapallal 220kV (Tramo 1 y 2) Transmantaro
2 Talara - Piura 220kV (2do Circuito) Transmantaro
3 Zapallal - Trujillo 500 kV Transmantaro
4 Machupicchu - Abancay - Cotaruse 220kV Transmantaro
5 Trujillo - Chiclayo 500 kV Transmantaro
6 Pomacocha - Carhuamayo 220kV Transmantaro
7 Mantaro - Marcona - Socabaya - Montalvo 500kV Transmantaro
8 SE Carapongo (1° Etapa) Transmantaro
9 SE Carapongo (Monto Complementario) Transmantaro
10 Banco Reactores Trujillo – Chiclayo (Refuerzo 1) Transmantaro
11 Nueva Yanango - Nueva Huánuco 500kV Transmantaro
12 Mantaro - Nueva Yanango - Carapongo 500kV Transmantaro
13 Aguaytía - Pucallpa 138kV (2° Circuito) Terna Perú
14 Carhuamayo - Paragsha 220 kV ATN
15 Paragsha - Conococha 220 kV ATN
16 Conococha - Huallanca 220 kV ATN
27
17 Huallanca - Cajamarca 220 kV ATN

18 SVC - SE Cajamarca ATN
19 Socabaya - Tintaya 220kV TESUR
20 Chilca - Marcona - Montalvo 500kV ABY
21 CS Chilca - Marcona - Montalvo 500kV ABY
22 Doble barra - SE Montalvo ABY
23 Carhuaquero - Cajamarca Norte - Cáclic - Moyobamba 220kV CCNCM
24 Machupicchu – Quencoro – Onocora – Tintaya 220kV ATN3
25 Azángaro - Juliaca - Puno 220kV TESUR 2
26 Tintaya - Azángaro 220kV TESUR 4
2.3.1.2. Peaje de Conexión y Transmisión.
Es el costo de inversión, la operación y mantenimiento que se le reconoce a las empresas
de transmisión por el conjunto de instalaciones de transmisión eléctrica y activos que permiten el
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.
El sistema principal y garantizado de transmisión es fijado por OSINERGMIN cada año
en el mes de mayo.
2.3.1.2.1. Peaje por Conexión al SPT.
El costo total a reconocer al SPT, está conformado por la anualidad de la inversión
considerando un valor nuevo de reemplazo al final del periodo de concesión y los costos estándares
de operación y mantenimiento.
28
𝐶𝑇𝐴 = 𝑎𝑉𝑁𝑅 + 𝐶𝑂𝑦𝑀 (1)
Donde:
CTA: Costo de transmisión anual.

aVNR: Anualidad del valor nuevo de reemplazo (tasa anual 12% a 30 años).
COyM: Costo anual de operación y mantenimiento.
La remuneración al SPT es calculada de acuerdo a la siguiente ecuación:
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.
𝑃𝐶 = 𝑎𝑉𝑁𝑅 + 𝐶𝑂𝑦𝑀 + 𝐿𝐴 − 𝐼𝑇 (3)
Con el fin de obtener un peaje unitario para el SPT, el PC se divide entre la máxima
demanda anual proyectada.
𝑃𝐶
𝑃𝐶𝑈 = (4)
𝑀𝐷𝐴𝑃
Donde:
PCU: Peaje por conexión unitario anual (USD /kW-año).

MDAP: Máxima demanda anual proyectada (kW).
29
En el Mercado Eléctrico Peruano, el PCU es un cargo trasladado al usuario final, recaudado
de manera mensual y expresado en moneda nacional (soles); por ello, surge la necesidad de
“mensualizar” dicho peaje unitario considerando un tipo de cambio monetario.
1
(1 + 𝑖)12 − 1
𝑃𝐶𝑈𝑀 = 𝑃𝐶𝑈 ( ) (𝑇𝑐 ) (5)
𝑖
Donde:
PCUM: Peaje por conexión unitario mensual (S/. /kW-mes).

i: Tasa anual (12%, fijado en el DL 25844).
Tc: Tipo de cambio monetario.
2.3.1.2.2. Peaje por Transmisión al SGT.
Es un concepto análogo al costo de transmisión anual del SPT.
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.
𝐵𝑇 = 𝑎𝐶𝐼 + 𝐶𝑂𝑦𝑀 (6)
Donde:
BT: Base tarifaria anual

aCI: Anualidad del costo de inversión.
COyM: Costo anual de operación y mantenimiento.
La recaudación es calculada de acuerdo a la siguiente ecuación.
𝐵𝑇 = 𝐼𝑇 + 𝑃𝑇 + 𝐿𝐴 (7)
Donde:
IT: Ingreso tarifario para el SGT (calculado mediante el modelo Perseo 2.0).
30
PT: Peaje por transmisión.

LA: Saldo por liquidación anual del SGT (diferencia de la BT del año anterior y
lo efectivamente recaudado).
De las ecuaciones (6) y (7) se obtiene la siguiente expresión para el Peaje de Transmisión,
el cual es calculado para cada instalación.
𝑃𝑇 = 𝑎𝐶𝐼 + 𝐶𝑂𝑦𝑀 + 𝐿𝐴 − 𝐼𝑇 (8)
Con el fin de obtener un peaje unitario para el SGT, el PT se divide entre la máxima
demanda anual proyectada.
𝑃𝑇
𝑃𝑇𝑈 = (9)
𝑀𝐷𝐴𝑃
Donde:
PTU: Peaje por transmisión unitario anual (USD /kW-año).

MDAP: Máxima demanda anual proyectada (kW).
De manera similar al PCU, el PTU es un cargo trasladado al usuario final, recaudado de
manera mensual y expresado en moneda nacional (soles); por ello, surge la necesidad de
“mensualizar” dicho peaje unitario considerando un tipo de cambio monetario.
1
(1 + 𝑖)12 − 1
𝑃𝑇𝑈𝑀 = 𝑃𝑇𝑈 ( ) (𝑇𝑐 ) (10)
𝑖
Donde:
PTUM: Peaje por transmisión unitario mensual (S/. /kW-mes).

i: Tasa anual (12%, fijado en el DL 25844).
Tc: Tipo de cambio monetario.
Tanto el PCUM como el PTUM, son ajustados en cada año, bajo una indexación de precios.
31
2.3.1.3. Peaje de Conexión al Sistema Principal de Transmisión (PCSPT).
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
una clara tendencia al alta.
Figura 2. Evolución del Peaje de Conexión al Sistema Principal de Transmisión (PCSPT).

Evolución del Peaje de Conexión al Sistema Principal de Transmisión (PCSPT)
A continuación, se representa la composición porcentual del PCSPT, donde se puede
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
2.3.1.3.1. Cargos Adicionales.
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
Peaje de Conexión al Sistema Principal de Transmisión (PCSPT), aunque estos cargos no
remuneran el servicio de transmisión propiamente dicho, sirven como instrumento de recaudación
de ingresos destinados a distintos fines. Entre dichos cargos se encuentran los siguientes.
i. Cargo unitario por Compensación por Seguridad de Suministro (CUCSS):
Compensa a centrales duales que operan con gas natural o diésel y centrales de Reserva
Fría.
33
Tabla 4. Centrales de generación de Reserva Fría.

Centrales de generación de Reserva Fría
Central eléctrica Potencia (MW) Titular

C.T. Talara 200 Enel Generación Piura
C.T. Ilo 460 ENGIE Energía Perú
C.T. Puerto Eten 200 Generación de Eten
C.T. Puerto Maldonado 20 Infraestructuras y Energías del Perú
C.T. Pucallpa 40 Infraestructuras y Energías del Perú
ii. Cargo por Prima de Generación RER:
Compensa a las centrales de generación que utilizan Recursos Energéticos Renovables.
Tabla 5. Centrales de generación calificadas como RER.

Centrales de generación calificadas como RER
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
iii. Cargo unitario por FISE:
Compensa a los generadores eléctricos por el recargo en el transporte de gas natural que
financia el FISE.
iv. Cargo Unitario por Capacidad de Generación Eléctrica (CUCGE):
Compensa a las centrales de generación contratadas por la Agencia de Promoción de la
Inversión Privada (PROINVERSION) como parte del Nodo Energético del Sur.
35
Tabla 6. Centrales de generación del nodo energético del sur.

Centrales de generación del nodo energético del sur
Central eléctrica Potencia (MW) Titular

C.T. Puerto Bravo 600 SAMAY
C.T. NEPI 600 ENGIE Energía Perú
v. Cargo Unitario por Compensación de la Confiabilidad en la Cadena de

Suministro de Energía (CCCSE).
Compensa a empresas estatales que incurran en gastos por situaciones de emergencia.
2.3.1.4. Máxima Demanda Mensual del SEIN (MDM).
Es la potencia integrada en un intervalo de 15 minutos donde se presenta la máxima
demanda del SEIN en el mes, para efectos de liquidación en el Mercado Mayorista de Electricidad
(MME) se considera la MDM en horas punta (HP) de acuerdo a lo siguiente.
 La MDM es determinado a nivel de generación.
 El periodo de horas punta es considerado desde las 17:00 hasta las 23:00 horas.
 La MDM no considera la demanda de los no integrantes del COES.
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
día siguiente de la operación del SEIN.

36
Figura 4. Demanda media horaria ejecutada y programada del SEIN.

Demanda media horaria ejecutada y programada del SEIN
Nota. El gráfico muestra el perfil de la demanda del SEIN del día 10/03/2022 extraído del IEOD,
día de máxima demanda en el mes de marzo 2022. Fuente: COES, 2022a.
Figura 5. Valores históricos de la MDM del SEIN.

Valores históricos de la MDM del SEIN de enero 2000 a marzo 2022.
37
La Figura 6, muestra los días de semana de la MDM registrada entre el periodo de enero
2000 y marzo 2022.
Figura 6. Días de MDM del SEIN.

Días de MDM del SEIN
La Figura 7, muestra las horas del día (en periodos cuartos horarios) donde tuvo mayor
incidencia la MDM durante el periodo de enero 2000 y marzo 2022.
Figura 7. Horas de MDM del SEIN.

Horas de MDM del SEIN
38
2.3.1.5. Demanda Coincidente (DC).
Es la demanda de potencia de un usuario en el intervalo de la MDM del SEIN, la suma de
las DC de todos los usuarios es igual a la MDM.
Los cargos de potencia de generación y peaje de transmisión de un usuario libre están en
función a su demanda coincidente; tomando de conocimiento ello, en la actualidad existen
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)
cuando los costos son mayores.
Algunos ejemplos de Peak Shaving son los sistemas de almacenamiento de energía de
baterías (BESS), autogeneración con grupos electrógenos, regulación de carga, entre otros. El caso
de estudio del presente trabajo de investigación, aborda la reducción de la demanda coincidente
mediante un modelo de autogeneración en horas punta a través de grupos electrógenos.
2.3.1.6. Gestión de la Demanda Eléctrica.
La gestión de demanda está enfocado a implementar estrategias que influyan en patrón de
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
gráficamente estas estrategias.

39
Figura 8. Estrategias de gestión de la demanda eléctrica.

Estrategias de gestión de la demanda eléctrica
Fuente: Andersen et al., 2019.
2.3.1.7. Reducción de Demanda Eléctrica en Horas Punta.
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
de generación y peaje de transmisión mediante la reducción de la demanda coincidente de un
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
áreas del país, tal como muestran la Figura 9 y Figura 10.

40
Figura 9. Diagrama de carga diaria de Grandes Usuarios del área norte.

Diagrama de carga diaria de Grandes Usuarios del área norte
Nota. El gráfico muestra el diagrama de carga del día 10/03/2022, día de máxima demanda en el
mes de marzo 2022. Fuente: COES, 2022a.
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
mes de enero 2022. Fuente: COES, 2022b.

41
2.3.2. Redes Neuronales Artificiales
Las Redes Neuronales es un algoritmo de aprendizaje supervisado del Machine Learning
(Aprendizaje automático), un subcampo de la Inteligencia Artificial.
En la actualidad existe una inmensa documentación y aplicaciones de Redes Neuronales
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
Neuronal con capacidad de predecir la demanda eléctrica del SEIN.
Figura 11. Diferencia entre Inteligencia Artificial, Machine Learning y Deep Learning.
Diferencia entre Inteligencia Artificial, Machine Learning y Deep Learning
42
Figura 12. Clasificación de las Redes Neuronales Artificiales.

Clasificación de las Redes Neuronales Artificiales
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)
A lo largo de todo el trabajo de investigación, se abordará el Aprendizaje Supervisado de
tipo Regresión, utilizando la arquitectura MLP.
2.3.2.1. Fundamentos de Redes Neuronales.
2.3.2.1.1. Neurona.
El primer punto de partida, es comprender el funcionamiento básico de una neurona
biológica, la cual recibe (dendritas), procesa (núcleo) y trasmite (axón), en base a esta idea, se
aterriza una función análoga de su papel en las redes neuronales artificiales.

43
Figura 13. Neurona biológica.

Neurona biológica
Nota. Adaptado de Google Sites.
2.3.2.1.2. Perceptrón.
El perceptrón es una neurona artificial, con el comportamiento de una neurona biológica.
Figura 14. Neurona artificial o perceptrón.

Neurona artificial o perceptrón
44
A continuación se expande las siguientes ecuaciones de la Figura 14.
𝑧 = 𝑤1 (𝑥1 ) + 𝑤2 (𝑥2 ) + 𝑤3 (𝑥3 ) + ⋯ + 𝑤𝑛 (𝑥𝑛 ) + 𝑏 ( 11)
𝑧 = ∑ 𝑤𝑖 (𝑥𝑖 ) + 𝑏 ( 12)
𝑖=1
𝑦̂ = 𝑓(𝑧) = 𝑓 (∑ 𝑤𝑖 (𝑥𝑖 ) + 𝑏) ( 13)

𝑖=1
Donde:
𝑥: Entradas o características.
𝑤: Pesos.
𝑏: Bias o sesgo.
𝑦̂: Salida calculada.
𝑓(𝑧): Función de activación.
2.3.2.1.3. Perceptrón Multicapa.
El conjunto de neuronas artificiales da como resultado una red neuronal artificial, conocido
también como perceptrón multicapa.

45
Figura 15. Red neuronal artificial o perceptrón multicapa.

Red neuronal artificial perceptrón multicapa
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.
La simbología [𝐿] representa la capa de trabajo.
[0] [0] [0]

De la Figura 15, se puede observar que las salidas de la capa de entrada ( 𝑎1 , 𝑎2 , 𝑎3 ,
[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 ).
Más adelante se presentará un algoritmo de optimización donde es importante tener en
cuenta estos puntos.
2.3.2.2. Función de Activación.
La gran utilidad de la función de activación es introducir la no linealidad en las capacidades
de modelado de la red neuronal, con el fin de propagar hacia adelante la salida de una neurona;
esta salida la reciben a su vez las neuronas de la siguiente capa.

47
2.3.2.2.1. Función Escalón (E).
0, 𝑧<0
𝑓 (𝑧 ) = { ( 16)
1, 𝑧≥0
Figura 16. Gráfica función de activación escalón.

Gráfica función de activación escalón
2.3.2.2.2. Función Lineal (L).
Básicamente es la función identidad.
𝑓 (𝑧 ) = 𝑧 ( 17)
Figura 17. Gráfica función de activación lineal.

Gráfica función de activación lineal
48
2.3.2.2.3. Función Sigmoide (Sg).
1
𝑓(𝑧) = ( 18)
1 + 𝑒 −𝑧
Figura 18. Gráfica función de activación Sigmoide.

Gráfica función de activación Sigmoide
2.3.2.2.4. Función Tangente Hiperbólica (TanH).
𝑒 𝑧 − 𝑒 −𝑧
𝑓(𝑧) = 𝑧 ( 19)
𝑒 + 𝑒 −𝑧
Figura 19. Gráfica función de activación TanH.

Gráfica función de activación TanH
49
2.3.2.2.5. Función Unidad Lineal Rectificada (ReLU).
0, 𝑧<0
𝑓 (𝑧 ) = { ( 20)
𝑧, 𝑧≥0
Figura 20. Gráfica función de activación ReLU.

Gráfica función de activación ReLU
2.3.2.2.6. Función Softmax (Sf).
𝑒𝑧
𝑓 (𝑧 ) = 𝑛
( 21)
∑ 𝑒𝑧
𝑖=1
2.3.2.3. Función de Coste (C).
Conocido también como función de pérdida o error.
2.3.2.3.1. Error cuadrático medio (MSE).
Utilizado en modelos de regresión, es la relación entre sumatoria de los cuadrados de los
errores de pronósticos entre el número de pronósticos.

50
𝑛
1
𝑀𝑆𝐸 = (∑(𝑦̂𝑖 − 𝑦𝑖 )2 ) ( 22)
𝑛
𝑖=1
Donde:
𝑦𝑖 : Valor de salida deseada del set de entrenamiento.

𝑦̂𝑖 : Valor de salida calculada del set de entrenamiento.
𝑛: Número de datos de salidas.
2.3.2.3.2. Error absoluto medio (MAE).
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
2.3.2.3.3. Entropía cruzada (EC).
Utilizado en modelos de clasificación, tipo categórico, donde la variable de salida debe
tomar un valor entre varios posibles.

𝑛
1
𝐸𝐶 = − (∑(𝑦𝑖 ln(𝑦̂𝑖 ) + (1 − 𝑦𝑖 ) ln(1 − 𝑦̂𝑖 ))) ( 24)
𝑛
𝑖=1
2.3.2.4. Optimizadores.
El objetivo de la optimización en las redes neuronales es hallar los valores idóneos de los
parámetros (w, b) con el fin de minimizar el valor de la función de coste.

51
2.3.2.4.1. Gradiente descendente.
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).
Figura 21. Función convexa de una dimensión (1 parámetro).

Función convexa, de una dimensión (1 parámetro)
En el caso particular de la Figura 21, el método de optimización del gradiente descendente
parte de un punto cualquiera (A) perteneciente a la curva de la función de coste, hasta llegar al
punto mínimo (B) donde el valor de dicha función es cero.
𝜕𝐶
𝑤(𝑡+1) = 𝑤(𝑡) − λ ( 25)
𝜕𝑤
Esta Ecuación también se puede expresar en términos del gradiente.
𝑤(𝑡+1) = 𝑤(𝑡) − λ(∇𝐶) ( 26)

52
Donde:
𝑤(𝑡+1) : Pesos posteriores.

𝑤(𝑡) : Pesos actuales.
λ: Tasa de aprendizaje (learning rate).
∇𝐶: Gradiente de la función coste.
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
dirección inversa del gradiente ∇𝐶 (Meza Ruiz, 2016).
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.
Figura 22. Función no convexa de un parámetro.

Función no convexa de un parámetro
A
A’
B’
Nuevamente haciendo uso del gradiente descendente, se parte aleatoriamente desde el
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
para dos parámetros.
Figura 23. Función no convexa de dos parámetros.

Función no convexa de dos parámetros
Nota. Adaptado de Google Sites.
La función de coste depende de los parámetros 𝐶(𝑤1 , 𝑤2 ).
𝑤1 (𝑡+1) = 𝑤1 (𝑡) − λ(∇𝐶) ( 27)
𝑤2 (𝑡+1) = 𝑤2 (𝑡) − λ(∇𝐶) ( 28)

54
Donde el gradiente es un vector resultante definido de la siguiente forma.
𝜕𝐶 𝜕𝐶
∇𝐶 = [ ] ( 29)
𝜕𝑤1 𝜕𝑤2
Hasta el momento los dos casos anteriores representan la optimización de la función de
coste de uno y dos parámetros, en el uso de las redes neuronales artificiales se trabajan con miles
de parámetros. Teniendo en consideración la Figura 15, a continuación se generaliza las ecuaciones
para la actualización de parámetros.
[𝐿] [𝐿]
𝑤𝑖,𝑗 (𝑡+1) = 𝑤𝑖,𝑗 (𝑡) − λ(∇𝐶 ) ( 30)
𝜕𝐶
∇𝐶 = [ [𝐿] ] ( 31)
𝜕𝑤𝑖,𝑗
Donde:
λ : Tasa de aprendizaje (learning rate).

𝐶 : Función de coste.
[𝐿]
𝑤𝑖,𝑗 (𝑡+1) : Pesos posteriores.
[𝐿]
𝑤𝑖,𝑗 (𝑡) : Pesos actual.
Del mismo modo, se puede conseguir una expresión para el sesgo.
[𝐿] [𝐿]
𝑏𝑗 (𝑡+1) = 𝑏𝑗 (𝑡) − λ(∇𝐶 ) ( 32)
Este algoritmo de optimización es una herramienta muy versátil, en la actualidad se han
desarrollado varios algoritmos de optimización, basados en el gradiente descendente estocástico
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.
2.3.2.4.2. Algoritmo de Backpropagation.
El algoritmo de backpropagation, es un método para calcular las derivadas parciales de la
función de coste respecto a cada parámetro, de esta manera se consigue optimizar dicha función
haciendo uso del gradiente descendente.
Figura 24. Esquema del algoritmo de backpropagation.

Esquema del algoritmo de backpropagation
[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
Estas ecuaciones pueden complicarse teniendo en consideración el número de capa, y las
neuronas por capa. Debido a la complejidad de este tipo de modelos es necesario una herramienta
computacional robusta para resolver un problema matemático de tal naturaleza, en la siguiente
sección se presenta la implementación de un modelo de redes neuronales, utilizando como
herramienta el lenguaje de programación “Python” bajo un potente framework, “Tensorflow”.
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.
2.3.2.5.1. Error cuadrático medio raíz (RMSE).
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 ( 35)
2.3.2.5.2. Error Porcentual Absoluto Medio (MAPE).

𝑛
1 |𝑦̂𝑖 − 𝑦𝑖 |
𝑀𝐴𝑃𝐸 = (∑ ) ( 36)
𝑛 𝑦̂𝑖
𝑖=1
2.3.2.6. Escalado de Datos
Previo al ingreso de datos a un modelo basado en redes neuronales, surge la necesidad de
preparar los datos el cual implica uso de técnicas como la normalización y la estandarización.
2.3.2.6.1. Normalización.
Minimiza la redundancia de datos, útil para algoritmos de regresión y clasificación,
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
la media de los valores observados sea 0 y la desviación estándar sea 1.
𝑥 − 𝑥̅
𝑥𝑒𝑠𝑐𝑎𝑙𝑎𝑑𝑜 = ( 38)
𝜎𝑥
Donde:
X: Promedio de datos.
D: Desviación estándar de los datos.
2.4. Hipótesis
2.4.1. Hipótesis General
La aplicación del pronóstico de la demanda eléctrica diaria del SEIN permitirá reducir la
demanda coincidente de un usuario libre del sector industrial.
2.4.2. Hipótesis Específicas
El desarrollo de un modelo predictivo de la demanda eléctrica diaria del SEIN basado en
una red neuronal artificial minimiza diferencias entre la demanda eléctrica pronosticada y demanda
eléctrica ejecutada.
La comparación de los resultados de la demanda eléctrica pronosticada y la demanda
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
2.5.1. Variable Independiente
Pronóstico de la demanda eléctrica diaria del SEIN.
2.5.2. Variable Dependiente
Demanda coincidente de un usuario libre.
2.6. Operacionalización de las Variables
2.6.1. Operacionalización de la Variable Dependiente
Tabla 7. Variable Dependiente.

Variable Dependiente
Variable Indicador Valor Final Tipo de Variable

Demanda
Demanda de Variable
coincidente P: Potencia eléctrica
potencia numérica
de un usuario (kW).
eléctrica. Continua.
libre.
2.6.2. Operacionalización de la Variable Independiente
Tabla 8. Variable Independiente.

Variable Independiente
Variable Indicador Valor Final Tipo de Variable

Pronóstico de MAPE: Error
la demanda Errores de pronóstico porcentual absoluto Variable
eléctrica de demanda medio. numérica
diaria del eléctrica. RMSE: Error continua.
SEIN. cuadrático medio.
59
CAPÍTULO III
3. METODOLOGIA DE LA INVESTIGACIÓN
3.1. Tipo de Investigación
El tipo de investigación será aplicada porque pretende solucionar un problema específico,
utilizando conocimientos tecnológicos y aplicándolo en beneficio económico de los usuarios libres
de electricidad del sector industrial.
3.2. Nivel de Investigación
El presente trabajo de investigación reúne las características de un nivel explicativo porque
busca establecer la causa-efecto de la reducción de la demanda coincidente de un usuario libre
mediante la aplicación de un pronóstico para la demanda eléctrica del SEIN.

60
3.3. Métodos de Investigación
El método de la investigación será hipotético - deductivo porque se formula un problema
al cual se le propone una hipótesis y se corroborará mediante la aplicación del pronóstico de la
demanda eléctrica del SEIN.
3.4. Población y Muestra
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.
3.5. Instrumentos de Recopilación de Datos
La obtención de datos históricos para el desarrollo del pronóstico de la demanda eléctrica
del SEIN, es obtenido a través del portal web del Comité de Operación Económica del Sistema
(COES) el cual es información de acceso público.
3.6. Procedimientos de Recopilación de Datos
Los datos históricos comprenden la demanda de potencia ejecutada del SEIN en periodos
medios horarios, tal información se encuentra publicada en los Informes de Evaluación de la
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
no representativos y atípicos producto del COVID-19.

61
3.7. Procedimientos de Análisis de Resultados
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
eléctrica para reducir la demanda coincidente de un usurario libre.
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
4.1. Presentación de Datos y Resultados
4.1.1. Modelo Predictivo de Demanda Eléctrica Diaria del SEIN
El Modelo Predictivo está desarrollado en el lenguaje de programación Python, utilizando
como framework el paquete de Tensorflow, la Tabla 9 resume el conjunto de herramientas bajo el
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
Tabla 9. Bibliotecas para el desarrollo de redes neuronales en Python.

Bibliotecas para el desarrollo de redes neuronales en Python
Descripción Nombre Versión

Lenguaje de programación Python 3.7.6
Paquete de distribución Anaconda Navigator 1.9.12
Jupyter 6.0.3
IDE de desarrollo Colab 2022.5.20
VS Code Insiders 1.66.0
Framework Tensorflow 2.3.0
Biblioteca Keras 1.0.8
Scikit-learn 0.24.2
Numpy 1.20.3
Pandas 1.2.4
Módulos
Matplotib 3.3.4
Seaborn 0.11.1
Cufflinks 0.17.3
En el presente de investigación se optó por desarrollar un modelo de Redes Neuronales
Artificiales en el entorno del lenguaje Python, debido a la amplia gama de paquetes, bibliotecas y
módulos en el campo del Aprendizaje Automático (Machine Learning), así como su
documentación extensa en Internet, libros, foros, trabajos de investigación, etc. Otra característica
es su versatilidad de interactuar y trabajar con muchos Softwares de ingeniería, además que es de
licencia libre.
Como se indicó anteriormente, la Red Neuronal a implementarse está clasificado como un
modelo de aprendizaje supervisado de tipo regresión, ideal para el Modelo Predictivo de demanda
eléctrica del SEIN, en la Figura 25 se muestra un proceso para el desarrollo de este.

64
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)
* Guardar modelo MODELO

(pesos, bias) DEFINITIVO
* Predicción sobre el
futuro PREDICCIÓN
* x_input FUTURA
* y_output
65
4.1.1.1. Obtención de Datos.
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
prevención del COVID-19).
Tener en consideración que el histórico de la demanda ejecutada se encuentra registrada en
periodos medios horarios, es decir cada 30 minutos; por lo que para un día (24 horas), se cuenta
con 48 registros o muestras de la demanda del SEIN.
4.1.1.2. Limpieza de Datos.
Previo al ingreso de datos al modelo predictivo se realizó un escaldo de datos, en aplicación
de la Ecuación ( 37).
4.1.1.3. Conjunto de Entrenamiento y Prueba.
Los datos se dividieron en un conjunto de entrenamiento y otro conjunto de pruebas de
acuerdo a la Tabla 10.
Tabla 10. Conjunto de datos de entrenamiento y prueba.

Conjunto de datos de entrenamiento (train) y prueba (test)
Conjunto Fecha Cantidad días Muestras

1/01/2016
Train 1 461 70 128
31/12/2019
1/01/2021
Test 365 17 520
31/12/2021
66
4.1.1.4. Función de Activación.
La función utilizada para el modelo predictivo fue la Función Unidad Lineal Rectificada
(ReLU), expresado en la Ecuación ( 20).
4.1.1.5. Función de Coste.
La función de coste aplicado al modelo predictivo fue el Error Cuadrático Medio (MSE),
expresado en la Ecuación ( 22).
4.1.1.6. Arquitectura de la Red Neuronal Artificial.
La Figura 26 muestra la arquitectura de la red neuronal diseñada para el Modelo Predictivo
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
horarios (cada 30 minutos).
 Días de semana (lunes, martes, miércoles, jueves viernes, sábado, domingo).
 Días feriados (feriados calendarios).
Importante mencionar que el autor ha desarrollado modelos de predicción considerando
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
presente en el trabajo de investigación.
Las variables meteorológicas (temperatura, humedad, viento) juegan un papel importante
en el pronóstico de la demanda eléctrica, pero su aplicación es para un área geográfica específica,
incluir en el modelo predictivo no es conveniente debido que no hay un punto geográfico que
represente las condiciones meteorológicas para el SEIN.

67
Figura 26. Arquitectura de la red neuronal del Modelo Predictivo de demanda eléctrica.
Arquitectura de la red neuronal del Modelo Predictivo de demanda eléctrica
4.1.2. Resultados del Modelo Predictivo de Demanda Eléctrica
Como objetivo específico del presente trabajo de investigación se planteó desarrollar un
modelo predictivo de la demanda eléctrica diaria del SEIN, minimizando diferencias entre la
demanda eléctrica pronosticada y la demanda eléctrica ejecutada.
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
presentan figuras y tablas que son resultados de dicho Modelo.

68
Figura 27. Resultados de la demanda pronosticada vs. demanda ejecutada - Año 2021
Resultados del modelo predictivo vs. demanda ejecutada - Año 2021
A continuación, una comparación de los resultados de la demanda pronosticada y la
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
los valores de las métricas de evaluación por cada mes.
Tabla 11. Resumen de resultados de métricas MAPE y RMSE.

Resumen de resultados de métricas MAPE y RMSE
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
4.1.3. Procedimiento Para Reducir la Demanda Coincidente
Un objetivo específico que persigue el presente trabajo de investigación es establecer un
procedimiento para reducir la demanda coincidente de un usuario libre, empleando como
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.
Figura 40. Flujograma del procedimiento para reducir la Demanda Coincidente.

Flujograma del procedimiento para reducir la Demanda Coincidente
INICIO
Actualizar el Modelo predictivo de

demanda eléctrica del SEIN
SI ¿Primer día del mes de

evaluación?
NO
Obtener la demanda ejecutada del SEIN de 6 días
previos al día del pronóstico (periodos medios horarios)
Separación de variables e ingreso al

Modelo Predictivo.
Obtención de resultados del pronóstico,

se evalúa la siguiente condición.
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.
Tener en consideración que los resultados de la demanda pronosticada se encuentran en
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
fin que esto no resulte un problema.
4.1.4. Caso de Aplicación – Reducción de la Demanda Coincidente de Surpack S.A.
La empresa Surpack es un usuario libre con una demanda de potencia contratada de 3000
kW y con un consumo promedio de 2500 kW, al interior se ha instalado una planta de
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
al menor cantidad posible de horas acertando el intervalo de la MDM, donde su Demanda
Coincidente no tenga presencia para el SEIN.
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
de generación y peaje de transmisión tengan la capacidad de cubrir la inversión de los activos en
un horizonte de 5 años, en el supuesto de autogenerar tres horas al día, en un horario donde se
presente mayor incidencia de la MDM del SEIN, sin embargo en los últimos tres años la MDM se
ha presentado en días y horarios fuera de lo contemplado inicialmente por Surpack, ocasionando
considerables pérdidas económicas.
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
este escenario la autogeneración no cubre en su totalidad el periodo de horas punta, existiendo un
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,
debido a un incremento imprevisto en los costos operativos y siendo un modo ineficiente de
operación de la planta de autogeneración.
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
SEIN brinda una información confiable para la toma de decisiones.

78
4.1.4.1. Diagrama Unifilar de la Planta Surpack.
A través de la Figura 41, se puede observar el diagrama unifilar de conexión de los grupos
de autogeneración en paralelo con la carga de la empresa Surpack. Asimismo, en el Anexo 03, se
encuentra el plano de ubicación para una mayor referencia de los grupos de autogeneración.
Figura 41. Diagrama unifilar de conexión de los grupos de autogeneración.

Diagrama unifilar de conexión de los grupos de autogeneración
Características de los grupos electrógenos.
 Marca: Dresser Rand – SIEMENS.

 Modelo motor: HGM560.
 Potencia: 1300 kW.
 Velocidad: 1800 RPM.
 Combustible: Gas natural.
79
4.1.4.2. Diagrama de Carga de Surpack.
La Figura 42 presenta el diagrama de carga a lo largo de un día de la empresa Surpack, se
observa que el horario de operación de la autogeneración cubrió el intervalo de la MDM del SEIN,
lógicamente la demanda coincidente de Surpack es cero (o mínima), no teniendo presencia de
consumo para el SEIN.
Asimismo, se tiene las siguientes consideraciones:
 Horario de operación de autogeneración: 18:00 a 22:00 horas.
 Máxima demanda mensual (MDM): 10/03/2022 19:30 horas.
 Demanda coincidente (DC): 31.87 kW.
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
4.1.4.3. Aplicación del Pronóstico de la Demanda Eléctrica del SEIN.
La aplicación del pronóstico de la demanda eléctrica del SEIN en la reducción de la
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
una disminución de 69 % comparado a operación tradicional de la Planta, con esto se logra
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.
Tabla 12. Diminución de horas de autogeneración de Surpack.

Diminución de horas de autogeneración de Surpack
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
19:00, posteriormente, el COES validó la MDM al día 19/04/2022 19:00 horas.

85
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
18:30, posteriormente, el COES actualizó la MDM al día 31/05/2022 18:45 horas.

86
4.2. Pruebas de Hipótesis
En este punto se rechaza o se acepta el planteamiento de la hipótesis nula (H0) e hipótesis
alternativa (H1).
H0: El pronóstico de la demanda eléctrica diaria del SEIN no influye en la reducción de la
H1: El pronóstico de la demanda eléctrica diaria del SEIN si influye en la reducción de la
X1: Pronóstico de la demanda eléctrica diaria del SEIN (MAPE, RMSE).
X2: Demanda coincidente de un usuario libre del sector industrial (Potencia eléctrica, kW).
4.3. Discusión de Resultados
En base a los resultados obtenidos, se rechaza la hipótesis nula H0 y se acepta la hipótesis
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
si influye en la reducción de la demanda coincidente de un usuario libre del sector industrial.
Estos resultados guardan relación con el estudio por Chapaloglou et al. (2019), quien
presenta un pronóstico de demanda eléctrica en periodos horarios y posteriormente aplica tal
pronóstico en una metodología de Peak Shaving, sobreentendiendo la relación de la variable X1
en X2.
Asimismo, la evaluación del pronóstico de la demanda eléctrica del presente trabajo de
investigación concuerda con el estudio de Fernandez Quiñones (2014), donde presenta los
resultados del pronóstico evaluando el MAPE por cada mes.

87
Respecto a los criterios utilizados para el desarrollo del Modelo Predictivo de la demanda
eléctrica, Fernandez Quiñones (2014) y Huerta V. et al (2012) consideran variables de entrada
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
variables meteorológicas en el pronóstico de la demanda eléctrica.

88
CONCLUSIONES
1. La implementación de una Red Neuronal Artificial utilizando el Software Python, permitió
desarrollar un Modelo Predictivo de la demanda eléctrica del SEIN confiable, puesto que se
logró minimizar diferencias entre la demanda eléctrica pronosticada y la demanda eléctrica
ejecutada.
2. Se comparó los resultados de la demanda eléctrica pronosticada y la demanda eléctrica
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
cuadrático medio (RMSE) de 78.659.
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
Surpack de enero a mayo 2022, se consiguió autogenerar eficientemente en el intervalo de la
MDM del SEIN y reduciendo por consiguiente la Demanda Coincidente.

89
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.
2. Realizar un pre procesamiento adecuado de la información histórica considerando el
tratamiento de datos atípicos, tanto en el conjunto de entrenamiento y prueba del Modelo.
3. Se recomienda implementar un método de optimización basado en algoritmos genéticos puesto
que existen trabajos de investigación donde se presentan mejores resultados para un Modelo
Predictivo de demanda eléctrica.
4. En caso se tenga de conocimiento de una falla o perturbación en el SEIN, es conveniente reducir
la demanda en horas punta en un horario más prolongado al indicado por el Modelo Predictivo,
debido que en estos casos la demanda del SEIN es altamente impredecible.
5. Tener en consideración, si varios usuarios libres aplican la metodología de la presente Tesis
puede surgir un cambio en el perfil de demanda eléctrica del SEIN donde los picos pueden
desplazarse a un diferente horario y/o día.
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
conocimiento la variación de demanda de los grandes usuarios libres.

90
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
professionals. IOP Conference Series: Earth and Environmental Science.
https://doi.org/10.1088/1755-1315/352/1/012032
Cabezón Manchado, M. (2018). Predicción demanda eléctrica española. Implementación de redes
neuronales recurrentes en Python. https://eprints.ucm.es/49444/1/2018-MIGUEL
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.
Applied Energy. https://doi.org/10.1016/j.apenergy.2019.01.102
Comité de Operación Económica del Sistema Interconectado Nacional [COES]. (2022a). Informe
de evaluación de la operación diaria, jueves 10 de marzo de 2022.
https://www.coes.org.pe/Portal/PostOperacion/Reportes/Ieod
Comité de Operación Económica del Sistema Interconectado Nacional [COES]. (2022b). Informe
de evaluación de la operación diaria, martes 11 de enero de 2022.
https://www.coes.org.pe/Portal/PostOperacion/Reportes/Ieod
Fernandez Quiñones, E. R. (2014). Pronóstico de la demanda eléctrica a corto plazo utilizando
redes neuronales artificiales aplicado al sistema interconectado nacional.
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).
Implementación de un método para previsión de carga en corto plazo. Grupo de sistemas
eléctricos de potencia.
Meza Ruiz, I. V. (2016). Descenso por gradiente (Gradient descent).
https://turing.iimas.unam.mx/~ivanvladimir/posts/gradient_descent/
Oscullo, J., & Haro, L. (2016). Pronóstico de la Demanda Diaria del Sistema Nacional
Interconectado Utilizando Redes Neuronales. Revista Politécnica.
https://revistapolitecnica.epn.edu.ec/ojs2/index.php/revista_politecnica2/article/view/661

Peak Shaving Algoritmo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Peak Shaving Algoritmo

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

“PRONÓSTICO DE LA DEMANDA ELÉCTRICA

PARA OPTAR EL TÍTULO PROFESIONAL DE:

Ing. Waldir Astorayme Taipe

A mi linda madre Melania por el gran esfuerzo que

DEDICATORIA ............................................................................................................................ iii

2.3.1. Mercado Eléctrico Peruano........................................................................................... 21

3.4. Población y Muestra ............................................................................................................... 60

Figura 1. División de los sistemas de trasmisión .......................................................................... 23

Tabla 1. Composición de la facturación de un usuario libre. ........................................................ 22

El propósito que buscó el presente trabajo de investigación fue aplicar el pronóstico de la

estrategias de Peak Shaving. La investigación desarrollada tiene un enfoque cuantitativo, de tipo

aplicada y nivel explicativo, asimismo el método utilizado es hipotético – deductivo.

Se llega a la conclusión de que es posible reducir la demanda coincidente de un usuario

Palabras claves: Pronóstico de demanda eléctrica, redes neuronales, demanda coincidente,

usuario libre, peak shaving.

to reduce the coincident demand of an unregulated user in the industrial sector.

method used is hypothetical - deductive.

It is concluded that it is possible to reduce the coincident demand of an unregulated user

Keywords: Electric demand forecast, neural networks, coincident demand, unregulated

user, peak shaving.

Contar con un pronóstico confiable de la demanda eléctrica del SEIN es de suma

sistema, regulación primaria y/o secundaria de frecuencia, gestión de demanda eléctrica de

El trabajo de investigación contribuye nuevos conocimientos sobre el desarrollo de un

redes neuronales utilizando el lenguaje de programación Python. Asimismo, se busca aplicar el

usuario libre del sector industrial

El presente trabajo desarrolla los siguientes capítulos:

CAPITULO I: Se presenta el planteamiento y formulación del problema, los objetivos,

justificación e importancia del trabajo de investigación.

CAPITULO II: Se describe los antecedentes nacionales, internacionales, se desarrolla las

variables y la operacionalización de éstas.

CAPITULO III: Describe la metodología de la investigación, tipo, nivel, método de

investigación, población, muestra, instrumentos y procedimientos de recopilación de datos.

mismo capítulo, muestra los resultados de la aplicación de dicho modelo en la reducción de la

planteadas y discusión de resultados.

1. PLANTEAMIENTO DEL PROBLEMA

1.1. Caracterización del Problema

El trabajo de investigación presenta un caso de estudio, la empresa Surpack S.A., quien es

En base a la resolución ministerial vigente N° 153-2021-MINEM/DM, el periodo de horas

potencia integrada en un intervalo de 15 minutos. Importante mencionar que la demanda

coincidente de usuario libre es la potencia de consumo en el intervalo de MDM del SEIN.

En la actualidad, la estrategia de la empresa Surpack implica inyectar energía mediante la

por lo cual, la autogeneración no cubre en su totalidad el periodo de horas punta, existiendo un

SEIN, siendo así, la demanda coincidente tendría presencia.

operativos de los grupos electrógenos.

herramienta principal se propone la implementación de un modelo predictivo de la demanda

1.2. Formulación del Problema

1.2.1. Problema General

favorecerá en la reducción de la demanda coincidente de un usuario libre del sector industrial?

1.2.2. Problema Específico

la demanda eléctrica ejecutada?

¿Cómo realizar la comparación de resultados de la demanda eléctrica pronosticada y la

1.3.1. Objetivo General

coincidente de un usuario libre del sector industrial.

1.3.2. Objetivos Específicos

red neuronal artificial minimizando diferencias entre la demanda eléctrica pronosticada y la

demanda eléctrica ejecutada.

Comparar los resultados de la demanda eléctrica pronosticada y la demanda eléctrica

Establecer un procedimiento para reducir la demanda coincidente de un usuario libre del

sector industrial, empleando como herramienta un modelo predictivo de la demanda eléctrica

diaria del SEIN.

1.4. Justificación e Importancia

1.4.1. Justificación Teórica