Pronóstico de la curva de carga de un transformador de

potencia mediante la técnica de Regresión de Soporte

Vectorial.
Guilhermo Iván Bogado Gómez1

Ciudad del Este - Paraguay1

guille.nth13@gmail.com1 ,
2 de junio de 2022

Resumen
En este proyecto se presenta una metodologı́a para estimar la curva de carga de
transformadores de potencia utilizando la técnica de Regresión de Soporte Vectorial.
Para implementar la metodologı́a propuesta se utilizaron datos reales de un transforma-
dor TR-05 de de la subestación Alto Paraná y con diferentes condiciones de operación.
La técnica de estimación de carga fue implementada con datos históricos de la Admi-
nistración Nacional de Electricidad (ANDE). Para realizar la predicción de las curvas
de carga se realizó un modelo en un software computacional, la cual se adapta a la
curva de carga con tiempos de predicción de corto plazo. La metodologı́a propuesta
permite la estimación de la curva de carga del transformador de potencia con un error
relativo tolerable. Este método puede ser utilizado en otros equipos con caracterı́sticas
de operación similares.
Descriptores: transformadores, pronóstico, regresión
Abstract
This project presents a methodology to estimate the load curve of power trans-
formers using the Vector Support Regression technique. To implement the proposed
methodology, real data from a TR-05 transformer of the Alto Paraná substation were
used and with different operating conditions. The load estimation technique was im-
plemented with historical data from the National Electricity Administration (ANDE).
To perform the prediction of the load curves, a model was made in computer soft-
ware, which adapts to the load curve with short-term prediction times. The proposed
methodology allows the estimation of the power transformer load curve with a tolera-
ble relative error. This method can be used in other equipment with similar operating
characteristics.
Keywords: transformers, forecast, regression

1. Introducción aumentándola para ser más económica la

transmisión y luego disminuyéndola pa-
ra una operación más segura en los equi-
El uso de los transformadores en el cam-
pos. Cabe destacar que los transformadores
po doméstico como en el industrial, cobra
eléctricos han sido uno de los inventos más
gran importancia ya que con ellos pode-
relevantes de la tecnologı́a eléctrica. Sin la
mos cambiar la amplitud de la tensión,
existencia de los transformadores, serı́a im-
posible la distribución de la energı́a eléctri-
ca tal y como la conocemos hoy en dı́a.
Para las empresas de transmisión es im-
portante conocer la curva de carga de sus
transformadores de potencia, en especial de
aquellos que se encuentran operando cerca
a sus lı́mites máximos operativos, los que
atienden clientes especı́ficos o directamen-
te una carga residencial. La predicción de
carga de los transformadores de potencia
permite conocer la demanda y garantizar el
suministro de energı́a eléctrica en el corto,
mediano y largo plazo.
1.1. Exploración de la impor-
tancia del problema.
Este trabajo final de grado fue elabora-
do por la necesidad de predecir la curva de
carga de transformadores de potencia, debi-
do a que una predicción con un alto grado
de precisión es fundamental a la hora de
la operación, la programación de manteni-
mientos preventivos o sustituciones de estos
dispositivos dentro del Sistema Eléctrico de
Potencia (SEP), ası́ como para prever posi-
bles sobrecargas y con ello tomar las deci-
siones necesarias para paliar los efectos de
una sobrecarga. Este funcionamiento de los
transformadores en un alto nivel de eficien-
cia garantizarı́a el servicio continuo del su-
ministro de energı́a eléctrica a los consumi-
dores.
1.2. Objetivos.
Objetivo general Estimar la curva de
carga de un transformador de potencia me-
diante la técnica de Regresión de Soporte
Vectorial, utilizando un paquete de un soft-
ware computacional.
Objetivos especı́ficos
1. Analizar las variables que influyen en
la demanda de los transformadores de
potencia y su pronóstico.
2. Obtener, seleccionar y clasificar los da-
tos para lograr una base de datos ade-
cuado para utilizar en el software es-
cogido.
3. Determinar la precisión del modelo de
predicción.
1.3. Discusión de literatura re-
levante.
Uno de los trabajos revisados es el tra-
bajo de investigación realizado en la Facul-
tad Politécnica de la Universidad Nacional
del Este, por los Ing. Eduado Ocampos y
Avilio Martı́nez [1], referente al Predicción
de la curva de carga utilizando regresión
lineal múltiple. En el presente trabajo se
realizó con el objetivo de predecir la curva
de carga de un transformador de potencia
con la cual estarı́a operando, mediante la
aplicación de la técnica estadı́stica de re-
gresión lineal múltiple. Para su desarrollo
primeramente fue necesario conocer varios
conceptos básicos y especı́ficos del tema, ası́
como, la correcta interpretación de los datos
históricos proveı́dos por la Administración
Nacional de Electricidad (ANDE). Poste-
riormente de registraron los datos históricos
del transformador de potencia y fueron va-
lidados gráficamente, se procedió a obtener
los coeficientes del modelo elegido, se obtu-
vieron los gráficos de la demanda horaria y
se calculó el error del modelo respecto a los
datos reales.
Luego se describe un trabajo de investi-
gación realizada también en la Facultad Po-
litécnica, elaborado por la Ing.Isabel Britez
[2], referente al pronóstico de la curva de
carga de un transformador utilizando red
neuronal artificial, el cual también se realizó
con el objetivo de predecir la curva de carga
de un transformador de potencia, mediante
la aplicación de red neuronal artificial.
Además, se tiene el proyecto titulado
”Máquinas de Soporte Vectorial con al-
goritmos basados en poblaciones para el
pronóstico del precio de acciones LAN Chi-
le”, elaborado por Eduardo Alberto Cue-
vas Alfaro . En este proyecto se presenta el
estado del arte de las técnicas utilizadas y
los modelos desarrollados para el pronósti-
co del precio de las acciones de LAN (Lı́nea
aérea nacional) Chile. Estos modelos consis-
ten en la optimización de los parámetros de
las máquinas de soporte vectorial median-
te algoritmos genéticos y optimización por
enjambre de partı́culas.
1.4. Hipótesis
Con ayuda de los antecedentes históri-
cos de carga de un transformador de poten-
cia y la utilización de un software compu-
tacional será posible estimar,a corto plazo,
su curva de carga mediante la técnica de
Regresión de Soporte Vectorial que propor-
cionará una predicción sobre la demanda
eléctrica.
2. Metodologı́a.
Se entiende por metodologı́a, un conjun-
to de procesos ordenados que construyen un
camino para llegar a un determinado obje-
tivo del trabajo académico [3]. En este ca-
so, vamos a exponer los datos principales
del fenómeno fı́sico de la curva de carga. El
presente proyecto adopta el tipo de metodo-
logı́a analı́tica, con la finalidad de mostrar
las directrices técnicas y argumentar sobre
los resultados del procedimiento de mues-
treo.
El análisis está basado en la descompo-
sición de determinado fenómeno de enfoque
en el estudio, identificando los distintos ele-
mentos que lo constituyen, yendo de lo ge-
neral a lo especı́fico [3]. El punto de partida
es el diagnóstico de la curva de carga, que
es analizado detalladamente en este traba-
jo permitiendo ası́ llegar a las leyes de su
expresión, o sea, una revisión de los efec-
tos a las causas. Asimismo se puede obte-
ner informaciones más profundas sobre el
pronóstico propuesto a la curva de carga
del transformador de potencia TR-05 de la
Subestación Alto Paraná.
Teniendo en cuenta lo anterior, se busca
en este trabajo proyectar todos los aspec-
tos técnicos revisados utilizando la técnica
de Regresión de soporte vectorial para dar
apoyo al procedimiento de análisis, con el
objetivo de concluir un pronóstico real de
este fenómeno fı́sico eléctrico.
2.1. Enfoque
Este trabajo de investigación técnica se
caracterizó por basarse en la recolección de
datos históricos, utilizados por un modelo
de Regresión de Soporte Vectorial para es-
tudiar y conocer la relación que existe entre
la temperatura ambiente, discretizada hora
a hora durante un dı́a, con cada una de las
respectivas horas de dicho dı́a; de tal mane-
ra a poder obtener un modelo de predicción.
Debido a esta naturaleza del problema, esta
investigación es del tipo cuantitativa.
2.2. Alcance de la investiga-
ción cuantitativa
Considerando el uso de las variables que
intervienen en el problema, tales como la
temperatura, la hora del dı́a y la potencia
y utilizando una técnica de machine lear-
ning, la Regresión de Soporte Vectorial la
cual hace uso de la relación de dos o más
variables independientes, que vienen a re-
presentar varios de los tantos factores que
influyen en la potencia de un transformador
(variable dependiente). Esta relación entre
las variables viene limitada en sus resulta-
dos de predicción, es decir, los modelos de
regresión que pronostican la demanda de
corriente del transformador fueron proyec-
tados para un alcance a corto plazo.
2.3. Diseño
El proceso de descubrirconocimiento en
base de datos- Knowledge Discovery in Da-
tabase(KDD) [4] desarrolla las ideas cen-
trales del procesamiento de datos, con el
objetivo de extraer e interpretar patrones
[5],[6],[7],[8] para generar a partir de ello un
nuevo conocimiento respecto del estudio, en
este caso, los pronósticos a corto plazo. Por
estas caracterı́sticas el proceso KDD (figura
1) cumple con los requisitos para convertir-
se en la base metodológica de este estudio.
Figura 1: Proceso KDD.
El Proceso KDD parte con una com-
prensión básica del dominio en que surge el
fenómeno analizado y la identificación del
objetivo deseado, para luego continuar con
las siguientes etapas cuya aplicación podrı́a También se extrajeron de [10], datos
ser recursiva [4] [6] [9]: acerca del clima, especı́ficamente la tempe-
ratura y la humedad ya que éstos son fac-
Levantamiento de datos y recolección
tores que influyen de manera importante en
de casos favorables para la investiga-
el pronóstico de la demanda del transfor-
ción.
mador. Estos datos fueron organizados en
Manejo de datos: comprobar que sean la base de datos de la manera en que se ob-
correctos,no ambiguos, consistentes y serva en la figura 3
completos.
Pre-procesamiento de datos: identifi-
car valores perdidos y fuera de ran-
go para efectuar transformaciones o
tomar las medidas correctivas necesa-
rias como, por ejemplo, eliminación de
aquellos datos irrelevantes para la in-
vestigación.
Data Mining: Determinar las técnicas
predictivas adecuadas para la inves-
tigación, e identificar los patrones de
comportamiento.
Desarrollo, resolución y validación del
modelo.
Análisis de resultados (interpretación
y evaluación).
Figura 3: Base de datos organizada del
transformador TR-05.
2.4. Tratamiento de los Datos.
2.4.1. Levantamiento de Datos. 2.4.2. Selección de datos

Se procede a solicitar la base de datos
que contiene información acerca del trans-
formador TR-05 de la SE-APR. Dicha base
de datos consta de 365 archivos en formato
.xls, que contiene los datos de interés jun-
to a los datos de otros transformadores y
alimentadores de todo el Sistema Eléctrico
de Potencia. Los datos de interés para el
presente estudio es la carga medida en el
transformador, hora por hora, durante to-
do el año 2018. La base de datos se puede
observar en la figura 2
Los tipos de datos de entrada que se ma-
nejan para este proyecto, pueden manejar
dos tipos de variables, variables exógenas y
variables inherentes al sistema, ambas fun-
damentales para poder realizar una buena
predicción [11]
Variables exógenas: variables externas
al sistema como pueden ser la tempe-
ratura, la humedad, la velocidad del
aire, etc. Dentro de este grupo se pue-
den distinguir tres subcategorı́as:

• Variables climáticas: Solo se han

de utilizar aquellas variables que
afecten directamente al sistema.
Además, hay que tener en cuen-
ta que estas variables pueden estar
interrelacionadas por lo que reali-
zar una predicción con varias va-
riables que estén relacionadas en-
tre sı́ puede perjudicar al sistema.
Figura 2: Hoja de la base de datos proveı́da • Variables de calendario: Permiten
por la ANDE. distinguir entre los distintos tipos
 de dı́a existentes y su relación con
el modelo.
• Variables económicas: Este tipo
de variables tienen influencia en
sistemas grandes y con la inten-
ción de predecir a largo plazo. No
se suelen incluir en el modelo.
Variables inherentes al sistema: Estas
variables ayudan a predecir buscando
información en condiciones similares Figura 4: Curva de la demanda del mes de
que sucedieron en el pasado. enero del 2018.
En este sistema, inicialmente, se ha de-
cidido utilizar como variables de entrada:
Dı́a de la semana.
Hora del dı́a.
Temperatura horaria.
Demanda horaria.

2.4.3. Análisis de datos

Debido a errores en los equipos de cap-
tura, errores en los sistemas de comunica-
ción que llevan los datos hasta una base de
datos, errores de software como mala con-
figuración de un tipo de dato y apagones
(que conllevan por tanto a datos de deman-
da cero), la curva de carga que se construya
a partir de allı́ presenta problemas de datos
faltantes, datos errados y datos incorrectos,
pero que en el comportamiento normal de la
curva se convierten en atı́picos, ocasionan-
do dificultades para su análisis. Lo anterior
implica que previamente al análisis de los
datos para la estimación o planteamiento
de una curva de carga, haya que realizar
una depuración y posterior selección de los
mejores datos, que conlleven a resultados
confiables.
En la Figura 4 y 5 se observa el com-
portamiento de la demanda durante el mes
de enero del año 2018 y del dı́a viernes 5 de
enero de 2018 del transformador TR-05 de
23 kV, donde se observa el comportamiento
periódico de la curva con unos máximos y
mı́nimos, que en su generalidad se encuen-
tran cerca entre sı́ según el caso, pero que
en algunos instantes se alejan del compor-
tamiento que llevan. Se aprecia, por tanto,
que la curva se puede tratar por medio de
la teorı́a para las series de tiempo.
Figura 5: Curva de la demanda del dı́a vier-
nes 5 de enero del 2018.
En la Figura 4 que toma el mes de enero
completo, no permite apreciar claramen-
te los valores atı́picos, errores y faltantes,
mientras que en la Figura 5, que toma un
solo dı́a, permite ver los cambios bruscos
que se presentan en ciertos instantes. La ta-
rea inicial será buscar los valores erróneos,
repetidos y atı́picos.
Los valores erróneos o atı́picos no deben
ser considerados como dato para estima-
ción de la curva de demanda diaria, ya que
dependiendo de sus valores pueden sesgar
o desviar los resultados hacia extremos que
no son representativos del comportamiento
general.
En esta etapa se pretende eliminar los
datos que presenten inconsistencias, con las
tendencias por unidad de tiempo, los datos
de demanda del alimentador escogido pre-
sentan varias inconsistencias, tales como va-
lores faltantes, valores cero. Se plantea co-
mo método de depuración los siguientes pa-
sos:
Eliminación de valores cero y faltan-
tes.
 Prueba de normalidad.
Prueba de valores atı́picos.
2.4.4. Limpieza de Datos
Una vez completado el filtrado de datos,
se disponen las mismas por fecha y subdivi-
didas de manera horaria, desde las 00:00 hs
hasta las 23:00 hs de manera a poder tener
un mejor manejo sobre ellas.
Fecha 0:00 1:00 2:00 3:00 4:00
22/3/2018 0 125 123 120 120
23/3/2018
24/3/2018 142
25/3/2018 95 122 120 117 117
26/3/2018 100 95 90 90
Tabla 1: Ejemplo de valores faltantes y valores 0.
2.4.5. Prueba de valores atı́picos.
Antes de iniciar el análisis de nuestro
conjunto de datos, uno de los primeros pa-
sos es la realización del test de normalidad,
de modo a saber si estamos en presencia de
una distribución normal, esto implica que
el conjunto de datos siga un patrón normal,
es decir, no posee datos atı́picos.
Los resultados de la prueba indican si
se debe rechazar o no puede rechazar la
hipótesis nula de que los datos provienen
de una población distribuida normalmen-
te. Se realiza una prueba de normalidad
y posteriormente una gráfica de probabili-
dad normal en el mismo análisis. La prueba
de normalidad y la gráfica de probabilidad
suelen ser las mejores herramientas para
evaluar la normalidad.
Esta prueba compara la función de dis-
tribución acumulada empı́rica de los datos
de la muestra con la distribución esperada
si los datos fueran normales. Si la diferencia
observada es adecuadamente grande, se re-
chazará la hipótesis nula de normalidad de
la población.
Debido a errores en los equipos de medi-
ción, errores en el software e interrupciones
en el servicio, se comprueban casos como
valores cero, datos faltantes y valores atı́pi-
cos, por lo que fue necesario realizar dife-
rentes métodos de procesamiento de datos
para la limpieza de los mismos. En la ta-
bla 1 se puede apreciar un ejemplo de los
valores faltantes y valores 0 tomando como
referencia datos del mes de marzo del 2018.
5:00 6:00 7:00 8:00 9:00 10:00
120 142 287 382 420 462
115 115 122 135 197 147
90 107 152 222 270 287 297
2.4.6. Suavización de la curva me-
diante splines cúbicos.
La interpolación mediante splines linea-
les (Figura 6) consiste en dividir el intervalo
a interpolar en una serie de intervalos más
pequeños llamados subintervalos, y en ca-
da uno de estos subintervalos construir un
polinomio que se aproxime a la forma origi-
nal. Esta forma de aproximar por medio de
funciones es conocida como aproximación
polinómica fragmentaria, y consiste en unir
una serie de puntos (x0, f (x0)), (xn, f (xn))
mediante una serie polinomios de primer
grado [11]
Figura 6: Spline mediante segmentos de rec-
ta.
La aproximación por funciones lineales
muestra una desventaja, no se tiene la se-
guridad de que haya diferenciabilidad en
los extremos de los subintervalos, lo cual
dentro de un contexto geométrico significa
que la función suavizada tiene una forma en el verano (figura 9). El tipo de cliente
brusca en los puntos iniciales y finales de comercial posee un consumo constante em-
cada intervalo. A menudo se requiere una pezando en horas de la mañana cerca de las
forma suave en los extremos de cada subin- 9 hs y finalizando a las 17 hs, y se clasifica
tervalo suavizado y por lo tanto la función de acuerdo al tipo de actividad comercial
que aproxima la curva inicial debe ser con- (figura 8). El cliente industrial tiene un pi-
tinuamente diferenciable. co de curva muy variada que depende del
tipo de actividad.
La aproximación polinómica fragmenta-
ria más común utiliza polinomios entre cada
par consecutivo de nodos y recibe el nombre
de spline cúbico (Figura 7). Un polinomio
cúbico general contiene cuatro constantes;
ası́ pues, el procedimiento del spline cúbico
ofrece suficiente flexibilidad para garantizar
que la función resultado de la interpolación
no sólo sea continuamente diferenciable en
el intervalo, sino que además tenga una se- Figura 8: Curva de la demanda mayormen-
gunda derivada continua en el intervalo [11]. te Comercial.

Figura 7: Spline cúbico.

Figura 9: Curva de la demanda mayormen-

El suavizado cúbico de la demanda es
te residencial.
aplicado de modo a eliminar pequeñas fluc-
tuaciones que no aportan información rele-
vante, pero que, sin embargo, pueden impli-
car un mayor tiempo de calculo o incluso,
una predicción errónea de la demanda.

2.4.7. Caracterización de la carga.

La caracterización de curvas de carga
permite evaluar la tendencia de la deman-
da durante las 24hs del dı́a de la semana,
con este se podrá identificar y caracterizar
el padrón de comportamiento según el dı́a
de la semana y el tipo de cliente asociado
a la curva, ya sea residencial, comercial o
industrial.
El tipo de cliente residencial se carac-
teriza por mantener una carga variable du-
rante el dı́a, iniciando su consumo en horas
de la mañana y con un pico pronunciado
de demanda en las horas de la noche, entre
las 17 y 21 hs en el invierno y 18 y 22hs
Figura 10: Curva de la demanda comercial
y residencial.
2.4.8. Diferenciación entre dı́as
hábiles, dı́as festivos y fines
de semana.
La demanda es dependiente de diver-
sos factores, muy especialmente del tipo
de dı́a, es por ese motivo que es necesa-
rio, una vez que se tengan depurados los
datos, establecer a qué tipo de dı́as perte-
necen (sábado, domingo, festivo, dı́a hábil),
existen diferentes efectos relacionados con
el calendario que inciden sobre la curva de
demanda eléctrica.
La demanda eléctrica realizada a la mis-
ma hora de dı́as diferentes será también di-
ferente. Ası́ la demanda llevada a cabo un
miércoles a las once horas de la mañana pro-
bablemente no coincida con la realizada un
domingo a esa misma hora.
Figura 11: Curva de carga una semana, des-
de el lunes 5 de marzo al domingo 12 de
marzo.
En el gráfico de la figura 11 se puede
observar que todos los dı́as de la semana,
desde el dı́a Lunes 5 de marzo hasta el dı́a
Domingo 12 de marzo, tienen un patrón si-
milar en sus respectivas curvas, excepto por
el dı́a Domingo, que posee un patrón muy
distinto. Esto se debe a que, las cargas ali-
mentadas por el Transformador TR-05 son
mayoritariamente comerciales, y los domin-
gos se observa que las actividades comer-
ciales son mucho más reducidas que en los
demás dı́as de la semana.
Figura 12: Curva de carga una semana, des-
de el lunes 29 de enero al domingo 4 de fe-
brero.
Por otro lado, a partir del dı́a Lunes 29
de enero hasta el Domingo 4 de febrero,
en la figura 12 se puede observar que de
Lunes a Viernes también tienen el patrón
de curva de carga similar y a diferencia de
la figura 11, en el dı́a Sábado 3 de febrero
(asueto según Decreto Municipal N° 5065),
se puede observar el impacto de un dı́a fes-
tivo en el comportamiento de la demanda
del transformador, siendo la curva de carga
del dı́a Sábado, muy similar a la curva del
dı́a Domingo.
2.5. Algoritmo clustering para
agrupación de curvas de
demanda eléctrica.
El objetivo del proceso de agrupamiento
es separar un conjunto de datos en diferen-
tes grupos, de modo que los elementos de
un determinado grupo, presenten un cier-
to grado de similitud entre ellos. En este
trabajo el proceso de agrupamiento es utili-
zado de modo a identificar curvas de cargas
con padrones de demanda diaria similares
en el transformador en estudio y agrupar-
los, para luego utilizarlo como una de las
variables de entrada para el entrenamiento
de la SVM.
Se analizaron la relación entre la de-
manda eléctrica diaria y la temperatura
media diaria, exceptuando fines de semana
y feriados para luego agruparlos, los gru-
pos formados contienen individuos con una
similaridad alta (similitud entre curvas dia-
rias), dada por el grado de asociación entre
las variables demanda y temperatura me-
dia diaria. La temperatura y la demanda
promedio fueron normalizadas de modo a
evitar la fuerte influencia de la desigualdad
de las magnitudes de la temperatura y la
demanda que podrı́a causar una incorrecta
clasificación.
En cada curva de demanda diaria con
datos horarios, se obtuvo la demanda me-
dia, esto permitió analizar si una curva de
demanda diaria de un dı́a determinado, tie-
ne caracterı́sticas similares a una curva de
demanda diaria de ese mismo dı́a u otro dı́a
a la semana. Para esta acción se utilizó el
modelo de clasificación no jerárquico de K-
medias.
2.6. El pronóstico de la deman- éste es uno de los algoritmos más nuevos y
da eléctrica. ampliamente usados en el área de pronósti-
cos y regresiones.
Este apartado revisa en detalle la apli-
cación del modelo de pronóstico en series de
Todos los modelos SVM para regresio-
tiempo revisado en la sección 2.3, buscando
nes descritos aquı́, fueron desarrollados en
encontrar el mejor modelo para pronosticar
un programa basado en R llamado RStu-
la demanda del transformador TR-05 de la
dio mediante el paquete Regressor. Se ex-
SE-Alto Paraná.
perimento varios Kernel usadas en las SVR,
hasta encontrar los parámetros que permi-
Se analizó la demanda horaria del trans-
tieron minimizar el MAPE de los pronósti-
formador. En primera instancia, se utiliza-
cos.
ron pruebas de Normalidad y Métodos de
Suavización Exponencial, herramientas con
las cuales es posible establecer el mejor mo-
delo para comprender la tendencia en los
datos globales del transformador TR-05.
En dicho estudio fue empleado el modelo
Regresión de Soporte Vectorial (Support
Vector Regression).
Figura 13: Diagrama de flujo para el mode-
lo SVR.
En el estudio se utilizaron los datos
históricos horarios de la demanda eléctrica,
de enero 2018 a diciembre 2018, es decir,
Se utilizaron la serie comprendida entre
8640 observaciones de la demanda horaria
el 2 de enero de 2018 al 31 de diciembre del
del transformador. Además, la bondad del
año 2018 en su totalidad, además se utili-
modelo se puede medir usando la medida
zaron 7 agrupaciones de datos por cada dı́a
del error promedio y MAPE (Mean Abso-
a lo largo del año, y de acuerdo a la simili-
lute Percentual Error).
tud en el rango de temperatura, con el fin
de lograr menor costo de entrenamiento y
Para el pronóstico de la demanda del mejores resultados.
transformador, como datos de entradas fue-
ron considerados los valores de carga hora-
rio previos, condiciones de temperatura y
de humedad.
3. Resultados
En el modelo de predicción, se decidió
realizarlo por grupos, por ejemplo, cada En este capı́tulo se muestra la aplicación
grupo presenta patrones de entrenamiento del modelo planteado. Se tomó para tal fin
que se escogieron para determinados perio- el Transformador TR-05, puesto que es uno
dos del año y solo se pronostica los dı́as que de los cuales se tienen un solo alimentador
presentan caracterı́sticas similares, se reali- conectado, esto evita que hayan variaciones
za el mismo procedimiento con cada dı́a a fortuitas en la curva de carga, lo cual favo-
pronosticar. rece en gran manera el pronóstico.

2.6.1. Regresión de Soporte Vecto-

rial.
Normalmente los SVM son utilizados
como clasificadores, es decir, para separar
elementos de una clase de elementos per-
tenecientes a otra. No obstante, las SVMs
pueden emplearse para efectuar regresio-
nes, ocasión en las que se les llama SVR,
3.1. Limpieza de datos
Para la eliminación valores, primera-
mente, se procedió a descartar aquellos dı́as
que posean más del 50 % de datos horarios
faltantes, los cuales quedan detallados en la
figura 14.

Figura 14: Dı́as eliminados por falta de da-
tos.
Luego se procedieron a eliminar los va-
lores nulos. Los valores nulos no pueden ser
considerados, ya que en un circuito perma-
nentemente operativo el valor de la carga
siempre es mayor a 0.
3.2. Prueba de valores atı́picos
Figura 15: Gráfico de la prueba de norma-
lidad de los datos de la Demanda.
Luego de aplicar la prueba de normali-
dad al conjunto de datos de demanda (Figu-
ra 15), siendo negativo el resultado, es decir,
se rechaza la hipótesis nula, indicando que
los datos no tienen comportamiento normal
se procedió a la eliminación de datos atı́pi-
cos. Para la prueba de normalidad se optó
utilizar la prueba de Anderson-Darling.
3.3. Suavización de la curva de
carga
Se ha optado por realizar el suavizado
a través del software MATLAB, debido a
la gran cantidad de datos a procesar. Co-
mo coeficiente de suavizado se eligió el va-
lor 0,85 después de ver los resultados que
ofrecı́an varios valores probados. Con este
valor en el parámetro de suavizado, se con-
sigue que la curva suavizada siga de manera
más tolerable la tendencia de la curva sin
suavizar, a su vez se evita una diferencia
grande entre los picos de potencia.
Figura 16: Curva de la demanda suavizada
Vs curva de datos sin suavizar del dı́a 9 de
febrero del 2018.
3.4. Agrupación de curvas de
demanda eléctrica
El resultado de los agrupamientos rea-
lizados con el algoritmo de K-medias, de
acuerdo a las curvas de demanda diaria con
datos horarios de los dı́as lunes, martes,
miércoles, jueves, viernes y sábados exclu-
yendo los domingos y dı́as feriados, con una
serie histórica comprendida desde inicios de
enero a finales de diciembre del año 2018,
fueron sometidos a prueba, donde se con-
cluyó que la solución más aceptable para el
caso es la conformación de siete grupos.
Figura 17: Gráfica de dispersión de clus-
ter, formado mediante el algoritmo de K-
medias.
En la figura 17, se analizó la relación
entre la temperatura media diaria y la de-
manda eléctrica, fue verificado que la tem-
peratura posee una correlación fuerte con
la variación de la demanda eléctrica en el
transformador.
La gráfica de dispersión de la figura 17
ilustra la formación de grupos que están re-
presentados por diferentes colores.
3.5. Aplicación de Regresión a la siguiente configuración de SVR:
de Soporte vectorial.
SVM-Type: eps-regression.
3.5.1. Prueba de Kernels.
SVM-Kernel: radial.
En base a la información histórica del cost: 1
1 de enero del 2018 al 31 de diciembre del
mismo año y a las variables seleccionadas gamma: 0.333333
en el análisis de regresión y sus respectivos epsilon: 0.1
rezagos, se realizaron pruebas de SVR con
tres kernel distintos: Radial, polinomial, y A continuación se muestran los resulta-
lineal. dos obtenidos de esta configuración en el
horizonte de pronóstico.
El mejor modelo obtenido corresponde

PRUEBA 1:

Figura 18: Comparación de la demanda Real Vs. demanda pronosticada con el Kernel Radial.

Raı́z Error Cuadrático Medio Error Absoluto Medio Error Relativo Correlación
46.61597 30.76534 0.13624 0.93104

Tabla 2: Calidad de la predicción del Kernel Radial.

En la figura 18 se observa un compor- PRUEBA 2:

tamiento similar de la demanda pronosti-
SVM-Type: eps-regression.
cada respecto a la curva de demanda real.
De acuerdo a la tabla 2, el modelo tiene un SVM-Kernel: Lineal.
Error relativo de 0,13624 y una correlación cost: 1
de 0.93104, es decir, tiene buena correla-
ción y por lo tanto, es posible realizar el gamma: 0.333333
pronóstico utilizando el Kernel Radial. epsilon: 0.1
Figura 19: Comparación de la demanda Real Vs. demanda pronosticada con el Kernel Lineal.

Raı́z Error Cuadrático Medio Error Absoluto Medio Error Relativo Correlación
121.59060 88.67683 0.39680 0.45696

Tabla 3: Calidad de la predicción del Kernel Lineal.

En la figura 19 se observa un compor- Kernel Lineal.

tamiento que no corresponde al de la de- PRUEBA 3:
manda pronosticada respecto a la curva de
SVM-Type: eps-regression.
demanda real. De acuerdo a la tabla 3, el
modelo tiene un Error relativo de 0,39680 SVM-Kernel: Polinomial.
y una correlación de 0.45696, es decir, tiene cost: 1
una baja correlación y por lo tanto, no es
gamma: 0.333333
posible realizar el pronóstico utilizando el
epsilon: 0.1

Figura 20: Comparación de la demanda Real Vs. Demanda pronosticada con el Kernel
Polinomial.

Raı́z Error Cuadrático Medio Error Absoluto Medio Error Relativo Correlación
122.82516 89.29095 0.39954 0.40297

Tabla 4: Calidad de la predicción del Kernel Polinomial.

En la figura 20 se observa un compor- y una correlación de 0.40297, es decir, tiene

tamiento que no corresponde al de la de- una muy baja correlación y por lo tanto, no
manda pronosticada respecto a la curva de es posible realizar el pronóstico utilizando el
demanda real. De acuerdo a la tabla 4, el Kernel Polinmial.
modelo tiene un Error relativo de 0.39954
Figura 21: Comparación de la demanda Real Vs. Demanda pronosticada con los distintos
Kernels analizados.

Kernel Raı́z Error Cuadrático Medio Error Absoluto Medio Error Relativo Correlación
Radial 46.61597 30.76534 0.13624 0.93104
Lineal 121.59060 88.67683 0.39680 0.45696
Polinomial 122.82516 89.29095 0.39954 0.40297

Tabla 5: Calidad de cada Kernel para la predicción de la demanda del transformador TR-05.

En la Figura 21 y la tabla 5 se observa que tiene el Kernel Radial sobre los demás
la comparación entre los diferentes kernels Kernels.
a utilizar para encontrar el modelo de pre-
dicción, quedando en evidencia la ventaja 3.5.2. Resultados del pronóstico.

Fecha MAPE Fecha MAPE

3/1/2019 9.83 % 16/1/2019 10.31 %
4/1/2019 7.93 % 17/1/2019 9.77 %
5/1/2019 6.01 % 18/1/2019 12.65 %
8/1/2019 7.59 % 19/1/2019 10.37 %
9/1/2019 9.63 % 21/1/2019 10.02 %
10/1/2019 10.03 % 22/1/2019 9.82 %
11/1/2019 7.65 % 26/1/2019 6.91 %
12/1/2019 8.81 % 28/1/2019 8.69 %
14/1/2019 9.45 % 29/1/2019 10.33 %
15/1/2019 7.06 % 30/1/2019 11.40 %

Tabla 6: Error absoluto porcentual del modelo de pronóstico SVR con Kernel Radial.

La tabla 6 muestra el MAPE (Mean
Absolute Percentual Error) de la deman-
da horaria de los dı́as del mes de Enero,
en el transformador TR-05. El menor error
que se obtuvo al realizar el pronostico de
la demanda eléctrica, fue del dı́a sábado 5
de enero del año 2019, con un MAPE de
6.01 %, figura 22 y figura 23, y el mayor
error se obtuvo en el pronostico de la de-
manda eléctrica del dı́a viernes 18 de enero
del año 2019 con un mape de 12.65 %, fi-
gura 24 y figura 25 respectivamente. En las
figuras 23 y 25, se puede observar con más
detalle el error relativo de cada hora del dı́a
del 5 de enero y del 18 de enero respecti-
vamente. El menor y mayor error relativo
del dı́a 5 de enero son del 0.11 % y 17.66 %
respectivamente, mientras que, el menor y
mayor error relativo del dı́a 18 de enero son
del 1.38 % y 52.08 % respectivamente. Figura 24: Pronostico de la demanda para
el dı́a Jueves 17 de enero del 2019.

Figura 22: Pronostico de la demanda para

el dı́a Sábado 5 de enero del 2019.

Figura 25: Calidad del modelo para el

pronóstico de la demanda eléctrica para el
dı́a Jueves 17 de enero del 2019.

A continuación, en la tabla 9, se mues-

Figura 23: Calidad del modelo para el
pronóstico de la demanda eléctrica para el
dı́a Sábado 5 de enero del 2019.
tran resultados obtenido de los pronósticos
de enero del 2019, realizados con el mejor
modelo SRV para cada grupo conformado
mediante el algoritmo K-medias, evaluado
los errores obtenidos para cada caso.

Fecha Grupo MAPE Fecha Grupo MAPE

3/1/2019 G4 9.83 % 16/1/2019 G3 10.31 %
4/1/2019 G4 7.93 % 17/1/2019 G3 9.77 %
5/1/2019 G4 6.01 % 18/1/2019 G4 12.65 %
8/1/2019 G4 7.59 % 19/1/2019 G4 10.37 %
9/1/2019 G4 9.63 % 21/1/2019 G3 10.02 %
10/1/2019 G4 10.03 % 22/1/2019 G3 9.82 %
11/1/2019 G4 7.65 % 26/1/2019 G4 6.91 %
12/1/2019 G4 8.81 % 28/1/2019 G3 8.69 %
14/1/2019 G4 9.45 % 29/1/2019 G3 10.33 %
15/1/2019 G4 7.06 % 30/1/2019 G3 11.40 %

Tabla 9: Error absoluto porcentual del modelo de pronóstico SVR con Kernel Radial.

Figura 26: Comparación de la calidad de
modelos para el pronóstico de la demanda
eléctrica.
Figura 27: Comparación de la calidad de modelos para el pronóstico de la demanda eléctrica.
En la figura 27 se puede observar la com-
paración entre la Demanda Real y la De-
manda Pronosticada para el mes de Enero.
Cabe destacar que ambas curvas tienen un
trazo muy similar, excepto en algunos in-
tervalos de tiempo done comienza un dı́a y
termina el anterior donde se encuentran los
incrementos de error.
4. Discusión
4.1. Logros alcanzados
En el trabajo realizado se logró prede-
cir la curva de carga de un transformador
de potencia utilizando Regresión de Soporte
Vectorial, esto se logró realizar mediante:
La identificación de las variables que
influyen en la curva de carga de un
transformador de potencia.
La comprensión del funcionamiento de
las SVM.
La utilización de herramientas de soft-
ware computacional para la obtención
del modelo de predicción.
Con la realización de lo anteriormente
mencionado se pudo crear el modelo ade-
cuado para obtener la curva de carga.
En la figura 26, la serie A representa el
error absoluto medio del modelo SVR con
Kernel radial utilizando el Grupo 3, para los
pronósticos del mes de enero del año 2019 y
la serie B representa el error absoluto me-
dio del modelo para el pronóstico del mes
de enero del 2019 utilizando el grupo 4, cla-
sificado en 7 grupos desde el 1 de Enero
de 2018 hasta el 31 de Diciembre de 2018
de acuerdo a su nivel de similitud realizado
mediante el algoritmo K-medias.
Se pudo observar que se obtienen mejo-
res aproximaciones dividiendo los datos de
entrada en 7 grupos, debido a la similitud
de las caracterı́sticas de los datos utilizados
para el entrenamiento de la Máquina de So-
porte Vectorial. Con esto se puede probar
que la utilización de es eficiente el uso de
las Máquinas de Soporte Vectorial para el
pronóstico de cargas.
Con todos los gráficos obtenidos de cada
pronóstico se puede afirmar que se ha ob-
tenido el modelo aproximado para realizar
el pronóstico de una curva de carga de un
transformador de potencia y que la utiliza-
ción de Máquinas de Soporte Vectorial es
muy eficiente para realizar el pronóstico.
4.2. Solución del problema de
investigación
El problema planteado al inicio, de la
necesidad de obtener un pronóstico de la
carga para el correcto funcionamiento de
los transformadores, ha sido resuelta con
resultados satisfactorios, es importante re-
calcar que, pese a que se han encontrado
gran cantidad de datos faltantes y atı́picos,
tanto en los datos de temperatura como los
datos de demanda, se han obtenido mode-
los que presentan errores de baja magnitud.
Para la implementación de éste método
de pronóstico en otros equipos, es necesario,
aparte de recabar datos de las variables de
entrada, pre-procesar estos datos, ya que al
encontrar datos faltantes y/o atı́picos, éstos
modelos pueden presentar errores intolera-
bles.
4.3. Sugerencias para futuras
investigaciones
Los trabajos sugeridos con relación al
tema de investigación son:
Elaboración de un plan de obtención
de datos confiables de las condiciones
de funcionamiento de transformadores
y alimentadores por medio de una pla-
taforma IOT(Internet of Things).
Pronóstico de la curva de carga de un
transformador a Medio Plazo.
Optimización de hiperparámetros de
Máquinas de Soporte Vectorial me-
diante la técnica de Particle Swarm
Optimization.
Referencias bibliográficas.
[1] E. J. Ocampos, A. H. Martı́nez Silvero,
and L. G. Barrientos Mujica, “Predic-
ción de la curva de carga de un trans-
formador de potencia utilizando regre-
sión lineal múltiple,” Ph.D. disserta-
tion, Facultad Politécnica, Universidad
Nacional del Este, 2017.
[2] I. Britez Fernández, L. Barrientos Mu-
jica, and A. S. Arce Encina, “Predic-
ción de curva de carga de transforma-
dor de potencia utilizando red neuro-
nal artificial.” 2014.
[3] J. D. Lopera Echavarrı́a, C. A.
Ramı́rez Gómez, M. U. Zuluaga Aris-
tizábal, and J. Ortiz Vanegas, “El
método analı́tico como método natu-
ral,” 2010.
[4] D. Cervan, “Proyección de la deman-
da eléctrica: clasificación, variables y
métodos empleados,” 2017.
[5] S. R. Castaño, “Redes de distribución
de energı́a,” Universidad Nacional de
Colombia, 2004.
[6] D. F. G. Pérez, “Pronóstico a corto
plazo de afluencia de pasajeros utili-
zando técnicas de data mining: Metro
sa,” Ph.D. dissertation, Universidad de
Chile, 2011.
[7] U. Fayyad, G. Piatetsky-Shapiro, and
P. Smyth, “From data mining to know-
ledge discovery in databases,” AI ma-
gazine, vol. 17, no. 3, pp. 37–37, 1996.
[8] D. Larose, “Discovering knowledge in
data. new jersey: John willey & sons,”
2005.
[9] V. Devedzic, “Knowledge discovery
and data mining in databases,” in
Handbook of Software Engineering and
Knowledge Engineering: Volume I:
Fundamentals. World Scientific, 2001,
pp. 615–637.
[10] (2021, Sep.). [Online]. Avai-
lable: https://www.tutiempo.net/
registros#google vignette
[11] H. Bozdogan, Statistical data mining
and knowledge discovery, 2003.