Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Prediccion - PDF Rev1
Prediccion - PDF Rev1
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
2.1. Enfoque
Este trabajo de investigación técnica se Figura 1: Proceso KDD.
caracterizó por basarse en la recolección de
datos históricos, utilizados por un modelo El Proceso KDD parte con una com-
de Regresión de Soporte Vectorial para es- prensión básica del dominio en que surge el
tudiar y conocer la relación que existe entre fenómeno analizado y la identificación del
la temperatura ambiente, discretizada hora 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 Los tipos de datos de entrada que se ma-
que contiene información acerca del trans- nejan para este proyecto, pueden manejar
formador TR-05 de la SE-APR. Dicha base dos tipos de variables, variables exógenas y
de datos consta de 365 archivos en formato variables inherentes al sistema, ambas fun-
.xls, que contiene los datos de interés jun- damentales para poder realizar una buena
to a los datos de otros transformadores y predicción [11]
alimentadores de todo el Sistema Eléctrico
Variables exógenas: variables externas
de Potencia. Los datos de interés para el
al sistema como pueden ser la tempe-
presente estudio es la carga medida en el
ratura, la humedad, la velocidad del
transformador, hora por hora, durante to-
aire, etc. Dentro de este grupo se pue-
do el año 2018. La base de datos se puede
den distinguir tres subcategorı́as:
observar en la figura 2
Fecha 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00
22/3/2018 0 125 123 120 120 120 142 287 382 420 462
23/3/2018
24/3/2018 142
25/3/2018 95 122 120 117 117 115 115 122 135 197 147
26/3/2018 100 95 90 90 90 107 152 222 270 287 297
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
Raı́z Error Cuadrático Medio Error Absoluto Medio Error Relativo Correlación
121.59060 88.67683 0.39680 0.45696
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
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.
Tabla 6: Error absoluto porcentual del modelo de pronóstico SVR con Kernel Radial.
La tabla 6 muestra el MAPE (Mean la demanda eléctrica, fue del dı́a sábado 5
Absolute Percentual Error) de la deman- de enero del año 2019, con un MAPE de
da horaria de los dı́as del mes de Enero, 6.01 %, figura 22 y figura 23, y el mayor
en el transformador TR-05. El menor error error se obtuvo en el pronostico de la de-
que se obtuvo al realizar el pronostico 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.
Tabla 9: Error absoluto porcentual del modelo de pronóstico SVR con Kernel Radial.
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
Figura 26: Comparación de la calidad de de enero del 2019 utilizando el grupo 4, cla-
modelos para el pronóstico de la demanda sificado en 7 grupos desde el 1 de Enero
eléctrica. de 2018 hasta el 31 de Diciembre de 2018
de acuerdo a su nivel de similitud realizado
mediante el algoritmo K-medias.