Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IEEE
Autores
Jose Manuel Garcia Obregon
Uriel Habrahan Pérez Torrez
León, Nicaragua
lunes, 26 de febrero de 2024
¡Aprendemos para servir!
1
CONTENIDO
1. Introducción...................................................................................................................3
2. Objetivos....................................................................................................................4
3. Desarrollo...................................................................................................................5
4. Conclusiones..................................................................................................................30
2
1. Introducción
puede ser realizado mediante métodos cualitativos o cuantitativos que permiten estimar el valor
La modelación matemática del pronóstico de Carga para una circunstancia dada del
se debe encontrar otra ecuación de pronóstico que modele este nuevo estado del sistema, lo. que
3
2. Objetivos
Sistema Eléctrico
4
3. Desarrollo
con los cuales un sistema de potencia se prepara para abastecer una carga- Obviamente el
proceso de planificación debe comenzar con una estimación de la carga eléctrica en el periodo
futuro que sea de interés, siendo el procedimiento por el cual se determina la carga eléctrica
futura denominado predicción de carga. Que dependiendo de la aplicación ya sea para operación
o planes de expansión se clasifica en pronóstico a largo, mediano, corto y muy corto plazo, cuyos
de la demanda eléctrica frente a diferentes factores que ejercen su influencia, así como varias
técnicas de pronóstico., y su aplicación de acuerdo a los objetivos y fines que se persiga, y que
otros casos, para cuyo propósito será necesario realizar las modificaciones necesarias de acuerdo
Aspectos Generales
¡Aprendemos para servir!
5
Carga Eléctrica: la a carga en un sistema eléctrico, está compuesto de un sinnúmero de
haca casi imposible modelar la carga en forma exacta: afortunadamente, cuando se considera en
forma global la demanda eléctrica total sigue una trayectoria determinada, la misma que se
representa poruña curva de duración de carga la cual puede ser estadísticamente modelada.
Factores Incontrolables
Factores Periódicos: como resultado del ciclo de trabajo y descanso de nuestra sociedad,
que se refleja en el perfil que adoptan las curvas de demanda durante los diferentes días de la
semana con cambios graduales en el transcurso de la misma, así como hora a hora durante el día
con puntos de carga pico y de carga mínima. Otro factor que afecta la curva de carga son las
Temperatura
Humedad
Nubosidad
6
Intensidad 1uminosa
Precipitación
demanda de potencia en ciertos periodos, con valores que difieren según la zona geográfica
Factores Aleatorios: estos factores s producen variaciones de carga tanto pequeñas como
Pequeños disturbios aleatorios. Los cuales reflejan la naturaleza aleatoria de la carga a nivel
del abonado.
Grandes disturbios aleatorios predecibles en el tiempo. Ejemplos típicos son los programas
de televisión de interés general, aunque su comienzo y duración pueden ser conocidos, sus
Grandes disturbios no predecibles. Por ejemplo, la operación de grandes fábricas que tienen
7
Factores Políticos y Económicos: por ejemplo, los periodos de crecimiento y recesión
económicos, así como el establecimiento de políticas a seguirse en el área eléctrica que permiten
Factores Controlables: Son aquellos producidos por acción directa del operador, por
penalización ejercidas por las empresas eléctricas. Otro factor controlable es la interrupción del
subestaciones.
Pronostico o Predicción
El pronosticar significa indicar lo que podría suceder en el futuro. En nuestro caso es el,
procedimiento por medio del cual se determina la carga eléctrica esperada en un periodo futuro,
en base de un análisis estadístico o subjetivo del comportamiento histórico del mismo, existiendo
la posibilidad y más aún la certeza de que los resultados no sean los más acertados debido a los
8
Las empresas deben generar y suplir la potencia eléctrica necesaria en el instante en que
ésta es demandada, y tener la suficiente energía para proporcionar este requerimiento de potencia
de generación, en la compra de energía, en los posibles ingresos que tendría la empresa, etc.
eléctrico.
Plazos de Pronostico
El Pronóstico de la carga se hace usualmente para tres lapsos de tiempo: a muy corto.
Corto, mediano, y largo plazos. Estos periodos varían a su vez dependiendo del área
9
En la operación se utilizan generalmente los periodos de corto tiempo, dejando para la
Técnicas de Pronostico
10
Estimación de los Términos de Promedio y Tendencia
series temporales, incluyendo el pronóstico de carga eléctrica. Aquí hay algunas técnicas
comunes:
Gráficamente el modelo más sencillo para relacionar una variable dependiente con una
independiente es una línea recta, debido a ello su denominación de regresión lineal. Un modelo
de regresión lineal tiene como objetivo encontrar la ecuación de la recta que ajuste correctamente
al conjunto de puntos de datos X, es decir se debe calcular la suma de las distancias al cuadrado
entre sus puntos reales y los definidos por la recta estimada en base a las variables introducidas
en el modelo, de forma que la estimación ideal será la que minimice estas distancias. En
consecuencia, a esta recta se conoce como línea de regresión. La ecuación que describe la recta
tiene la forma:
11
Series de Tiempo:
denomina a cualquier variable con datos registrados sobre intervalos consecutivos de tiempo. Es
un método que requiere la menor información posible, debido a que la única variable
Para analizar una serie de tiempo se grafican sus valores, con lo que es posible realizar un
estudio completo de la misma. Obtenidos dichos gráficos nos ayudan a detectar irregularidades o
valores fuera de rango en caso de haberlos, por ejemplo, la aparición de un nivel, efectos del
12
Las discontinuidades en una serie de tiempo resultan primordiales para el análisis de los
datos por intervalos. Para un análisis con series de tiempo es importante estudiar sus
componentes y realizar cambios para modificarlas o eliminarlas según sea el caso, con ello se
Una manera para analizar una serie de tiempo, es con un promedio simple, el cual es un
método que usa datos recientes para hacer pronósticos de carga y evaluar de igual manera a todos
los usuarios. El resultado se obtiene aplicando la media a los valores válidos y se usa para el
pronóstico del siguiente periodo. Se recomienda su uso en el caso de tener demandas estables y
13
Donde:
𝑌𝑡 = Demanda en un periodo 𝑖.
existe mayor suavización, en cuyo caso es recomendable para datos poco aleatorios, ya que como
resultado se obtiene una proyección constante y reacciona más lentamente a las variaciones en la
demanda.
Modelos Arima:
Definido como proceso autorregresivo integrado de media móvil por sus siglas en inglés
ARIMA es un modelo estocástico utilizado para analizar series de tiempo y su aplicación se debe
a Box y Jenkins [13]. Dicho modelo se ha aplicado con éxito en algunos países, por ejemplo, en
un caso de estudio en Ghana en donde el método ARIMA fue el modelo usado para proporcionar
conclusión de que la demanda doméstica y comercial fue aumentando más rápidamente que la
demanda en el sector industrial. Una gran desventaja de los modelos ARIMA es que en su
implementación se necesita hacer 24 modelos sólo para realizar el pronóstico de un día y realiza
una verificación de supuestos en base a cada uno de dichos modelos. Por consiguiente, se
14
evidencia que los ARIMA no son tan viables en la predicción de la demanda de energía, ya que
desde un punto de vista práctico es una tarea complicada y que requiere mucho tiempo.
La Regresión Adaptativa Multivariable Spline, más conocida por sus siglas en inglés
como MARS, fue presentada por Friedman [15] en los años noventa y su principal objetivo es
no paramétrica adaptativa [16] y no hace ninguna suposición sobre la relación funcional entre las
método se basa en el concepto de dividir el espacio de entrada en regiones, cada una con su
entrada, es decir, con más de 2 variables, que con otras técnicas de regresión seguramente
tendríamos inconvenientes. MARS utiliza expansiones en funciones base lineales por partes o
trozos de la forma:
15
Cada función es lineal a trozos, con un punto de unión en 𝑡 (obsérvese la Ilustración 6).
En se las denomina Splines lineales y la idea es formar pares reflejados para cada 𝑋𝑗 de entrada
con los puntos de unión del valor observado en cada 𝑥𝑖𝑗 de esa entrada. Por lo tanto, el grupo de
16
Estimación de Componentes Periódicos
Análisis de Fourier
El análisis de Fourier es una técnica matemática utilizada para descomponer una función
compleja en una serie de funciones sinusoidales más simples, conocidas como funciones
armónicas. Este análisis es especialmente útil en el estudio de señales y ondas, ya que permite
17
Aquí hay algunos conceptos clave en el análisis de Fourier:
que toma una función en el dominio del tiempo y la descompone en sus componentes de
frecuencia. Para una función periódica, se utiliza la Serie de Fourier, que representa la función
variación de una señal a lo largo del tiempo. El dominio de frecuencia representa las frecuencias
presentes en una señal. Las amplitudes y fases de estas componentes se pueden visualizar en un
frecuencia de muestreo debe ser al menos el doble de la frecuencia máxima presente en la señal.
18
Transformada Inversa de Fourier: Permite reconstruir la señal original a partir de su
Modelo SARIMA
tiempo. Generalmente, la serie de tiempo original {𝑌𝑡} utiliza un operador de retardo B para
Donde 𝜙(𝐵) y 𝜃(𝐵) son polinomios de orden 𝑝 y 𝑞, Φ(𝐵𝑠) y Θ (𝐵𝑠) son polinomios en 𝐵𝑠
19
regresión estacional; D es el número de diferencias estacionales; Q es el orden de la media móvil
dimensionalidad de la base de datos (BDD) con la que estamos trabajando. Esta técnica se utiliza
cuando queremos simplificar la base de datos, ya sea para elegir un menor número de predictores
para pronosticar una variable objetivo, o para comprender una BDD de una forma más simple.
Este caso sería aplicable para cualquier problema que tengamos con un dataset y se
(Kmeans, jerárquico, DBSCAN…). La técnica PCA forma parte de los algoritmos de aprendizaje
disponibles.
esa barra para permitir el flujo de corriente. La admitancia se expresa como la relación entre la
20
corriente y la diferencia de potencial en una barra. Para estimar la admitancia de una barra, se
Este método implica el cálculo de las magnitudes y las fases de las corrientes y las
tensiones en todas las barras del sistema bajo diferentes condiciones de carga y
operación.
Análisis de Cortocircuitos
21
En el contexto de series temporales, especialmente al trabajar con modelos de series
observaciones (Yk) en función de observaciones pasadas. Aquí hay un enfoque general para la
estimación de (Yk)
estacionalidad en los datos. Puedes ajustar un modelo ARIMA o SARIMA a tus datos y luego
para estimar tendencias y patrones estacionales en los datos. Estos modelos también pueden
operativas.
22
Regresión lineal: Si hay variables predictoras adicionales que están relacionadas con la
serie temporal, puedes usar un modelo de regresión lineal para prever Yk basándote en esas
variables.
neuronales o máquinas de soporte vectorial, pueden utilizarse para modelar relaciones no lineales
recursiva eficiente del método de mínimos cuadrados. Esta solución permite calcular un
estimador lineal, insesgado y óptimo del estado de un proceso en cada momento del tiempo con
disponible en el momento t, dichas estimaciones. Este filtro es el principal algoritmo para estimar
23
2. EL ALGORITMO DISCRETO DEL FILTRO DE KALMAN
sistema a un cierto punto en el tiempo. Esta información debe permitir la inferencia del
Lo que hace al filtro tan interesante es precisamente su habilidad para predecir el estado
de un sistema en el pasado, presente y futuro, aún cuando la naturaleza precisa del sistema
dinámico no pueden ser exactamente determinadas por una medición directa. Dado lo anterior,
su medición se realiza por medio de procesos estocásticos que involucran algún grado de
incertidumbre en la medición.
2.1 EL ALGORITMO
24
Desde este punto de vista las ecuaciones que se utilizan para derivar el filtro de Kalman
se pueden dividir en dos grupos: las que actualizan el tiempo o ecuaciones de predicción y las
que actualizan los datos observados o ecuaciones de actualización. Las del primer grupo son
información dentro de la estimación anterior con lo cual se llega a una estimación mejorada del
estado.
Las ecuaciones que actualizan el tiempo pueden también ser pensadas como ecuaciones
de pronóstico, mientras que las ecuaciones que incorporan nueva información pueden
Las ecuaciones específicas para el pronóstico y la corrección del estado son detalladas en las
tabla 1 y 2, respectivamente.
25
VENTAJAS
recursiva parte de una muestra inicial y actualiza las estimaciones incorporando sucesivamente
una nueva observación hasta cubrir la totalidad de los datos. Lo anterior lleva a que la
estimación más reciente de los coeficientes esté afectada por la historia lejana de la serie, lo cual
en presencia de cambios estructurales podría sesgarla. Este sesgo se puede corregir con las
estimaciones secuenciales15, pero al costo de un mayor error estándar. Así el filtro de Kalman,
como los métodos recursivos, utiliza toda la historia de la serie, pero con la ventaja de que
intenta estimar una trayectoria estocástica de los coeficientes en lugar de una determinística16,
estructurales.
un estimador del estado al momento k, que es lineal, insesgado y de varianza mínima. El filtro
está en línea con el teorema de Gauss-Markov y esto le da al filtro de Kalman su enorme poder,
presente y futuro, aún cuando la naturaleza precisa del sistema modelado es desconocida. La
modelación dinámica de un sistema es una de las características claves que distingue el método
¡Aprendemos para servir!
26
de Kalman. Los modelos lineales dinámicos son modelos con una transición lineal desde un
periodo al próximo, los cuales pueden describir la mayoría de los modelos comúnmente
DESVENTAJAS
Entre las desventajas del filtro se menciona que requiere condiciones iniciales de la media
y varianza del vector estado para iniciar el algoritmo recursivo. Sobre la forma de determinar
estas condiciones iniciales no existe consenso. Por ejemplo, en un enfoque bayesiano este filtro
requiere que se especifiquen a priori valores de los coeficientes iniciales y de sus respectivas
varianzas. Una forma puede ser obtener esa información a partir de la estimación de un modelo
El desarrollo del filtro de Kalman, tal como se encuentra en el documento original, supone un
condicionalidad gaussina en las variables aleatorias, lo cual puede originar una limitante para su
estudio y aplicación.
27
Ejemplo de Filtro Kalman
estable para estimar el flujo de salida Fout. El nivel se mide la altura del líquido h. Balance de
Las ecuaciones de estado para el flujo del líquido en el tanque es y asumiendo que el flujo
El modelo del sistema esta dado por las ecuaciones anteriores, por efecto de notación se define:
X1 = ℎ
X2 = Fout
Para desarrollar el ejemplo los siguientes valores numéricos son Utilizados
Para determinar la ganancia del Filtro de Kalman es necesario: La matriz de transición de estados
A = [1 ‘-(T/A_tank); 0 1] La matriz de ganancia de ruido del proceso (se asume la Matriz
identidad) G= [1 0; 0 1]
28
Matriz de ganancia Medición C = [1 0] El ruido del proceso de auto-covarianza Q = [ 0.01 0; 0
0.01] (inicialmente debe ser ajustada) Ruido de medición automática –covariancia R = 0.001
[m2]
ejemplo donde el Flujo de salida FOut = x2 cambia durante la simulación y el filtro de Kalman
estima los valores para el estado estable sin importar el ruido. Durante la simulación se cambia
los valores de Q
Mediante el filtro de Kalman se quiere predecir Fout = x2 el flujo de salida y la altura del
nivel del líquido h =x1, mediante las ecuaciones de estados las que describe el comportamiento
del sistema futuro a través de los estados presentes, los que están dados según las ecuaciones del
29
sistema. Cabe anotar que en este ejemplo se realiza una simulación del ruido blanco con una
esperanza del ruido igual a cero y la varianza de ruido constante, la cual es introducida, ya que el
4. Conclusiones
automático han demostrado ser estrategias efectivas para mejorar la precisión en la estimación de
la demanda eléctrica.
monitoreo en tiempo real, garantizan la adaptabilidad a los cambios en los patrones de carga,
permitiendo una toma de decisiones informada y una gestión eficiente de los recursos del SEP. La
avanzados, ya que se traducen en beneficios tangibles, como una programación más precisa de la
generación, una gestión más efectiva de la carga y una mejora en la toma de decisiones
estratégicas.
30
¡Aprendemos para servir!
31