Investigacion Tecnicas en Pronostico de Carga en Sep

UNIVERSIDAD TECNOLÓGICA LA SALLE
IEEE
SISTEMAS ELECTRICOS DE POTENCIA II
INVESTIGACION TECNICAS EN PRONOSTICO DE CARGA EN SEP
Autores
Jose Manuel Garcia Obregon
Uriel Habrahan Pérez Torrez
Docente: Ing. Cristóbal Jose Jiménez
León, Nicaragua
lunes, 26 de febrero de 2024
¡Aprendemos para servir!
1
CONTENIDO
1. Introducción...................................................................................................................3
2. Objetivos....................................................................................................................4
2.1 Objetivo general......................................................................................................4
2.2 Objetivos específicos..............................................................................................4
3. Desarrollo...................................................................................................................5
Técnicas en Pronostico de Carga.................................................................................5
Estimación de los Términos de Promedio y Tendencia.............................................11
Estimación de Componentes Periódicos....................................................................17
Estimación de los Yk, método de serie de campo.....................................................20
Método de filtrado de Kalman...................................................................................23
Ejemplo de Filtro Kalman.........................................................................................28
4. Conclusiones..................................................................................................................30
2
1. Introducción
El pronóstico de demanda es la base fundamental de información tanto para el área de
planificación como para la de operación de un sistema eléctrico de potencia, pronóstico que
puede ser realizado mediante métodos cualitativos o cuantitativos que permiten estimar el valor
futuro de la demanda variable, y optimizar los recursos futuros del sistema.
La modelación matemática del pronóstico de Carga para una circunstancia dada del
sistema, requiere de un gran número de observaciones. Cuando existe un cambio en el sistema,
se debe encontrar otra ecuación de pronóstico que modele este nuevo estado del sistema, lo. que
implica que el número de ecuaciones de pronóstico se incrementa en forma considerable si se
quiere atender la operación del sistema para cualquier circunstancia.
Los métodos comunes de pronóstico de demanda permiten modelar el comportamiento de
la demanda en un sitio o región determinada del sistema.
3
2. Objetivos
2.1 Objetivo general
Desarrollar y aplicar técnicas avanzadas en el pronóstico de carga para el Sistema
Eléctrico de Potencia (SEP), con el propósito de mejorar la precisión en la estimación de la
demanda eléctrica, optimizar la planificación y operación del sistema, y garantizar la eficiencia
en la provisión de energía eléctrica.
2.2 Objetivos específicos.
 Comprender los Distintos Métodos para evaluar el Pronostico de una Carga de un
Sistema Eléctrico
 Mostrar un Ejemplo de como Aplicar estos Métodos en un Estudio de Caso
4
3. Desarrollo
Técnicas en Pronostico de Carga
Los planes de expansión y operación de un sistema eléctrico engloban procedimientos
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
lapsos varían de acuerdo a los diferentes objetivos que se pretenda aplicar.
En la predicción de carga existen dos tipos de problema: la predicción de energía y la
predicción de demanda que es de nuestro interés. Se describe en este capítulo, el comportamiento
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
pueden ser la predicción de demanda con fines de operación, en expansión de sistemas, y en
otros casos, para cuyo propósito será necesario realizar las modificaciones necesarias de acuerdo
a las variables de interés.
Aspectos Generales
5
Carga Eléctrica: la a carga en un sistema eléctrico, está compuesto de un sinnúmero de
aparatos de consumo eléctrico cuyo comportamiento individual al es bastante aleatorio, lo que
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,
durante el periodo de la observación, se tiene un comportamiento periódico definido, el mismo
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
condiciones estacionales y la localización geográfica de la carga.
Factores Climáticos: el clima juega un papel importante en el comportamiento de a. Las
variables climáticas o atmosféricas de mayor significación y que afectan a la demanda son:
 Temperatura
 Humedad
 Nubosidad
6
 Intensidad 1uminosa
 Velocidad del viento
 Precipitación
Estas variables ejercen su influencia primordialmente en los sistemas de iluminación
calefacción y aire acondicionado, produciendo una variación en el consumo normal de energía y
demanda de potencia en ciertos periodos, con valores que difieren según la zona geográfica
donde se encuentra ubicado el sistema asociado a esa carga.
Factores Aleatorios: estos factores s producen variaciones de carga tanto pequeñas como
grandes y pueden ser clasificadas de la manera siguiente:
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
efectos en la carga son inciertos.
Grandes disturbios no predecibles. Por ejemplo, la operación de grandes fábricas que tienen
cargas significativas en la red.
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
una expansión o un estancamiento de la misma.
Factores Controlables: Son aquellos producidos por acción directa del operador, por
ejemplo: variaciones de voltaje y potencia, así como también políticas de consumo y
penalización ejercidas por las empresas eléctricas. Otro factor controlable es la interrupción del
servicio eléctrico por motivo de suspensiones temporales en el sistema, cuando se realiza
maniobras de operación y control o durante el mantenimiento programado de líneas, centrales y
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
factores anteriormente señalados.
En todo caso se trata de reducir a un mínimo el error entre lo real y lo pronosticado. En el
pronóstico de carga existen dos problemas diferentes la predicción de energía y la de potencia.
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
por el tiempo que sea solicitado.
Pronóstico de Energía. Se utiliza en la planificación del sistema de potencia de centrales
de generación, en la compra de energía, en los posibles ingresos que tendría la empresa, etc.
Pronóstico de demanda. La predicción de demanda tiene que ver con el nivel de la
capacidad instalada; se utiliza generalmente en la planificación y en la operación de un sistema
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
(planificación u operación) en el que se va a utilizar el pronóstico y pueden ser:
 Muy corto plazo: de minutos a horas
 Corto plazo; de horas a días
 Mediano plazo: de semanas a meses
 A largo plazo: de meses a años
9
En la operación se utilizan generalmente los periodos de corto tiempo, dejando para la
planificación de sistemas los lapsos de largo tiempo.
Técnicas de Pronostico
Las diferentes técnicas de pronóstico se pueden observar en las Siguientes Categorías:
10
Estimación de los Términos de Promedio y Tendencia
La estimación de términos de promedios y tendencias es fundamental en el análisis de
series temporales, incluyendo el pronóstico de carga eléctrica. Aquí hay algunas técnicas
comunes:
Modelos de Regresión Lineal
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:
La demanda eléctrica per se varía continuamente con en el tiempo y constituye una
secuencia ordenada de observaciones sobre una variable en particular. Series de tiempo se le
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
independiente es el tiempo y su propósito es cuantificar el consumo de energía eléctrica en
intervalos uniformemente distribuidos.
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
clima o cambios periódicos.
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
obtienen series de tiempo estacionarias que permiten un análisis de mayor precisión. En el
modelo de series de tiempo algunas componentes:
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
no existe estacionalidad. Su fórmula es:
13
Donde:
𝑛 = Es la cantidad de periodos a determinar el promedio.
𝑌𝑡 = Demanda en un periodo 𝑖.
El término n nos indica el grado de suavización de la predicción, es decir si n es mayor,
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
un pronóstico de siete años de la demanda de electricidad en la ciudad y entre otros, se llegó a la
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.
Multivariate Adaptive Regression Splines:
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
predecir los valores de una variable dependiente o resultado, de un conjunto de variables
independientes o predictoras. La propuesta de Friedman es un procedimiento para una regresión
no paramétrica adaptativa [16] y no hace ninguna suposición sobre la relación funcional entre las
variables dependientes e independientes, en su lugar construye una relación de un conjunto de
coeficientes y funciones base que provienen de los datos de la regresión. Fundamentalmente, el
método se basa en el concepto de dividir el espacio de entrada en regiones, cada una con su
propia ecuación de regresión.
Esto la hace particularmente adecuada para problemas con dimensiones superiores de
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
funciones base será:
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
representarlas en términos de componentes frecuenciales.
17
Aquí hay algunos conceptos clave en el análisis de Fourier:
Transformada de Fourier: La Transformada de Fourier es una herramienta matemática
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
como una suma ponderada de senos y cosenos armónicos.
Dominio de Frecuencia y Dominio del Tiempo: El dominio del tiempo representa la
variación de una señal a lo largo del tiempo. El dominio de frecuencia representa las frecuencias
presentes en una señal y sus respectivas amplitudes.
Espectro de Frecuencia: El espectro de frecuencia muestra las componentes de frecuencia
presentes en una señal. Las amplitudes y fases de estas componentes se pueden visualizar en un
diagrama de espectro. Transformada de Fourier Discreta (DFT) y Transformada Rápida de
Fourier (FFT): La DFT es una versión discreta de la Transformada de Fourier y se aplica a
señales muestreadas en el tiempo. La FFT es un algoritmo eficiente para calcular la DFT y se
utiliza comúnmente en implementaciones prácticas.
Teorema de Muestreo de Nyquist: Establece que, para evitar la pérdida de información, la
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
representación en el dominio de frecuencia.
Modelo SARIMA
El modelo SARIMA que refleja la característica de variación estacional en series de
tiempo. Generalmente, la serie de tiempo original {𝑌𝑡} utiliza un operador de retardo B para
procesar SARIMA (𝑝, 𝑑, 𝑞) × (𝑃, 𝐷, 𝑄) 𝑠. Un ARIMA estacional el modelo puede escribirse:
En la formula (1.53). 𝐵 es el operador de retraso (definido como 𝐵 𝑘𝑌𝑡 = 𝑌𝑡−𝑘)
Donde 𝜙(𝐵) y 𝜃(𝐵) son polinomios de orden 𝑝 y 𝑞, Φ(𝐵𝑠) y Θ (𝐵𝑠) son polinomios en 𝐵𝑠
de grados 𝑃 y 𝑄, respectivamente p es el orden de autor regresión no estacional; d es el número
de diferencias regulares; q es el orden de la media móvil no estacional; P es el orden de autor

19
regresión estacional; D es el número de diferencias estacionales; Q es el orden de la media móvil
estacional; y S es la duración de la temporada.
Análisis de componentes principales (PCA):
El Análisis de Componentes Principales (ACP) – o en su versión inglesa, Principal
Component Analysis (PCA) – es un método estadístico cuya utilidad radica en la reducción de la
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
recomendaría analizar las variables disponibles antes de utilizar algoritmos de clustering
(Kmeans, jerárquico, DBSCAN…). La técnica PCA forma parte de los algoritmos de aprendizaje
no supervisado de Machine Learning, y se utilizaría solo con aquellas variables numéricas
disponibles.
Estimación de los Yk, método de serie de campo
En sistemas eléctricos de potencia, la admitancia de una barra se refiere a la capacidad de
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
pueden utilizar métodos como el análisis de flujo de carga y el análisis de cortocircuitos.
Análisis de Flujo de Carga:
 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.
 A partir de estos cálculos, se puede determinar la admitancia de cada barra.
Análisis de Cortocircuitos
 Al simular cortocircuitos en diferentes puntos del sistema, es posible calcular las
corrientes de cortocircuito y las tensiones resultantes.
 A partir de estos resultados, se pueden determinar las admitancias de las barras.
Métodos de Elementos Finitos
 En algunos casos, se utilizan métodos de elementos finitos para modelar con
mayor precisión la red eléctrica y calcular las admitancias de las barras.
21
En el contexto de series temporales, especialmente al trabajar con modelos de series
temporales como ARIMA o SARIMA, a menudo estamos interesados en predecir futuras
observaciones (Yk) en función de observaciones pasadas. Aquí hay un enfoque general para la
estimación de (Yk)
Modelo ARIMA/SARIMA: Estos modelos consideran la autocorrelación y la
estacionalidad en los datos. Puedes ajustar un modelo ARIMA o SARIMA a tus datos y luego
usarlo para prever (Yk)
Suavización exponencial: Utiliza métodos de suavización exponencial simple o doble
para estimar tendencias y patrones estacionales en los datos. Estos modelos también pueden
utilizarse para prever Yk
Programas de Simulación de Sistemas de Potencia: Se utilizan programas de
simulación de sistemas de potencia que implementan algoritmos avanzados para calcular y
estimar la admitancia de las barras en función de la topología de la red y las condiciones
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.
Métodos basados en aprendizaje automático: Algoritmos más avanzados, como redes
neuronales o máquinas de soporte vectorial, pueden utilizarse para modelar relaciones no lineales
en los datos y prever Yk.
La elección del método depende de la naturaleza de tus datos y de la complejidad del
patrón que estás tratando de modelar.
Método de filtrado de Kalman
El filtro de Kalman es un conjunto de ecuaciones matemáticas que proveen una solución
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
base en la información disponible en el momento t-1, y actualizar, con la información adicional
disponible en el momento t, dichas estimaciones. Este filtro es el principal algoritmo para estimar
sistemas dinámicos especificados en la forma de estado-espacio (State-space).
23
2. EL ALGORITMO DISCRETO DEL FILTRO DE KALMAN
El filtro de Kalman es el principal algoritmo para estimar sistemas dinámicos
representados en la forma de estado-espacio En esta representación el sistema es descrito por un
conjunto de variables denominadas de estado. El estado contiene toda la información relativa al
sistema a un cierto punto en el tiempo. Esta información debe permitir la inferencia del
comportamiento pasado del sistema, con el objetivo de predecir su comportamiento futuro.
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
modelado es desconocida. En la práctica, las variables estado individuales de un 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
El filtro de Kalman estima el proceso anterior utilizando una especie de
control de retroalimentación, esto es, estima el proceso a algún momento en el tiempo y
entonces obtiene la retroalimentación por medio de los datos observados.
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
responsables de la proyección del estado al momento t tomando como referencia el estado en el
momento t-1 y de la actualización intermedia de la matriz de covarianza del estado. El segundo
grupo de ecuaciones son responsables de la retroalimentación, es decir, incorporan nueva
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
considerarse como ecuaciones de corrección. Efectivamente, el algoritmo de estimación final
puede definirse como un algoritmo de pronóstico-corrección para resolver numerosos problemas
Las ecuaciones específicas para el pronóstico y la corrección del estado son detalladas en las
tabla 1 y 2, respectivamente.
EL FILTRO DE KALMAN: VENTAJAS Y DESVENTAJAS
25
VENTAJAS
Evita la influencia de posibles cambios estructurales en la estimación. La estimación
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,
con lo cual soluciona el posible sesgo de la estimación ante la presencia de cambios
estructurales.
El filtro de Kalman utiliza el método de mínimos cuadrados para generar recursivamente
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,
para resolver un amplio rango de problemas en inferencia estadística.
El filtro se distingue por su habilidad para predecir el estado de un modelo en el pasado,
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
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
utilizados en trabajos de series de tiempo.
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
similar al deseado, pero con coeficientes fijos para un subperiodo muestral.
El desarrollo del filtro de Kalman, tal como se encuentra en el documento original, supone un
conocimiento amplio en teoría de probabilidades, específicamente con el tema de la
condicionalidad gaussina en las variables aleatorias, lo cual puede originar una limitante para su
estudio y aplicación.
27
Ejemplo de Filtro Kalman
En la siguiente figura muestra un depósito de líquido. Diseñaremos un Filtro Kalman en estado
estable para estimar el flujo de salida Fout. El nivel se mide la altura del líquido h. Balance de
masa del líquido en el tanque es (masa es ρAh)
Las ecuaciones de estado para el flujo del líquido en el tanque es y asumiendo que el flujo
desconocido es casi constante, por lo tanto:
Las ecuaciones de estado para el flujo del líquido en el tanque son y
asumiendo que el flujo desconocido es casi constante, por lo tanto:
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
Período de muestreo del tiempo T = 0.1

Área de recipiente A_tank = 0.1 [m2]
Constante multiplicadora para determinar el flujo de entrada Kp = 0.001 (m3/s) /V Matriz Q de
varianzas inicialmente ajustada Q= [0.01 0; 0 0.01]
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]
En la figura anterior se muestra el panel frontal de la simulación en Labview de este
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
filtro de Kalman optimiza y así predice las variables de salida.
4. Conclusiones
En conclusión, la implementación de técnicas avanzadas en el pronóstico de carga para el
Sistema Eléctrico de Potencia (SEP) representa un paso crucial hacia la optimización de la
planificación y operación del sistema. La utilización de modelos ARIMA/SARIMA, la
incorporación de variables externas relevantes y la aplicación de técnicas de aprendizaje
automático han demostrado ser estrategias efectivas para mejorar la precisión en la estimación de
la demanda eléctrica.
La validación continua y el ajuste de estos modelos, respaldados por un sistema de
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
evaluación del impacto en la eficiencia operativa destaca la importancia de estos enfoques
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
31

Investigacion Tecnicas en Pronostico de Carga en Sep

Cargado por

Información del documento

Título original

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

Investigacion Tecnicas en Pronostico de Carga en Sep

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNOLÓGICA LA SALLE

SISTEMAS ELECTRICOS DE POTENCIA II

INVESTIGACION TECNICAS EN PRONOSTICO DE CARGA EN SEP

Docente: Ing. Cristóbal Jose Jiménez

2.1 Objetivo general......................................................................................................4

2.2 Objetivos específicos..............................................................................................4

Técnicas en Pronostico de Carga.................................................................................5

Estimación de los Términos de Promedio y Tendencia.............................................11

Estimación de Componentes Periódicos....................................................................17

Estimación de los Yk, método de serie de campo.....................................................20

Método de filtrado de Kalman...................................................................................23

Ejemplo de Filtro Kalman.........................................................................................28

¡Aprendemos para servir!

El pronóstico de demanda es la base fundamental de información tanto para el área de

planificación como para la de operación de un sistema eléctrico de potencia, pronóstico que

futuro de la demanda variable, y optimizar los recursos futuros del sistema.

sistema, requiere de un gran número de observaciones. Cuando existe un cambio en el sistema,

implica que el número de ecuaciones de pronóstico se incrementa en forma considerable si se

quiere atender la operación del sistema para cualquier circunstancia.

Los métodos comunes de pronóstico de demanda permiten modelar el comportamiento de

la demanda en un sitio o región determinada del sistema.

¡Aprendemos para servir!

2.1 Objetivo general

Desarrollar y aplicar técnicas avanzadas en el pronóstico de carga para el Sistema

Eléctrico de Potencia (SEP), con el propósito de mejorar la precisión en la estimación de la

demanda eléctrica, optimizar la planificación y operación del sistema, y garantizar la eficiencia

en la provisión de energía eléctrica.

2.2 Objetivos específicos.

 Comprender los Distintos Métodos para evaluar el Pronostico de una Carga de un

 Mostrar un Ejemplo de como Aplicar estos Métodos en un Estudio de Caso

¡Aprendemos para servir!

Técnicas en Pronostico de Carga

Los planes de expansión y operación de un sistema eléctrico engloban procedimientos

lapsos varían de acuerdo a los diferentes objetivos que se pretenda aplicar.

En la predicción de carga existen dos tipos de problema: la predicción de energía y la

predicción de demanda que es de nuestro interés. Se describe en este capítulo, el comportamiento

pueden ser la predicción de demanda con fines de operación, en expansión de sistemas, y en

a las variables de interés.

aparatos de consumo eléctrico cuyo comportamiento individual al es bastante aleatorio, lo que

durante el periodo de la observación, se tiene un comportamiento periódico definido, el mismo

condiciones estacionales y la localización geográfica de la carga.

Factores Climáticos: el clima juega un papel importante en el comportamiento de a. Las

variables climáticas o atmosféricas de mayor significación y que afectan a la demanda son:

¡Aprendemos para servir!

 Velocidad del viento

Estas variables ejercen su influencia primordialmente en los sistemas de iluminación

calefacción y aire acondicionado, produciendo una variación en el consumo normal de energía y

donde se encuentra ubicado el sistema asociado a esa carga.

grandes y pueden ser clasificadas de la manera siguiente:

efectos en la carga son inciertos.

cargas significativas en la red.

¡Aprendemos para servir!

una expansión o un estancamiento de la misma.

ejemplo: variaciones de voltaje y potencia, así como también políticas de consumo y

servicio eléctrico por motivo de suspensiones temporales en el sistema, cuando se realiza

maniobras de operación y control o durante el mantenimiento programado de líneas, centrales y

factores anteriormente señalados.

En todo caso se trata de reducir a un mínimo el error entre lo real y lo pronosticado. En el

pronóstico de carga existen dos problemas diferentes la predicción de energía y la de potencia.

¡Aprendemos para servir!

por el tiempo que sea solicitado.

Pronóstico de Energía. Se utiliza en la planificación del sistema de potencia de centrales

Pronóstico de demanda. La predicción de demanda tiene que ver con el nivel de la