Estimación del consumo eléctrico colombiano en el corto y largo plazo empleando regresión multivariable y series temporales

Forecast of the colombian electricity consumption in the short and long term using multivariable regression and time series

La previsión de consumo de energía eléctrica constituye un pilar importante para desarrollar proyectos de expansión en generación, transmisión y distribución. En este trabajo se propone realizar una proyección de demanda para el consumo de energía eléctrica en el sector residencial colombiano por medio de una serie temporal y una regresión multivariable que relacione el crecimiento económico del país con su consumo eléctrico. Para validar la metodología propuesta, se compararán los resultados obtenidos con la información oficial suministrada por la Unidad de Planeación Minero-Energética (UPME).

1. Introducción

El constante desarrollo de los mercados de energía eléctrica genera escenarios cada vez más competitivos, por lo que es de crucial importancia poseer sistemas de transmisión y distribución con planes de manejo bien estructurados [1] y [2]. Entre los planes de manejo, se debe contar con modelos de pronóstico de la demanda de energía adecuados y es por esto por lo que actualmente se realizan investigaciones en torno a esta temática. El pronóstico de la demanda de electricidad es una herramienta fundamental para la toma de decisiones operativas y estratégicas en las empresas de energía, cuya falta de precisión puede generar altos costos económicos [3]. Dicha predicción puede determinar de forma previa la carencia de energía en el sistema, o si pudiera ser conveniente, la consideración en la construcción de nuevas subestaciones para suplir la demanda necesaria. Con la información suministrada por el estudio de pronóstico de demanda de energía eléctrica a corto y largo plazo, los operadores pueden tomar decisiones en torno al despacho óptimo de centrales de generación, y realizar análisis de confiabilidad y seguridad en la operación del sistema.

Los métodos para la predicción se dividen en dos grandes grupos: Los métodos basados en inteligencia artificial, y los métodos paramétricos.

El primer grupo está compuesto por modelos basados en redes neuronales. Tienen la característica que no necesitan un modelo matemático para representar el consumo de energía eléctrica, pero si poseen parámetros importantes tales como entradas, funciones de transferencia, algoritmo de entrenamiento y el número de neuronas. Este método utiliza diferentes algoritmos de aprendizaje y actualmente es muy utilizado debido a su amplio uso en el área de la ingeniería [5].

El segundo método de este primer grupo se basa en lógica difusa, y considera la imprecisión de los datos a través de reglas de extracción de variables de entrada y de modelos estadísticos [5]. En general, esta técnica es usada para el tratamiento de datos que al combinarse con otra técnica permite lograr una predicción completa y satisfactoria [6].

El segundo grupo está compuesto por modelos paramétricos, y se basan en el modelado matemático de la demanda. Los parámetros de los modelos son estimados usando técnicas estadísticas sobre históricos de datos, o posibles factores que puedan afectar estos datos [1] y [5].

En [1] se explica la importancia de la regresión multivariable en el proceso de pronóstico, pues son aquellas variables las que darán precisión a la respuesta que se obtendrá. La autora desarrolla el proceso de tratamiento de datos estadísticos para obtener un proceso “suave” para la línea de tendencia deseada. Por su parte, en [4], se propone un modelo de previsión de demanda de electricidad de largo plazo por medio de Modelos Auto-Regresivos Integrados por Media Móvil (ARIMA por sus siglas en ingles). Esta herramienta de análisis desarrollada por la Escuela Técnica Superior de Ingeniería (ICAI) es capaz de crear distintos modelos de predicción de series temporales, así como modelos de decisión.