Professional Documents
Culture Documents
FACULTAD DE ESTADSTICA E
INFORMTICA
Tesis
Que como requisito parcial para obtener el grado de
MAESTRO EN ESTADSTICA
Presenta:
Carlos Gonzlez Andrade
TUTOR
Dr. Sergio Francisco Jurez Cerrillo
Dedicatoria
Agradecimientos
Resumen.
El diseo tcnico-econmico de los sistemas de distribucin de energa
elctrica requiere fundamentarse en pronsticos precisos de la demanda
mxima, y en la evaluacin objetiva de los riesgos financieros asociados
con diferentes alternativas de diseo. La Teora de Valores Extremos y los
principios asociados al desarrollo de pequeas reas se aplican en este
trabajo para disear un mtodo de pronstico que pueda usarse con los
registros mensuales de la demanda mxima, disponibles en las
subestaciones de la CFE, y que permita obtener una medida del riesgo
asociado con la seleccin de la capacidad requerida para el diseo de este
tipo de sistemas.
Esta metodologa se ilustra con los datos de una subestacin de
distribucin, ajustando dos modelos basados en la Distribucin de Valor
Extremo Generalizado (DVEG). Los modelos incorporan dos curvas de
crecimiento distintas, asociadas con el parmetro de localizacin, para
describir la tendencia de crecimiento de la demanda a largo plazo. Los
cuantiles de la DVEG de estos modelos se utilizan para pronosticar la
demanda mxima del rea atendida por la subestacin en funcin de la
probabilidad de exceder el valor pronosticado. El horizonte de pronstico
se extiende 20 aos.
TABLA DE CONTENIDO.
DEDICATORIA. ....................................................................................................... i
AGRADECIMIENTOS. ............................................................................................ii
TABLA DE CONTENIDO ...................................................................................... iv
LISTA DE FIGURAS. ........................................................................................... vii
LISTA DE TABLAS. ............................................................................................viii
CAPTULO 1. INTRODUCCIN. ......................................................................... 1
1.1 Pronstico de la demanda. .......................................................................... 2
1.1.1 Horizontes de pronstico. ................................................................. 3
1.1.2 Tcnicas de pronstico. ..................................................................... 4
1.1.3 Pronsticos de reas pequeas......................................................... 5
1.2 Teora de valores extremos. ........................................................................ 7
1.3 Problema. ..................................................................................................... 8
1.4 Objetivos. ..................................................................................................... 9
1.5 Organizacin de la investigacin. ............................................................. 10
CAPTULO 2. MTODOS DE TENDENCIA. .................................................... 11
2.1 Mtodos deterministas. ............................................................................. 13
2.1.1 Crecimiento lineal. ......................................................................... 14
2.1.2 Crecimiento exponencial. ............................................................... 14
2.1.3 Otras curvas de crecimiento. .......................................................... 15
2.1.3.1 Crecimiento exponencial modificado. ................................ 15
2.1.3.2 Curva logstica simple. ...................................................... 16
Lista de figuras.
Lista de tablas.
CAPTULO 1. INTRODUCCIN.
1.1
Pronstico de la demanda.
Los pronsticos de demanda mxima se emiten para guiar
1.1.1
Horizontes de pronstico.
La industria elctrica requiere pronsticos de energa y demanda a
1.1.2
Tcnicas de pronstico.
Desde los aos 70s existe gran variedad de tcnicas para el
1.1.3
1.2
de
probabilidad
que
gobierna
sus
valores
mximos
extensas
aplicaciones
en
ingeniera,
hidrologa,
economa
1.3
Problema.
En este trabajo se aborda el problema de disear un procedimiento
40
35
30
25
20
15
10
5
0
1
13
25
37
49
61
73
85
97
109
121
133
145
157
1.4
Objetivos.
El objetivo general de este trabajo es el de investigar la aplicacin
1.5
Organizacin de la investigacin.
El resto del trabajo est organizado de la siguiente manera. En el
10
frecuentemente
se
utilizan
tcnicas
de
extrapolacin
11
350
300
250
200
150
100
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
12
2.1
Mtodos deterministas.
Los mtodos de tendencias se basan en el ajuste, por mnimos
13
x(t),
cuyas
propiedades
determinan
la
funcin
x(t),
inicialmente
2.1.1
Crecimiento lineal.
El modelo ms sencillo se obtiene considerando una tasa de
2.1.2
Crecimiento exponencial.
Para Gnnen (1986), el pronstico de la demanda en SDEE puede
14
2.1.3
15
ln
1 = ln A kXt .
x (t )
En este modelo la tasa de crecimiento inicia con un valor
relativamente bajo, creciendo inicialmente como lo hara el modelo
exponencial. Eventualmente la tasa de crecimiento comienza a declinar,
continuando como lo hara en el modelo exponencial modificado, hasta
16
t t 2
0
x (t ) = X 1 exp
; para t > t 0 ,
17
18
DMA
1350
1150
950
750
550
350
2139
2130
2121
2112
2103
2094
2085
2076
2067
2058
2049
2040
2031
2022
2013
2004
1995
150
Ao
histrico
Pearl-Reed
lineal
S de Brown
exponencial
P. de Willis
logstico
2.2
Modelos estadsticos:
De acuerdo a Nelson (1973), cualquier modelo que represente una
19
20
21
3.1
distribucin
desconocida,
es
decir
de
F ( y) = P (Y y) .
Sea
( 3-1 )
x
G( x ; , , ) = exp 1 +
( 3-2 )
1
x
g ( x ; , , ) = 1 +
(1+1 / )
1 /
x
exp 1 +
( 3-3 )
23
x
G( x ; , ) = exp exp
, < x < .
3.2
Teorema de Fisher-Tippet.
Los detalles matemticos de la justificacin para aproximar la
distribucin
del
mximo
muestral
con
la
DVEG,
es
decir,
de
P n
x = F (an x + bn )n G(x ) , conforme n
an
( 3-4 )
24
I.
x b
G( x ) = exp exp
, < x < (Gumbel)
a
II .
x b
0,
x b
G( x ) =
(Frchet)
exp
, x > b; > 0
x b
exp
, x < b; > 0
III . G( x ) =
a
x b
1,
(Weibull)
= 0 , en el sentido de que
25
3.3
Inferencia en la DVEG.
En la prctica, la DVEG se aplica agrupando los datos en bloques
Perodo
1
Ym1,Ym2 , ,Ymnm
Mximos
X1 = max{Y1 j }
X m = max{Ymj }
3.3.1
27
3.3.2
L(, , ) =
g( xi ; , , ) ,
i =1
z
z
= m log (1 + 1 / ) log 1 + i
1 + i
i =1
i =1
1 /
x
considerando que 1 + i
> 0 , para i = 1,,m.
28
3.3.3
3.4
Cuantiles de la DVEG.
Los cuantiles de la DVEG ajustada se usan para estimar los niveles
29
1 { log (1 p ) } , para 0,
x p = G ( p; , , ) =
log{ log (1 p ) }
, para = 0.
1
( 3-5 )
( , , ) , y
x Tp = x p , x p , x p , evaluado en ( , , ) .
30
Cuantiles
60
50
40
30
10
0.1
0.01
0.001
- log (1 - p)
3.5
31
(, , ) =
xt (t )
(t )
log (t ) + (1 + 1 / (t )) log 1 + (t )
t =1
x (t )
+ 1 + (t ) t
(t )
1 / (t )
x (t )
cuando 1 + (t ) t
> 0 , para t = 1,,m.
(t )
Si adems se dispone de un vector de covariables wt para cada punto t del
tiempo, podemos expresar paramtricamente al vector de parmetros de
la DVEG como (t ) = h(wtT ) , donde (t) = ((t),(t),(t)), h es una funcin,
denominada funcin de liga inversa y es un vector de parmetros,
(Coles, 2001).
33
3.6
Z (t ) =
tiene
una
1
X (t ) (t )
log 1 + (t )
(t )
(t )
distribucin
Gumbel,
( 3-6 )
es
decir
que
P (Z (t ) z ) = exp( exp( z )) .
Si
z(1) , , z(m)
( 3-7 )
( 3-8 )
i = 1, , m .
i = 1, , m .
34
35
4.1
Datos de la subestacin.
Las Tabla 4-1 y 4-2 muestran los valores de la demanda mxima
Ene
6.25
6.93
11.70
11.06
11.64
13.40
21.48
14.88
Feb
6.25
6.69
9.80
10.93
12.04
13.92
20.88
16.20
Mar
6.25
8.04
10.11
11.62
14.28
15.64
21.36
20.80
Oct
7.93
15.41
13.40
17.32
17.64
20.64
24.36
24.72
Nov
7.94
9.23
11.72
14.56
16.88
23.04
20.04
20.30
Dic
6.66
9.09
10.86
11.64
14.16
23.04
17.52
18.00
Abr
6.25
8.14
10.75
17.18
13.90
15.72
24.12
22.68
May
6.25
8.54
11.25
13.68
15.18
16.32
24.84
25.44
Jun
6.25
9.31
11.24
13.56
15.00
21.00
28.56
25.80
Jul
6.25
10.01
12.01
13.08
15.38
21.28
24.84
23.64
Ago
6.25
9.60
9.99
15.16
17.80
22.08
25.08
24.84
Sep
7.15
9.99
12.28
18.00
14.48
22.56
28.20
24.60
36
25
20
15
10
DMPE (MW)
20
40
60
80
100
Meses
4.2
4.2.1
37
4.2.2
Modelo logstico.
El segundo modelo, diseado con el fin de aplicar el concepto de la
)}
j (t ) = A j 1 + 0 j exp 1 j A j t 1 .
Donde A j es un valor asinttico determinado para cada una de las
temporadas del ao con base en la informacin general disponible para
este SDEE en particular.
4.3
x j (t )
1
g ( x ; j (t ), j , j ) = 1 + j
j
[1+(1 / j )]
1 / j
x j (t )
exp 1 + j
.
log
g ( x jtk ; 0 j , 1 j , j , j ), .
j =1 t =1 k =1
(01, 11, 1, 1, 02 , 12 , 2 , 2 ) =
log 1 + 1 + log 1 + 1
1
1
t =1 k =1
8
x (01 + 11t )
+ 1 + 1 1tk
1
x
(02 + 12t )
1
log 1 + 2 2tk
log 2 + 1 +
2
t =1 k =1
8
1 / 1
x
(02 + 12t )
+ 1 + 2 2tk
x jt (t ) (0 j + 1 jt )
> 0;
donde 1 +
1 / 2
j = 1,2, y t = 1, ,8.
39
4.3.1
01 = 5.415 ( 0.827)
11 = 1.632 ( 0.218)
1 = 2.210 ( 0.346)
1 = 0.037 ( 0.210)
Temporada de verano
02 = 3.163 ( 0.746)
12 = 2.650 ( 0.169)
2 = 1.863 ( 0.221)
2 = 0.125 ( 0.111)
Temporada de verano
0.107
0.682 0.161 0.113
0.047
0.046 0.037
0.161
V1 =
0.113
0.046
0.119 0.046
0.041
0.556 0.116 0.047
0.029
0.014 0.012
0.116
V2 =
0.047
0.014
0.049 0.013
40
IO (01, 11, 1, 1 )
IO (01, 11, 1, 1, 02 , 12 , 2 , 2 ) = 1
0
I
(
)
02
12
2
2
O
2
donde, (j = 1, 2):
20 j
2 j
0 j 1 j
IO j (0 j , 1 j , j , j ) =
2 j
0 j j
2 j
0j j
2 j
1 j 0 j
2 j
21 j
2 j
1 j j
2 j
1 j j
2 j
j 0 j
2 j
j 1 j
2 j
2 j
2 j
j j
2 j
j 0 j
2 j
j 1 j
2 j
j j
2 j
2 j
41
4.3.2
Grfico de Probabilidad
5
4
0.8
0.7
0.6
Emprica
Modelo
1
0.9
0.5
0.4
0.3
0.2
2
1
0
-1
0.1
0
-2
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
-2
-1
Emprica
Modelo
Figura 4-2. Diagnstico del ajuste del modelo de la DVEG con tendencia lineal.
4.3.3
j
x(1 p) j (t ) = 0 j + 1 j t
1 { log (1 p ) } j , para j 0 y j = 1,2 .
j
As, el cuantil 1 p de la distribucin de la DMM para la
temporada de invierno del ao t es:
x1 p (t ) = (5.415 + 1.632t )
{ [
]}
{ [
]}
2.21
1 (log(1 p)) 0.37 ;
0.37
1.863
1 (log(1 p))0.125 ;
0.125
30
20
0
10
DMM (MW)
40
50
x1 p (t ) = (3.163 + 2.65t )
50
100
150
200
Meses
43
DMA Pronosticada MW
100
90
80
70
60
50
40
30
20
0.1
0.01
0.001
5 aos
7 aos
10 aos
15 aos
20 aos
44
subestacin
en
un
perodo
de
aos,
pero
sta
aumenta
45
DMA Pronosticada MW
70
60
50
40
30
20
0.1
0.01
0.001
10 aos
15 aos
20 aos
4.3.4
46
x pj
x pj
x pj
x pj
x Tpj =
,
,
,
1 j
j
j
0 j
Temporada de verano
x T
0.5 = [ 1, t, 0.369 0.1498]
x T
0.5 = [ 1, t, 0.358 0.1214]
x T
0.9 = [ 1, t, 2.347 5.916]
x T
0.9 = [ 1, t, 1.962 3.919]
47
12
10
8
6
4
2
0
0.1
0.01
0.001
p
3 aos
5 aos
10 aos
15 aos
20 aos
0.1
0.01
0.001
p
3 aos
5 aos
10 aos
15 aos
20 aos
48
x 0.5
x 0.99
20.92
Err.
Est.
(1.34)
Err.
Est.
31.19 (3.74)
I.C.
95% Conf.
(23.9, 38.5)
10
22.55
(1.55)
32.82 (3.62)
(25.7, 39.9)
11
24.18
(1.76)
34.45 (3.51)
(27.6, 41.3)
12
25.81
(1.97)
36.08 (3.41)
(29.4, 42.8)
13
27.45
(2.18)
37.71 (3.32)
(31.2, 44.2)
14
29.08
(2.40)
39.35 (3.24)
(33.0, 45.7)
15
30.71
(2.61)
40.98 (3.18)
(34.7, 47.2)
16
32.34
(2.83)
42.61 (3.13)
(36.5, 48.7)
17
33.97
(3.04)
44.24 (3.09)
(38.2, 50.3)
18
35.61
(3.26)
45.87 (3.07)
(39.9, 51.9)
19
37.24
(3.47)
47.51 (3.07)
(41.5, 53.5)
20
38.87
(3.69)
49.14 (3.08)
(43.1, 55.2)
21
40.50
(3.91)
50.77 (3.11)
(44.7, 56.9)
22
42.13
(4.12)
52.40 (3.15)
(46.2, 58.6)
23
43.77
(4.34)
54.03 (3.20)
(47.8, 60.3)
24
45.40
(4.56)
55.67 (3.27)
(49.3, 62.1)
25
47.03
(4.77)
57.30 (3.35)
(50.7, 63.9)
26
48.66
(4.99)
58.93 (3.44)
(52.2, 65.7)
27
50.29
(5.21)
60.56 (3.55)
(53.6, 67.5)
28
51.93
(5.43)
62.19 (3.66)
(55.0, 69.4)
x 0.5
x 0.99
27.68
Err.
Est.
(0.91)
Err.
Est.
33.53 (1.09)
I.C.
95% Conf.
(31.4, 35.7)
10
30.33
(1.07)
36.18 (1.13)
(34.0, 38.4)
11
32.98
(1.24)
38.83 (1.19)
(36.5, 41.2)
12
35.63
(1.40)
41.48 (1.27)
(39.0, 44.0)
13
38.28
(1.57)
44.13 (1.37)
(41.5, 46.8)
49
Tabla 4-7.Cont
x 0.5
14
40.93
Err.
Est.
(1.73)
15
43.58
(1.90)
49.43 (1.60)
(46.3, 52.6)
16
46.23
(2.07)
52.08 (1.72)
(48.7, 55.5)
17
48.88
(2.23)
54.73 (1.86)
(51.1, 58.4)
18
51.53
(2.40)
57.38 (2.00)
(53.5, 61.3)
19
54.18
(2.57)
60.03 (2.14)
(55.8, 64.2)
20
56.83
(2.74)
62.68 (2.29)
(58.2, 67.2)
21
59.48
(2.90)
65.33 (2.44)
(60.5, 70.1)
22
62.13
(3.07)
67.98 (2.59)
(62.9, 73.1)
23
64.78
(3.24)
70.63 (2.75)
(65.2, 76.0)
24
67.43
(3.41)
73.28 (2.91)
(67.6, 79.0)
25
70.08
(3.58)
75.93 (3.06)
(69.9, 81.9)
26
72.73
(3.74)
78.58 (3.22)
(72.3, 84.9)
27
75.38
(3.91)
81.23 (3.38)
(74.6, 87.9)
28
78.03
(4.08)
83.88 (3.54)
(76.9, 90.8)
4.3.5
I.C.
I.C.
x 0.9 Err.
95% Conf.
Est.
95% Conf.
(37.5, 44.3) 43.92 (1.64) (40.7, 47.1)
x 0.99
Err.
Est.
46.78 (1.48)
I.C.
95% Conf.
(43.9, 49.7)
50
90
80
DMA (MW)
70
60
50
40
30
20
10
0
5
Historial
10
15
Aos
1.0%
0.1%
20
10%
25
30
50%
4.4
(t ) = A{1 + 0 exp( 1 A t ) }1 .
La funcin log-verosimilitud del modelo, en este caso es la
siguiente:
52
(0 , 1, , ) =
log + 1 +
t =1 k =1
x A{1 + exp( A t ) }1
1
0
1
log 1 + tk
x A{1 + exp( A t ) }1
0
1
+ 1 + tk
x (t ) A{1 + exp( A t ) }1
0
1
donde 1 + t
4.4.1
) > 0;
1 /
t = 1, ,8.
53
= 1.9999 ( 0.468)
0 = 20.233 (3.21)
1 = 0.00214 ( 0.00024)
= 0.09989 ( 0.413)
20
2
01
IO (0 , 1, , ) =
2
10
21
2
2
1
2
1
2
2
0.00000006
0.000084 0.000087
0.000768
V =
1.023964
0.000084
0.218636 0.138193
1.097416 0.000087
0
.
138193
0
.
170557
54
4.4.2
Grfico de Cuantiles
Grfico de Probabilidad
5
1
0.9
4
3
0.6
0.5
0.4
Emprica
Modelo
0.8
0.7
0.3
0.2
2
1
0
-1
0.1
0
-2
0.1
0.2
0.3
0.4
0.5
Emprica
0.6
0.7
0.8
0.9
-2
-1
Modelo
55
4.4.3
x p (t ) = A{1 + 0 exp( 1 A t ) }
1 { log (1 p ) } ,
( 4-1 )
DMA Pronosticada MW
120
110
100
90
80
70
60
50
40
30
0.1
0.01
0.001
5 aos
7 aos
10 aos
15 aos
20 aos
56
4.4.4
2
2
A 0t exp( 1 At ){1 + 0 exp( 1 At )}
x p =
1 1 ( log(1 p))
{
}
57
con p < 0.025. Y la Tabla 4-9 los errores estndar y los intervalos de
30
25
20
15
10
5
0
0.1
0.01
0.001
5 aos
10 aos
15 aos
20 aos
Figura 4-10. Grfica del error estndar de los niveles de retorno para los aos
de pronstico 3, 5, 10, 15 y 20, usando el modelo de tendencia logstico.
Tabla 4-9. DMA pronosticada en la subestacin, (tendencia logstica).
x 0.5
26.02
Err.
Est.
(1.48)
I.C.
95% Conf.
(23.1 28.9)
10
30.26
(2.09)
11
34.89
12
x 0.9
30.32
Err.
Est.
(1.47)
I.C.
95% Conf.
(27.4 33.2)
(26.2 34.4)
34.56
(1.63)
(2.77)
(29.5 40.3)
39.19
39.84
(3.49)
(33.0 46.7)
13
45.03
(4.20)
14
50.35
15
x 0.99
36.95
Err.
Est.
(9.19)
I.C.
95% Conf.
(18.9 55.0)
(31.4 37.8)
41.19
(8.71)
(24.1 58.3)
(2.03)
(35.2 43.2)
45.82
(8.21)
(29.7 61.9)
44.14
(2.59)
(39.1 49.2)
50.77
(7.72)
(35.6 65.9)
(36.8 53.3)
49.33
(3.21)
(43.0 55.6)
55.96
(7.28)
(41.7 70.2)
(4.86)
(40.8 59.9)
54.65
(3.81)
(47.2 62.1)
61.28
(6.91)
(47.7 74.8)
55.67
(5.41)
(45.1 66.3)
59.97
(4.32)
(51.5 68.4)
66.61
(6.63)
(53.6 79.6)
16
60.89
(5.82)
(49.5 72.3)
65.19
(4.71)
(56.0 74.4)
71.82
(6.45)
(59.2 84.5)
17
65.88
(6.07)
(54.0 77.8)
70.18
(4.95)
(60.5 79.9)
76.82
(6.35)
(64.4 89.3)
18
70.57
(6.15)
(58.5 82.6)
74.87
(5.02)
(65.0 84.7)
81.50
(6.31)
(69.1 93.9)
19
74.87
(6.07)
(63.0 86.8)
79.17
(4.95)
(69.5 88.9)
85.80
(6.33)
(73.4 98.2)
20
78.75
(5.86)
(67.3 90.2)
83.05
(4.74)
(73.8 92.3)
89.69
(6.41)
(77.1 102.3)
58
x 0.5
21
82.20
Err.
Est.
(5.54)
I.C.
95% Conf.
(71.3 93.1)
22
85.21
(5.14)
23
87.82
24
x 0.9
86.50
Err.
Est.
(4.43)
I.C.
95% Conf.
(77.8 95.2)
(75.1 95.3)
89.51
(4.05)
(4.70)
(78.6 97.0)
92.12
90.04
(4.24)
(81.7 98.3)
25
91.92
(3.78)
26
93.49
27
28
x 0.99
93.13
Err.
Est.
(6.54)
I.C.
95% Conf.
(80.3 106.0)
(81.6 97.5)
96.15
(6.72)
(83.0 109.3)
(3.63)
(85.0 99.2)
98.75
(6.94)
(85.1 112.4)
94.34
(3.21)
(88.1 100.6)
100.97 (7.20)
(86.9 115.1)
(84.5 99.3)
96.22
(2.79)
(90.7 101.7)
102.85 (7.47)
(88.2 117.5)
(3.33)
(87.0 100.0)
97.79
(2.41)
(93.1 102.5)
104.42 (7.75)
(89.2 119.6)
94.80
(2.92)
(89.1 100.5)
99.10
(2.07)
(95.0 103.2)
105.74 (8.02)
(90.0 121.5)
95.89
(2.54)
(90.9 100.9)
100.19 (1.79)
(96.7 103.7)
106.82 (8.29)
(90.6 123.1)
4.4.5
Pronstico de la DMA.
El pronstico de la DMA se muestra en la Figura 4-11, para un
DMA (MW)
ajustada.
110
100
90
80
70
60
50
40
30
20
10
0
11
13
15
17
19
21
23
25
27
Aos
Historial
Pronstico
59
60
5.1
Conclusiones.
En este trabajo se describe un mtodo para pronosticar la demanda
61
5.2
Ventajas y desventajas.
El mtodo propuesto considera objetivamente diferentes escenarios
5.3
Contribucin.
Este trabajo contribuye a mejorar los mtodos de extrapolacin
5.4
66
Referencias.
67
68
69
70