Proyección de la demanda eléctrica:

clasificación, variables y métodos empleados

R e v i s i ó n d e Ar t i c u l o s

Dheybi Cervan, Ingeniero Mecánico Electricista, Perú

19 Abril del 2017
1 Introducción
La proyección de la demanda eléctrica es uno de los procesos más
importantes en el sector eléctrico. Este primer paso es crucial para
cualquier+-
análisis operacional o estudio de planificación. Esta importancia se debe a
que análisis o estudios posteriores se basarán en la proyección de la
demanda. Es necesario realizar la proyección de la demanda eléctrica para
en el futuro próximo suministrar energía eléctrica de manera continua,
económica y confiable.
La proyección de la demanda eléctrica es la estimación de energía y
potencia requerida en el futuro en un determinado periodo. Esta
proyección nos permite conocer la cantidad de energía y potencia eléctrica
para los siguientes días, semanas, meses o años. Para realizar la
proyección de la demanda de eléctrica se emplean una variedad de
variables y métodos. En este artículo, voy explicar la clasificación,
variables y métodos conocidos para realizar la proyección de la demanda
eléctrica.
2 Clasificación
Típicamente la proyección de la demanda eléctrica es clasificada de
acuerdo a la duración del horizonte de planificación. En la literatura
científica, la proyección de la demanda eléctrica está clasificada en:
 “Short-Term Load Forecasting (STLF)”, la proyección de la demanda
es horaria y el horizonte de proyección es de un día a una semana.
 “Medium-Term Load Forecasting (MTLF)”, la proyección de la
demanda es diaria y el horizonte de proyección es de varias semanas a
meses.
 “Long-Term Load Forecasting (LTLF)”, la proyección de la demanda
es mensual o estacional. El horizonte de proyección es anual.
La proyección de demanda eléctrica de corto y mediano plazo es empleada
para estudios operativos. Mientras que la proyección de demanda de largo
plazo es empleada en estudios de planificación. Sin embargo, una
proyección de la demanda a corto plazo es significativamente diferente de
la de largo plazo utilizada en los estudios de planificación. En la figura 1,
se muestra la clasificación desarrollada por Sei y Sepasian (2011), se
observa las variables y su relación con los horizontes de tiempo de
proyección de la demanda.

Figura 1- Relación entre variables y horizonte de planificación

en la proyección de la demanda eléctrica
Fuente: Sei y Sepasian (2011)
2.1 La proyección de demanda eléctrica de corto plazo
La proyección de demanda eléctrica de corto plazo, es empleada para
pronosticar la demanda del día a la semana siguiente. Las variables
empleadas son la demanda histórica, precios de electricidad, condiciones
meteorológicas, tipo de día (normal o festivo) y/o eventos especiales. En
la figura 2 se muestra un ejemplo de la proyección realizada por el Comité
de Operación Económica del Sistema Interconectado Nacional (COES),
para el día lunes 17 de abril del 2017 en la red eléctrica del Perú.

Figura 2- Comparación entre la proyección y el valor real de

demanda eléctrica de corto plazo en Perú
Fuente: COES (2017)
2.2 La proyección de demanda eléctrica de mediano
plazo
La proyección de demanda eléctrica de mediano plazo, es empleada para
pronosticar los picos de demanda de la siguientes semanas y meses. Esta
proyección es frecuentemente desarrollada en países donde la estación del
año juega un rol importante. En la figura 3 se muestra un ejemplo de
proyección de mediano plazo para el periodo 2010 a 2014 en Algeria.
Figura 3 – Proyección de la demanda eléctrica de mediano
plazo en Algeria, periodo mensual entre 2010 a 2014
Fuente: Laouafi (2015)
2.3 La proyección de demanda eléctrica de largo plazo
La proyección de demanda eléctrica de largo plazo, es empleada para
estimar la demanda máxima de los próximos años. Las variables
determinantes son la población, el “Producto Bruto Interno”, tendencias
de consumo de electricidad y otras variables macroeconómicas. En la
figura 4 se muestra un ejemplo de la proyección realizada por el COES
para el periodo 2015 a 2028 en la red eléctrica del Perú.
Figura 4- Proyección de la demanda eléctrica de largo plazo
en Perú
Fuente: COES (2017b)
3 Variables
Como se observó en la figura 1, en la proyección de la demanda eléctrica
intervienen diferentes variables. Es preciso comentar que las variables se
emplean de acuerdo al tipo de proyección que se va a realizar. A
continuación, explico brevemente cada variable.
3.1.1 Demanda histórica
Es el resultado de la medición de potencia en intervalos de tiempo. La
medición de potencia se realiza en tiempo real en diferentes componentes
de un sistema eléctrico (Por ejemplo, bornes de las unidades de
generación, subestaciones). Debido a la gran cantidad de información es
usual registrar datos cada 5, 10 o 15 minutos. Este registro de información
es importante porque nos permite conocer los valores máximos, mínimos,
tendencias en una determinada región para una hora, día, semana o año
específico.
3.1.2 Tiempo
El tiempo (hora del día, el día de la semana o mes del año) influyen en la
proyección de la demanda eléctrica. Los perfiles de carga son diferentes
entre días, semanas o estaciones. Por ejemplo, el comportamiento de la
demanda es diferente entre día de semana y un sábado, domingo o un día
festivo. Los días festivos influyen significativamente en la proyección de
demanda eléctrica de corto plazo, son los más difíciles de pronosticar
debido a que tienen poca frecuencia y alta incertidumbre.
3.1.3 Condiciones Climáticas
Temperatura
En la mayoría de países, la temperatura ambiente juega un rol importante
en la proyección de demanda eléctrica de corto plazo. Los efectos de la
temperatura no son uniformes y juega diferentes roles de una estación a
otra. En invierno, un decremento de temperatura significa un incremento
de carga por el uso de calefacción. En verano, un incremento de
temperatura significa un incremento de carga por el uso de aire
acondicionado.
Velocidad de viento
Una alta velocidad de viento, tiene como consecuencia el enfriamiento de
la temperatura del medio ambiente. Los efectos de la velocidad de viento
son significativos en el invierno, este efecto es pequeño en otras
estaciones.
Humedad
El nivel de humedad en la atmósfera es una variable meteorológica que
influye en gran medida en el uso de aire acondicionado y otras cargas de
refrigeración durante el verano. Los efectos de la alta humedad
generalmente se perciben cuando la temperatura es bastante alta, por lo
general por encima de la temperatura ambiente.
3.1.4 Tipo de clientes
La demanda tiene comportamiento diferente de acuerdo al tipo de cliente.
Es posible proyectar la demanda para cada tipo de cliente y luego
agregarla en la proyección global. Es usual clasificarlo en clientes
urbanos, rurales y grandes consumidores. Dentro de los clientes urbanos,
los usos de la energía pueden ser residenciales, comercial, público y
pequeñas industrias.
3.1.5 Eventos Especiales
Los eventos especiales tales como programas especiales de TV (por
ejemplo, la final de la copa mundial de fútbol), días festivos (por ejemplo,
año nuevo, navidad, día del trabajador), eventos sociales (por ejemplo, la
hora del planeta). De acuerdo a estos eventos especiales se puede dar un
incremento o reducción de la demanda en pequeños intervalos de tiempo.
Esta variable es considerada en modelos de proyección de demanda
eléctrica de corto plazo.
3.1.6 Producto Bruto Interno
 La tasa de crecimiento del producto bruto interno y el crecimiento de la
demanda están altamente relacionadas. Numerosas investigaciones han
demostrado la relación de causalidad en el corto y largo plazo.
3.1.7 Población
El crecimiento poblacional está ligado con el consumo energético del
sector urbano y rural. Por lo cual tienen una relación directamente
proporcional a la demanda de electricidad
4 Modelos y métodos empleados
En esta sección voy a listar los métodos más conocidos para realizar la
proyección de la demanda eléctrica. El nombre del método lo escribo en
inglés, debido a que en ciertos casos no tiene una traducción exacta al
español.
Srivastava (2016), realiza una revisión de métodos para la proyección de
la demanda de corto plazo. Revisa un total de 83 investigaciones
referentes a proyecciones de corto plazo, las cuales las agrupa del
siguiente modo:
1. Statistical Technique
 Multiple regression method
 Exponential smoothing
 Iterative reweighted least square
 Adoptive load forescasting
 Stochastic time series
2. Autoregressive Moving-Average (ARMA) Model
3. Autoregressive Integrated Moving-Average
4. Artificial Intelligent (AI) Techniques
 Fuzzy logic
 Neural networks
 Genetic algorithms
Laouafi (2015), realiza una evaluación de métodos convencionales e
inteligencia artificial para proyecciones de la demanda eléctrica de
mediano y largo plazo. Los métodos que emplea para la proyección de
mediano y largo plazo son:
1.- Holt’s exponential smoothing technique (HWES)
2.- Autoregressive integrated moving average model (ARIMA)
3.- Holt-Winters method
4.- Seasonal autoregressive integrated moving average (SARIMA)
5.- Artificial neural network model
6.- Adaptive neuro-fuzzy inference system
En nuestro país, la proyección de la demanda de corto plazo es realizada a
diario por el COES. En la cual se emplea el método de media móvil. El
detalle de la metodología la encontramos en el procedimiento No 3 –
Pronóstico de la demanda a corto plazo del sistema eléctrico
interconectado nacional.
Cada año Osinergmin, desarrolla el procedimiento de fijación de precios
en barra. En este procedimiento se emplea un modelo ARIMA y un
modelo de corrección de errores (MCE). Ambos métodos se vienen
empleando desde el año 2006.
5 Conclusiones
La proyección de la demanda eléctrica es muy importante para la decisión
de procesos en el sector eléctrico. Estos procesos pueden ser la
programación de la operación de corto plazo, una base para la compra y
venta de energía eléctrica, la planificación de proyectos de generación y
transmisión.
En cuanto a las variables empleadas están fuertemente ligadas al
horizonte de tiempo que deseamos proyectar. Mientras que en los
métodos empleados están basados en técnicas estadísticas, de regresión e
inteligencia artificial.
Finalmente, en nuestro país posiblemente se pueda mejorar los métodos
de proyección de la demanda eléctrica que son empleados actualmente.
En particular para la operación diaria, en la revisión literaria podemos
encontrar métodos recientes que proponen un menor error de pronostico
en comparación al método de media móvil.
6 Referencias
Seifi, H., & Sepasian, M. S. (2011). Electric power system planning:
issues, algorithms and solutions. Springer Science & Business Media.
Laouafi, A., Mordjaoui, M., & Laouafi, F. (2015). An evaluation of
conventional and computational intelligence methods for medium and
long-term load forecasting in Algeria. In Control, Engineering &
Information Technology (CEIT), 2015 3rd International Conference
on (pp. 1-6). IEEE.
Srivastava, A. K., Pandey, A. S., & Singh, D. (2016). Short-term load
forecasting methods: A review. In Emerging Trends in Electrical
Electronics & Sustainable Energy Systems (ICETEESES), International
Conference on (pp. 130-138). IEEE.
Comité de Operación Económica del Sistema Interconectado Nacional
[COES] (2017). Informe de evaluación de la operación diaria, lunes 17 de
abril del 2017. IEOD No. 107/2017.
Comité de Operación Económica del Sistema Interconectado Nacional
[COES] (2017b). Informe de diagnóstico de las condiciones operativas del
SEIN, periodo 2019 – 2028. Informe COES/DP-01-2017