TEMA.

“MODELO DE UNA RED NEURONAL PARA PRONOSTICAR LA DEMANDA DE

ENERGÍA ELÉCTRICA A CORTO PLAZO CON BASE DE DATOS LIMITADA DE
LAS SUBESTACIONES LOJA”.

1. PLANTEAMIENTO DEL PROBLEMA

Desde que el hombre tomó conciencia, su preocupación ha sido el predecir el futuro;

situación que en la industria eléctrica es fundamental por lo que respecta a la demanda de
energía eléctrica, como elemento clave para administrar el riesgo y herramienta base de
planeación; con lo que se logra una generación económica de la energía eléctrica 1. En el
mismo sentido, el pronóstico de la demanda de energía se emplea para la seguridad del
sistema, planeación del mantenimiento, inversión a largo plazo en la generación, y además
para desarrollar planes de despacho económico, balanceando con la mínima emisión de
gases contaminantes, buscando siempre el suministro de energía de calidad.

Durante la última década, los mercados eléctricos han estado cambiado a modelos
desregularizados, creándose la necesidad de modelos de pronóstico de la demanda más
precisos; ya que a falta de éstos se corre el riesgo de una sub generación o sobre generación
y lo que ocasiona afectaciones de carácter operativo y económico; dado que una empresa
tendrá que adquirir o generar energía eléctrica a un mayor costo, con las correspondientes
consecuencias técnicas de desconectar carga, con la correspondiente pérdida de calidad en
el suministro del servicio

En la ciudad de Loja la Empresa Eléctrica Regional del Sur (EERSSA), es la encargada de

distribuir y comercializar energía eléctrica en el área de concesión con estándares de
calidad, confiabilidad y seguridad contribuyendo a mejorar las condiciones de vida de los
habitantes sin afectar al medio ambiente.

La Empresa Eléctrica Regional Sur SA, para poder distribuir y comercializar la energía
eléctrica mantiene cuatro sub estaciones distribuidas. La Sub Estación de Norte, Sub
Estación Obrapía, Sub Estación San Cayetano, Sub estación Sur; Encargadas de transportar,
distribuir y mantener la demanda de energía eléctrica en la ciudad de Loja, las cuatro
subestaciones ubicadas en la ciudad de Loja son de tipo reductoras, bajando el voltaje de
69 kV a 13,2 kV , entregando la energía a la red de distribución de media tensión a los
transformadores que reducen la tensión a los valores industriales, comerciales y
domiciliares.

La Tasa de crecimiento en el ecuador es de 1,419% en la última estadística del 2011.

Considerando que la de Tasa de crecimiento: Es el promedio porcentual anual del cambio
en el número de habitantes, como resultado de un superávit (o déficit) de nacimientos y
muertes, y el balance de los migrantes que entran y salen de un país. El porcentaje puede
ser positivo o negativo. La tasa de crecimiento es un factor que determina la magnitud de
las demandas que un país debe satisfacer por la evolución de las necesidades de su pueblo
en cuestión de infraestructura (por ejemplo, escuelas, hospitales, vivienda, carreteras),
recursos (por ejemplo, alimentos, agua, electricidad), y empleo.

Por mantener el incremento poblacional una relación directa con el incremento de recursos
como la energía eléctrica es necesario un realizar un estudio de pronóstico de demanda
eléctrica a corto plazo en las subestaciones locales.

El presente trabajo de tesis se plantea investigar un Modelo de una red neuronal para
pronosticar la demanda de energía eléctrica a corto plazo con base de datos limitada de las
subestaciones Loja.

2. JUSTIFICACIÓN.

Para todas las organizaciones es importante realizar pronósticos de ciertas variables, las
compañías que operan sistemas eléctricos de potencia no son la excepción, ya que requieren
minimizar la incertidumbre de la demanda que se tendrá a corto plazo

La tarea de planificar la demanda de energía eléctrica consiste en pronosticar en forma

segura el suministro de energía eléctrica, o más exactamente, los factores de consumo. Esto
involucra tener información confiable de los volúmenes aproximados de generación, así
como de los factores de temperatura, población, demanda actual.

Reducir un punto porcentual el error promedio de pronóstico de carga diaria, genera

ahorros del orden de millones de dólares, por gastos de generación y operación. Por lo
tanto, el costo de los errores de pronóstico pueden ser de tal magnitud que muchas
investigaciones se han centrado en reducir al mínimo posible el error de pronóstico;
convirtiéndose este tema en una parte integral de la planeación para las empresas de diversa
índole y envergadura; que van desde la generación, transmisión y distribución hasta el
consumo, requiriéndose de sistemas confiables de pronóstico.2

El pronóstico de demanda de energía eléctrica se define básicamente como la ciencia o el

arte de predecir la carga futura en un sistema dado, para un periodo de tiempo futuro
específico. Esta predicción puede ser desde unos minutos con fines de operación, hasta
años con fines de planeación.3

La precisión en el pronóstico de la demanda a corto plazo influye de manera directa en el

desarrollo de las diferentes actividades de planeación y previsión de la generación, por lo
que al aumentar la precisión en el pronóstico, se reducirán los costos de operación en las
empresas de generación, transmisión y distribución, sobre todo en los mercados
desregularizados.

En la presente investigación se desarrollara un procedimiento para el pronóstico de la

demanda de energía eléctrica a corto plazo empleando una red neuronal con el mínimo de
capas y neuronas, sin perder la precisión del pronóstico, combinando el análisis estadístico
de las series de tiempo para determinar el mínimo número de variables a considerar como
parte del modelo de predicción.
 3. OBJETIVOS.

General.
Determinar el modelo de Red Neuronal Artificial a utilizar en el pronóstico a corto plazo de
demanda para sub estaciones.

Específicos.
 Obtener, seleccionar y organizar los datos de la base de las demandas de consumo
de energía de la ciudad de Loja, de los últimos cuatro años.
 Seleccionar y Optimizar un modelo de red neuronal para pronóstico a corto plazo.
 Evaluar la capacidad de generalización del modelo de pronóstico, aplicando
técnicas específicas para medir errores de pronóstico, realizando comparaciones con
las técnicas comunes de evaluación de errores.
 4. MARCO TEORICO.
CAPÍTULO 1 MÉTODOS DE PREDICCIÓN

1.1 Conceptos básicos de pronósticos

1.2 Métodos de pronóstico
1.2.1 Métodos cuantitativos
1.2.2 Métodos cualitativos
1.3 Marco conceptual del sistema de pronóstico
1.4 Criterios de pronóstico
1.4.1 Proceso básico para realizar un pronóstico
1.5 Análisis de series de tiempo.
1.6 Características de las series de tiempo.
1.7 Modelos de pronóstico
1.7.1 Métodos de pronóstico de la demanda de energía a corto plazo
(STLF)
1.7.2 Análisis estadístico de los datos
1.8 Redes neuronales
1.8.1 Red de propagación hacia atrás (retropropagación)
1.8.2 Descripción del algoritmo de retropropagación
1.8.3 Arquitectura de una SOM
1.8.4 El algoritmo del SOM
1.8.5 Medidas de calidad y precisión del SOM
1.8.6 Optimización de la red neuronal
1.8.7 Variables de entrada del modelo de pronóstico
1.8.7.1 Tiempo
1.8.7.2 Economía
1.8.7.3 Variación aleatoria

CAPÍTULO 2 ANÁLISIS DE LA DEMANDA DE ENERGÍA

ELÉCTRICA.

2.1 Factores que afectan la demanda de energía

2.2 Análisis de la demanda de energía eléctrica
2.2.1 Función de distribución de probabilidad
2.2.1.1 Estadísticos principales empleados para el análisis en STLF
2.3 Análisis y tratamiento de los datos
2.4 Fuente de valores atípicos
2.4.1 Cuartiles
2.4.2 Valores atípicos moderados
2.4.3 Detección de valores atípicos extremos
2.4.4 Diagrama de cajas
2.4.5 Pruebas de Grubbs para la detección de atípicos
2.5 Tratamiento de los atípicos
2.6 Medición del error de pronóstico
2.6.1 Medidas del error
2.6.2 Métodos ingenuos como referencia para comparar pronósticos
2.6.3 Estadístico U de Theil
2.6.4 Medición del error relativo absoluto

CAPÍTULO 3 Metodología de la red neuronal artificial por retro-

propagación.

3.1. Introducción
3.1.1. La neurona biológica
3.1.2.La neurona artificial
3.1.3. Un modelo de neurona artificial
3.2. Conceptos y definiciones
3.2.1.Paradigmas de aprendizaje
3.2.2.Modo de operación
3.2.3.Operaciones de las capas
3.3. El perceptrón
3.4. Aplicación de redes neuronales
3.4.1. Aplicaciones generales
3.4.2.Principales aplicaciones
3.4.3. Aplicaciones en ingeniería eléctrica
 5. METODOLOGÍA.
El trabajo de investigación se utilizara el método de correlación que me ayudara a analizar,
organizar y procesar las variables que mantiene los datos de las subestaciones, tomado
como principal referencia las demandas máximas en los últimos 4 años y para el diseño de
la red neuronal se realizara de acuerdo al sistema esquemático de la red neuronal.

Figura 1. Esquematización de la red neuronal.

 6. CRONOGRAMA PLARA EL DESARROLLO DE TEMA DE TESIS.
Obtener, seleccionar y organizar los datos de la base de las demandas de consumo de energía de la ciudad de Loja, de
OBJETIVO 1
los últimos cuatro años.
FECHAS 2014
ACTIVIDADES FEB MAR ABR MAY
Obtención de base de datos X
Organizar los datos a utilizar el modelo, transformarlos (escalamiento) para facilitar su
manejo y operaciones, así como su interpretación, culminando esta fase con la detección y X X
tratamiento de valores atípicos.
Detección y tratamiento de valores atípicos X
Selección de Variables X
OBJETIVO 2
Seleccionar y Optimizar un modelo de red neuronal para pronóstico a corto plazo.
FECHAS 2014
ACTIVIDADES JUN JUL AGOS SEPT
Revisar bibliografía de Métodos de Predicción X
Revisar bibliografía de Metodología de la red neuronal artificial por retro propagación. X
Pronóstico de la demanda de energía eléctrica utilizando una RNA X
Definición del modelo RNA a utilizar X
Determinar el número de capas ocultas y el numero de capa seleccionando un modelo
X
optimo
Evaluar la capacidad de generalización del modelo de pronóstico, aplicando técnicas específicas para medir errores de pronóstico,
OBJETIVO 3
realizando comparaciones con las técnicas comunes de evaluación de errores.
FECHAS 2014
ACTIVIDADES OCT NOV DIC ENE
Prueba de red neuronal con las variables X
Realizar comparación con otros métodos X
Realizar conclusiones y recomendaciones X
Digitalización de Resultados e impresión X
 7. PRESUPUESTO Y FINANCIAMIENTO.

El presupuesto para la ejecución del proyecto de Tesis, mantendrá diferente gastos

detallados a continuación:

ITEM DESCRIPCIÓN US$

1 Movilización para obtener información 500.00
2 Uso de internet y correo electrónico 200.00
3 Compra de bibliografía 150.00
4 Uso de computador para elaboración del proyecto 250.00
5 Levantamiento del proyecto (digitación) 200.00
6 Impresión y encuadernado del proyecto (7 tomos) 600.00
7 Otros gastos 500.00
TOTAL 2,400.00
8. REFERENCIAS.
1
Emily Hickey Jennifer Hinman, "Modeling and Forecasting Short-Term Electricity Load Using
Regression Analysis," Illinois State University, Chicago, 2009.
2
Weron R and Misiorek, "Modeling and Forecasting Electricity Loads: A Comparison In Proceedings of the
European Electricity Marquet," The European Electricity Market EEM-04, pp. 135-142, September 2004.
3
Ahmad Mohammad Soliman Abdel-Hady, Electrical load forecasting Modeling and Model Construction,
First Ed. ed., Library of Congres Catalogin-In_Publications Data, Ed. Burlington: Elsevier,Inc., 2010.

10. BIBLIOGRAFÍA.

1. http://www.eerssa.com/nuestra-empresa/historia.html.
2. http://www.indexmundi.com/g/g.aspx?c=ec&v=24&l=es.

3. M.C. Raúl Vilcahuaman S. Ing. Iván Medina C. e Ing. Antonio Téllez V., ”SISTEMA EXPERTO
PARA PRONÓSTICO DE LA DEMANDA”
4. http://www.continental.edu.pe/revista/articulos/pronos.htm
5. EDWIN K.P. CHONG And STANISLAW H. ZAK, “AN INTRODUCTION TO
OPTIMIZATION”, WILEY INTERSCIENSE.
6. Malcolm R. Irving, Yong-Hua Song, “OPTIMISATION TECHNIQUES FOR
ELECTRICAL POWER SYSTEMS, PART 1 MATHEMATICAL OPTIMIZATION
7. METHODS”, Power Engineering Journal October 2000.
8. Malcolm R. Irving, Yong-Hua Song, “OPTIMISATION TECHNIQUES FOR ELECTRICAL
POWER SYSTEMS, PART 2 HEURISTIC OPTIMIZATION
9. Ei-Sharkawi, Mohamed and Niebur, Dagmar, “A TUTORIAL COURSE ON ARTIFICIAL
NEURAL NETWORKS WITH APPLICATIONS TO POWER SYSTEMS”, IEEE power
engineering Society.
10. Alberto Solís O. Oscar L. Chacon M. “APLICACIÓN DE REDES NEURONALES
ARTIFICIALES EN INGENIERIA ELECTRICA” RVP-94 EDU-08 julio 1994.
11. Y.-Yih Hsu, C-Chuen Yang, “ DESING OF ARTIFICIAL NEURAL NETWORKS FOR SHORT
TERM LOAD FORECSTING. PART I: SELF ORGANISING FEATURE MAPS FOR DAY TYPE
INDENTIFICATION”, IEE, 1991.
12. Y.-Yih Hsu, C-Chuen Yang, “ DESING OF ARTIFICIAL NEURAL NETWORKS FOR SHORT
TERM LOAD FORECASTING. PART II: MULTILAYER FEEDFORWARD NETWORKS FOR
PEAK LOAD AND VALLEY LOAD FORECASTING”, IEE, 1991
13. Juan G. Gómez G. Tesis de Licenciatura “PRONÓSTICO DE LA DEMANDA DE
 ENERGÍA ELÉCTRICA UTILIZANDO REDES NEURONALES ARTIFICIALES”,
Sección de graduados de la ESIME del IPN. Agosto del 2001 México, D.F
G.F.Filaretov, E.O. Averchenkov, ”USING NEURAL NETS FOR TIME SERIES
FORECASTING”, Published IEEE, 1999.
14. P. Cortez, M. Rocha J. Machado y J. Neves, “A NEURAL METWORK BASED TIME SERIES
FORECASTING SYSTEMS”, Published IEEE, 1995.
15. Alfares, Mohammad Nazeeruddin Hesham K., "Eelectric Load Forecasting: Literature Survey and
Calssification of Methods," Internationa Journal of Systems Science, pp. 23-34, 2002.