Comparación de técnicas estadísticas de pronóstico para la demanda de energía eléctrica

Autores/as

  • José Fernando Tabares Muñoz Ingeniero Industrial, Universidad Pontificia Bolivariana. Medellín. Colombia.
  • Carlos Andrés Velásquez Galvis Ingeniero Industrial, Universidad Pontificia Bolivariana. Medellín. Colombia.
  • Marisol Valencia Cárdenas MSc en Estadística. PhD(C) en Ingeniería-Industria y organizaciones. Universidad Nacional de Colombia. Medellín. Colombia.

Palabras clave:

Demanda de Energía, series de tiempo, regresión Gaussiana bayesiana, Colombia, método MCMC.

Resumen

En este artículo se muestra una comparación de tres métodos para realizar pronóstico, aplicados sobre la demanda de energía eléctrica diaria de Colombia. La caracterización del comportamiento y pronóstico de la demanda energética diaria tiene gran importancia para las entidades reguladoras de la energía en Colombia. Cada vez son más las técnicas exploradas con el fin de mejorar los pronósticos de consumo de energía del país; por ello, en este trabajo se muestra una comparación de tres técnicas estadísticas aplicadas a su pronóstico, determinando las ventajas y desventajas de cada una, a partir de sus resultados y cuál es la más eficiente acorde con el indicador de error absoluto medio porcentual (MAPE). Entre los resultados se encuentran eficientes los modelos: econométrico y bayesiano utilizado, pero no muy acertado el modelo estimado SARIMA.

This paper shows a comparison of three methods to do forecasts, applied to electric energy daily demand of Colombia. The characterization of the behavior and forecast of daily energy demand of the country is very important for energy regulators in Colombia. Increasingly explored techniques are created in order to improve forecasts of energy consumption in the country, so this work is a comparison of three statistical techniques applied to forecast it, determining the advantages and disadvantages of each of these from their results and the most efficient according to the indicator: mean absolute percentage error (MAPE). SARIMA techniques are found to be inadequate, whereas econometric and Bayesian method are efficient.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

ANDRIEU, Christophe., et al. An Introduction to MCMC for machine learning. Machine learning [en línea], 2003, vol. 50, p. 5–43. [citado Octubre, 2013]. Disponible en internet: http://link.springer.com/article/10.1023/A:1020281327116.

BARRERA, Carlos Javier., and CORREA, Juan Carlos. Distribución predictiva bayesiana para modelos de pruebas de vida vía MCMC. Revista Colombiana de Estadística. 2008. vol. 31, no2, p. 145–155.

BOX, George., and JENKINS, Gwilym. Time Series Analysis: Forecasting and Control.San Francisco: Holden-Day.1976.

CARIDAD Y OCERIN, José M. Econometria: Modelos Econométricos y series temporales .Ed. Reverté S.A.1998.

GEYER, Charles., and THOMPSON, Elizabeth. Annealing Markov Chain Monte Carlo withapplications to ancestral inference. Journal of the American Statistical Association [En línea]. 1995, vol. 90, no. 431, p. 909–920. [citado octubre, 2013]. [en linea] http://amstat.tandfonline.com/doi/full/10.1080/01621459.1995.10476590.

GILL, Jeff. Bayesian Methods-A social and Behavioral Sciences Approach. 2002. 459 p.

GÓMEZ, Gonzalo., CARREÑO, Juan Carlos., and ZAMBRANO, Juan. Herramienta de software para el pronóstico de demanda horaria de potencia eléctrica en el sistema eléctrico de Codensa S.A. ESP. Tecnura. 2011, vol. 15, no. 28, p. 7-22.

JARQUE, Carlos.,and BERA, AK. Test for Normality of Observations and Regression Residuals. International Statistical, 1987, p.163-172.

LJUNG, Box. On a Measure of a Lack of Fit in Time Series Models. Biometrika, 1978. p. 297-303.

MAKRIDAKIS, Spyros., HIBON, Michel., and MOSER, Claus. Accuracy of Forecasting : An Empirical Investigation of Forecasting : An Empirical Accuracy Investigation. Journal of the Royal Statistical Society, 2011. vol.142, no. 2, p.97–145.

MARTIN, Andrew., QUINN, Kevin., and PARK, Jong Hee. MCMC pack: Markov Chain Monte Carlo in R. En: Journal of Statistical Software, [en línea] 2011. vol. 42, no 9, p. 1–21. [citado 2013]. [en linea] https://www.law.berkeley.edu/files/jstatsoftMCMCpack.pdf.

MEDINA, Santiago.,and GARCIA, Josefina. Predicción de demanda de energía en Colombia mediante un sistema de inferencia difuso neurona. 2005. ISSN 0120-9833, p. 15-24.

MONTGOMERY, Douglas., PECK, Elizabeth., and VINNING, Geoffry. Introduction to Linear Regression Analysis. John Wiley and Sons. 2012. 5th Ed.

MURILLOS, Joaquín., TREJOS, Alvaro., and CARVAJAL, Patricia. Estudio del pronóstico de la demanda de energía eléctrica, utilizando modelos de series de tiempo. Scientia et Technica, 2003, vol. 23, p. 37-40.

RUEDA, Viviana, VELÁSQUEZ, Juan David. and FRANCO, Carlos Jaime. Avances recientes en la predicción de la demanda de electricidad usando modelos no lineales. DYNA, 2011. vol. 78, no. 167, p. 36–43.

Descargas

Publicado

2014-04-30

Número

Sección

Artículos

Artículos más leídos del mismo autor/a