Pronostico de La Demanda Eléctrica
December 16, 2022 | Author: Anonymous | Category: N/A
Short Description
Download Pronostico de La Demanda Eléctrica...
Description
ESCUELA POLITÉCNICA NACIONAL DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
Nombre: Morocho Quisaguano Juan Andrés Grupo: GR “1” Fecha: Noviembre 11, 2015
PRONÓSTICO DE LA DEMANDA ELÉCTRICA Los pronósticos de demanda son de vital importancia pues permiten obtener un buen planeamiento de la operación de los sistemas eléctricos; además, influyen en la toma de decisiones operativas y estratégicas respecto a que cantidad y a qué precio será conveniente las transacciones con otras empresas del sector. Estos pronósticos al poseer diferentes tiempos de evaluación ayudan a determinar si en algún momento se llegase a obtener déficits en los diferentes campos de dicho sistema, teniendo como consecuencia la implementación de nuevas centrales, líneas de transmisión, entre otros aspectos, con el fin de indicar que existe un exceso en relación con la capacidad de generación y en un futuro satisfacer la demanda energética. La realización de un pronóstico subestimado podría provocar un déficit del sistema frente un alza de la demanda, y por consiguiente comprometer la confiabilidad y seguridad de sistema. Por el contrario si se realizara un pronóstico sobrestimado, los costos de oportunidad pueden ser elevados al tener comprometida improductivamente cuantiosos fondos económicos por largos períodos de tiempo.
Métodos de pronóstico Existen diferentes métodos para pronosticar la demanda de energía de un sistema eléctrico, pero en general a todos estos se los clasifica en 3 grandes grupos:
Métodos estadísticos Métodos basados en inteligencia artificial Métodos de intuición humana
Entre las dificultades que se presenta al momento de realizar pronósticos correctos en la demanda se encuentran: complejidad de sus factores determinantes, características estructurales de los datos, horizontes del pronóstico y las limitantes propias de la metodología utilizada.
Métodos estadísticos Son aquellos basados en análisis de series de tiempo y en los cuales se asume que la demanda es una combinación lineal de variables independientes.
a. a. Regresión lineal () ) () = 0 + () + () + (
ESCUELA POLITÉCNICA NACIONAL DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
Donde:
(): ( (,, í, . ) (): (): ( ) ) 0 , , … , : ó
b. Suavizamiento exponencial () = () ∗ () + () ( () = ∗ ( − 1 ) Donde:
( (): : ó ó (): ():
c. c. Filtro Kalman y estimación de estado ( + 1) = ∅( ) ∗ ( ) + ( ) ( ) = ( ) ∗ ( ) + ( ) Donde:
( ): ó ( ): ( ): ó ó ó ∅( ): ó ó ( ): ó ( ):
d. d. Modelos econométricos de Box-Jenkins
Tabla 1 Modelos de Box – Jenkins o ARIMA [1]
ESCUELA POLITÉCNICA NACIONAL DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
Donde:
(): (): : → ( − ) = ∗ ( () ) : (): ó ó : : ó ó : í í
Figura 1 Modelo esquemático del método Box – Jenkins [1] Métodos basados en inteligencia artificial Estos métodos poseen mejor precisión, ya que considera a la demanda como una función no lineal. La notable ventaja es que no requiere de una formulación muy compleja o correlación cualitativa.
a. a. Sistemas expertos Este sistema toma como referencia el conocimiento declarativo (hechos sobre objetos, situaciones) y el conocimiento de control (información sobre el seguimiento de una acción), la cual es usada para predecir usando un razonamiento (inferencias), explorando e conocimiento de los especialistas para el desarrollo de las reglas de inferencia.
ESCUELA POLITÉCNICA NACIONAL DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
b. b. Lógica difusa Consiste en acotar un grupo de variables de entrada en una salida usando instrucciones lógicas. Las reglas son obtenidas de los datos históricos usando un algoritmo de aprendizaje.
c. Razonamiento inductivo fuzzy (FIR) Este método combina la modelación cualitativa, la cual determina el grupo de las variables de entrada que describen de mejor manera el comportamiento entrada-salida de los datos mediante la identificación de máscaras de correlación y la simulación cualitativa que compara los datos de prueba con sus datos vecinos de la base de datos e interpola entre las salidas previamente observadas. Es decir, aprende y analiza los patrones observados de las señales medidas para luego predecir un comportamiento futuro en base al conocimiento pasado.
d. d. Redes neuronales artificiales (ANN) Modelos no lineales que aprenden, identifican y aproximan de manera eficiente. Entre estos tenemos:
Peceptron multicapa
Red de elementos lineales adaptativos (Madaline)
Redes Feedforward
Redes Feedforward con retardos temporales (TLFN)
Redes recurrentes (Jordan)
Métodos de intuición humana Se fundamentan en la experiencia empírica y varían dependiendo de la aplicación, son simple y fáciles de aplicar pero no son muy precisos.
Método a muy corto plazo
El pronóstico de muy corto plazo tiene un horizonte de unos pocos minutos hasta unas pocas horas. Se emplean para la operación y control del sistema en tiempo real y para la evaluación de la seguridad operativa.
Método a corto plazo El pronóstico de corto plazo tiene ti ene un horizonte de horas, días e incluso unas pocas semanas. Se utiliza para la programación del despacho económico de las unidades de generación, realizar análisis de seguridad y calidad y para la programación de mantenimientos menores de las unidades generadoras
ESCUELA POLITÉCNICA NACIONAL DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
Método a mediano plazo El pronóstico de demanda de energía de mediano plazo tiene un horizonte que puede comprender semanas, meses e incluso hasta cinco años. Este es necesario para planificar las compras de combustibles, realizar el programa de mantenimientos mayores de las unidades de generación, coordinar contratos de compra/venta de energía y realizar evaluaciones de ingresos.
Métodos a largo plazo El pronóstico de demanda de energía de largo plazo tiene un horizonte de previsión de cinco a veinte años. Tienen un papel importante para prever la necesidad de programar la construcción de nuevas centrales de generación de energía eléctrica, expansión del sistema de transmisión de energía y determinar políticas de regulación de precios.
Conclusiones Es indispensable la realización de un pronóstico de demanda de energía eléctrica puesto
que este ayuda a tener un mejor sistema eléctrico, es decir, preparado para alzas de demanda bruscas o que no ocurran de manera fugaz, garantizando la correcta distribución de la energía.
Se logró conocer de mejor manera los diferentes métodos que existen para determinar
el crecimiento de la demanda energética, así como sus ventajas, desventajas y nivel de precisión que tiene cada uno con respecto a otro.
En cuanto a los métodos estadísticos se refiere, el manejo de estos resulta ser el más
complicado ya que implica la utilización de diferentes operadores que en teoría su cálculo implica tiempo y de no existir el equipo necesario, no serían eficientes al momento de analizar un incremento de demanda.
Bibliografía [1]. Herrera O. Lorena del Pilar, “Pronóstico de la Demanda Utilizando Inteligencia artificial”, Tesis,
Escuela
Politécnica
Nacional,
2007.
[Online].
http://bibdigital.epn.edu.ec/bitstream/15000/464/1/CD-0836.pdf
Disponible
en:
ESCUELA POLITÉCNICA NACIONAL DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
[2]. “Avances recientes en la predicción de la demanda de electricidad usando modelos no lineales”.
[Online].
Disponible
en:
http://www.bdigital.unal.edu.co/5431/1/vivianarueda.2011.pdf
[3]. Orellana R. José, “Modelación y Pronóstico de la Demanda de Energía Eléctrica de Mediano Plazo de El Salvador”, Tesis, Universidad del Salvador, 2012. [Online]. Disponible
en:
http://www.matematica.ues.edu.sv/escuela/wp-
content/uploads/2013/05/Tesis-Modelacion-y-pronostico-demanda.pdf
View more...
Comments
