Arq_paso
Permanent URI for this collection
Browse
Browsing Arq_paso by Author "ABALLAY LEIVA, BASTIÁN ALEXIS"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- PublicationPRONÓSTICO DE DEMANDA ELÉCTRICA UNIVARIADA A CORTO PLAZO MEDIANTE APROXIMACIONES ESTADÍSTICAS Y DE INTELIGENCIA ARTIFICIAL. CASO APLICADO A OPERADOR DE SISTEMA DE TRANSMISIÓN FRANCÉS(2018)
;ABALLAY LEIVA, BASTIÁN ALEXIS ;KRISTJANPOLLER RODRIGUEZ, WERNER DAVID ;Universidad Técnica Federico Santa María. Departamento de IndustriasSCAVIA DAL POZZO, JAVIEREl pronóstico de carga a corto plazo (STLF, por sus siglas en inglés) juega un papel fundamental en la planificación y operación eficiente de los sistemas de energía. Los pronósticos a corto plazo precisos ayudan con las decisiones sobre programación de unidades, transferencia energética, planes de mantenimiento y respuesta a la demanda. Diversos modelos han sido desarrollados para obtener pronósticos precisos, sin embargo, pocos se encuentran disponibles gratuitamente para cualquier practicante. En el presente trabajo se comparan enfoques estadísticos y de inteligencia artificial para el pronóstico de la demanda eléctrica cuyo horizonte es un día en adelante. Para este fin se utilizan paquetes de software gratuito que facilitan el modelamiento de series de tiempo y la especificación de modelos estadísticos así como también no-lineales. El análisis comparativo se enfoca en técnicas de pronóstico univariado que pueden establecerse como punto de referencia para modelos más complejos. Para proporcionar un análisis integrado, se realiza Análisis de Datos Exploratorio (EDA) y las visualizaciones necesarias para comprender los datos son entregadas. Los métodos son revisados y comparados por tipo de técnica utilizando la base de datos proveída de manera libre por el sistema de transmisión francés RTE. La codificación estacional determinística para la serie de carga se compara con el enfoque de diferenciación estacional. Se considera la función de autocorrelación y los procedimientos de preprocesamiento de información mutua para llevar a cabo la selección de variables a utilizar en los modelos de inteligencia artificial. En los experimentos numéricos, el promedio de la media de error absoluta de los mejores modelos por técnica revisada fue inferior al 3 %. El modelo Holt Winters con Estacionalidad Doble supera a todos los modelos considerando un año entero como período de prueba. Los modelos de inteligencia artificial logran mayor precisión cuando la doble diferenciación estacional es utilizada en las etapas de preprocesamiento. Este estudio puede ser de utilidad tanto para los operadores del sistema, así como también para los practicantes que buscan una introducción al problema de STLF, centrándose en modelos disponibles al alcance de la mano.