Publication:
PRONÓSTICO DE DEMANDA ELÉCTRICA UNIVARIADA A CORTO PLAZO MEDIANTE APROXIMACIONES ESTADÍSTICAS Y DE INTELIGENCIA ARTIFICIAL. CASO APLICADO A OPERADOR DE SISTEMA DE TRANSMISIÓN FRANCÉS

Simple item page
dc.contributor.advisorKRISTJANPOLLER RODRIGUEZ, WERNER DAVID
dc.contributor.authorABALLAY LEIVA, BASTIÁN ALEXIS
dc.contributor.departmentUniversidad Técnica Federico Santa María. Departamento de Industriases_CL
dc.contributor.otherSCAVIA DAL POZZO, JAVIER
dc.coverage.spatialCasa Central Valparaísoes_CL
dc.date.accessioned2019-05-15T20:33:22Z
dc.date.available2019-05-15T20:33:22Z
dc.date.issued2018
dc.description.abstractEl 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.es_CL
dc.description.abstractShort-term load forecasting (STLF) plays a fundamental role in the e cient planning and operation of power systems. Accurate short-term forecasts help with decisions regarding to unit commitment, economic dispatch, maintenance plans and demand response. Several models have been developed to obtain accurate forecasts, however, few of them are freely available to any practitioner. In this work, statistical and artificial intelligence approaches for one day-ahead electricity demand forecasting are compared. To this end, we use free software environment packages that facilitate time series modelling and non-linear model specification. We focus our comparative analysis to univariate forecast techniques that can be established as benchmark for more complex models. To provide an integrated analysis, Exploratory Data Analysis (EDA) is performed and the necessary visualizations to understand the data are provided. All methods are reviewed and compared among each technique using the RTE French database. Deterministic seasonal encoding for the load series is compared to the seasonal di erencing approach. Autocorrelation function and mutual information preprocessing procedures are considered to perform feature selection of the artificial intelligence input variables. In the numerical experiments, the average mean absolute percent errors of the best models per technique reviewed were less than 3 %. Double seasonal Holt Winters outperforms all models considering one year as test period. Artificial intelligence models were more accurate when double seasonal di erencing was used in the preprocessing stages. This study should be useful to system operators as well as practitioners looking for an introduction to the STLF problem with focus on models at hand.en
dc.description.degreeMAGÍSTER EN CIENCIAS DE LA INGENIERÍA INDUSTRIALes_CL
dc.description.programUNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA UTFSM. DEPARTAMENTO DE INDUSTRIAS. MAGÍSTER EN CIENCIAS DE LA INGENIERÍA INDUSTRIALes_CL
dc.format.extent118es_CL
dc.identifier.barcode3560900259734es_CL
dc.identifier.urihttps://hdl.handle.net/11673/46307
dc.subjectPRONOSTICA DE CARGA A CORTO PLAZOes_CL
dc.subjectESCENARIOS DIARIOSes_CL
dc.subjectSELECCION DE VARIABLESes_CL
dc.subjectANALISIS DE DATOS EXPLORATORIOes_CL
dc.subjectPRECISION DE PRONOSTICOes_CL
dc.titlePRONÓSTICO DE DEMANDA ELÉCTRICA UNIVARIADA A CORTO PLAZO MEDIANTE APROXIMACIONES ESTADÍSTICAS Y DE INTELIGENCIA ARTIFICIAL. CASO APLICADO A OPERADOR DE SISTEMA DE TRANSMISIÓN FRANCÉSes_CL
dc.typeTesis de Postgrado
dspace.entity.typePublication
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
3560900259734UTFSM.pdf
Size:
2.3 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Arq_paso