Resumen de Modelos de predicción de demanda de energía eléctrica con datos horarios para Uruguay

Bibiana Lanzilotta Mernies, Silvia Rodríguez

• español

  La imposibilidad de almacenar la energía eléctrica hace de la predicción una herramienta indispensable a la hora de gestionar eficientemente su producción. La modelización de la demanda de energía eléctrica permite al ente productor contar con un conocimiento más refinado de los mercados y de los usuarios del sistema, así como con una mejor posición mediante la reducción de la incertidumbre en la toma de decisiones.

  El objetivo de este trabajo consiste en la elaboración de un sistema de predicción para el corto plazo, basado en modelos horarios articulados con los modelos diarios de predicción. Con ese objeto se estiman y evalúan dos propuestas metodológicas para la predicción de la demanda horaria. Por un lado la propuesta base para la comparación consiste en la estimación de un modelo univariante ARIMA-IA para una única serie horaria encadenada que incorpora los efectos de los días especiales, eventos atípicos y un componente SARIMA. Por otro lado se estiman 24 modelos, uno para cada hora del día. Se evalúa la performance predictiva individual de los modelos y se compara el desempeño de ambas alternativas. Finalmente, se compara el desempeño predictivo a un día de estos modelos y se contrasta con los resultados del modelo diario.

• English

  The impossibility of storing electrical energy makes predicting an indispensable tool for an efficient management of electricity production. Providing models of electricity energy demand gives to the producer entity a more accurate knowledge of the market and allows reducing the uncertainty in decision making.

  The objective of this work is to develop a forecasting system for the short term, based on articulated models with daily schedules prediction models. To this aim, two methodological approaches of modeling are evaluated. The first one is based on the estimation of a univariate ARIMA-IA model to a single series of energy demand. This model incorporates the effects of the special days, atypical events and a SARIMA component. The second methodology is based on the estimation of 24 models, one for each hour. Finally, the individual performance of each predictive model is evaluated and contrasted with the results of a daily predictive model.