Modelización de la demanda de energía eléctrica: más allá de la normalidad

• Juan F. Rendón ^[2] ; Alfredo Trespalacios ^[2] ; Lina M. Cortés ^[1] ; Hernán D. Villada-Medina ^[2]
  1. [1] Universidad EAFIT

     Universidad EAFIT

     Colombia

     
  2. [2] Institución Universitaria ITM
• Localización: Revista de métodos cuantitativos para la economía y la empresa, ISSN-e 1886-516X, Vol. 32, 2021, págs. 83-98
• Idioma: español
• Títulos paralelos:
  • Electrical energy demand modeling: beyond normality
• Enlaces
  • Texto completo
• Resumen
  • español

    Este trabajo propone un modelo de demanda de energía eléctrica basado en métodos de series de tiempo y estadística semi-noparamétrica (SNP). Esto permite conocer no solo el valor esperado de la demanda sino también su distribución de probabilidad de manera que, mediante el cálculo de métricas como la Medida de Riesgo de Cuantil (Quantile Risk Metrics), se puedan tomar decisiones basadas en valores extremos menos o más favorables que el valor esperado. Los resultados muestran que para el caso de la demanda de energía eléctrica del mercado colombiano entre los años 2000 y 2018 la distribución de probabilidad de la demanda diaria promedio es leptocúrtica. Es decir, los eventos extremos ocurren con mayor frecuencia que aquellos que suponen una distribución normal. De modo que, el supuesto de distribución gaussiana conlleva a la subvaloración del riesgo en términos de la subvaloración de la frecuencia de valores extremos.

  • English

    This work proposes a model of electrical energy demand based on time series methods and semi-nonparametric statistics (SNP). This allows knowing not only the expected value of the demand but also its probability distribution so that, by calculating metrics such as the Quantile Risk Metrics, decisions can be made based on less or more extreme values favorable than the expected value. The results show that in the case of electricity demand in the Colombian market between 2000 and 2018, the probability distribution of the average daily demand is leptokurtic. That is, extreme events occur more frequently than those assumed by a normal distribution. Thus, the Gaussian distribution assumption leads to undervaluation of risk in terms of undervaluation of the frequency of extreme values.