<?xml version="1.0" encoding="ISO-8859-1"?><article xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<front>
<journal-meta>
<journal-id>2409-8752</journal-id>
<journal-title><![CDATA[Revista Científica de la UCSA]]></journal-title>
<abbrev-journal-title><![CDATA[Rev. ciente. UCSA]]></abbrev-journal-title>
<issn>2409-8752</issn>
<publisher>
<publisher-name><![CDATA[Universidad del Cono Sur de las Américas]]></publisher-name>
</publisher>
</journal-meta>
<article-meta>
<article-id>S2409-87522014000100002</article-id>
<title-group>
<article-title xml:lang="es"><![CDATA[Automatización de previsión de demanda horaria de potencia eléctrica en el Sistema Interconectado Nacional]]></article-title>
<article-title xml:lang="en"><![CDATA[Hourly Load Forecast Automation in the National Interconnected System]]></article-title>
</title-group>
<contrib-group>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Barboza]]></surname>
<given-names><![CDATA[OA]]></given-names>
</name>
<xref ref-type="aff" rid="A01"/>
</contrib>
</contrib-group>
<aff id="A01">
<institution><![CDATA[,Universidad del Cono Sur de las Américas  ]]></institution>
<addr-line><![CDATA[Asunción ]]></addr-line>
<country>Paraguay</country>
</aff>
<pub-date pub-type="pub">
<day>00</day>
<month>12</month>
<year>2014</year>
</pub-date>
<pub-date pub-type="epub">
<day>00</day>
<month>12</month>
<year>2014</year>
</pub-date>
<volume>1</volume>
<numero>1</numero>
<fpage>4</fpage>
<lpage>14</lpage>
<copyright-statement/>
<copyright-year/>
<self-uri xlink:href="http://scielo.iics.una.py/scielo.php?script=sci_arttext&amp;pid=S2409-87522014000100002&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://scielo.iics.una.py/scielo.php?script=sci_abstract&amp;pid=S2409-87522014000100002&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://scielo.iics.una.py/scielo.php?script=sci_pdf&amp;pid=S2409-87522014000100002&amp;lng=en&amp;nrm=iso"></self-uri><abstract abstract-type="short" xml:lang="es"><p><![CDATA[La operación electro-energética del SIN debe ser planificada para asegurar el suministro de energía con suficiencia técnica y bajos costos. Esta programación operativa debe considerar restricciones técnicas, como equipos en mantenimiento y generadores indisponibles, aspectos contractuales, etc., así como factores coyunturales como el clima y los feriados especiales, que inciden en el uso de la energía por parte de los diversos grupos de consumidores. En este sentido, la demanda de potencia global del país condiciona la contratación de potencia de las centrales hidroeléctricas, que constituye el principal componente del costo operativo de la ANDE. En este contexto, la operación eficiente del sistema de transmisión, desde el punto de vista técnico y económico, requiere de una estimación precisa de la potencia global demandada en la red, para cada hora de cada día (perfil de la demanda), así como de la consideración de determinadas restricciones, lo que hace necesario el uso de metodologías confiables para estimar dicha demanda y despachar la potencia adecuada desde cada central de generación. Este trabajo analiza las diversas metodologías aplicadas en el sector eléctrico para realizar pronósticos de demanda de corto plazo. Son aplicados abordajes estadísticos (ARIMA) y de Inteligencia Artificial (Red Neuronal Artificial: RNA) para realizar previsiones del perfil de demanda en el Sistema Interconectado Nacional, comparando posteriormente los resultados y analizando los errores de estimación. El modelo Auto Regresivo de Medias Móviles Integrado (ARIMA) es usado como benchmark, para complementar y dar un significado más consistente a las predicciones de la RNA. Los resultados de la investigación demuestran que la estimación del perfil de demanda del SIN puede automatizarse con aceptable precisión, suministrando así una herramienta más de apoyo a las decisiones de contratación de potencia de los agentes responsables y satisfaciendo las condiciones mínimas necesarias que proporcionan una garantía razonable para el adecuado despacho de carga.]]></p></abstract>
<abstract abstract-type="short" xml:lang="en"><p><![CDATA[The electric and energetic operation of the National Interconnected System should be planned to ensure the power supply with technical proficiency and low costs. This operational planning should consider technical constraints, such as equipment maintenance and generators unavailability, contractual issues and so on, as well as economic factors such as weather and holiday dates that affect the use of energy by various consumer groups. In this sense, the overall power demand of the country affects the hiring of hydroelectric power, which is the main component of the operating cost of ANDE. In this context, the efficient operation of the transmission system from the technical and economic terms, requires an accurate estimate of the demanded global power in the network, for each hour of each day (demand profile) and consideration of certain restrictions, making it necessary to use reliable methodologies for estimating such demand and dispatch the appropriate power from each power generation plant. This paper analyzes the various methodologies used for Short Term Load Forecast. They are applied a statistical approach (ARIMA) and artificial intelligence approach (Artificial Neural Network: ANN) for forecasting the load profile on the national grid, then comparing the results and analyzing estimation errors. Auto Regressive Integrated Moving Average Model (ARIMA) is used as a benchmark, to complement the predictions of the ANN method and make it stronger. The research results show that the estimation of the load profile of the National Interconnected System can be automated with acceptable accuracy, thus providing a tool for decision support power procurement officers responsible and meet the minimum requirements necessary to provide reasonable assurance suitable for load dispatch.]]></p></abstract>
<kwd-group>
<kwd lng="es"><![CDATA[perfil de demanda]]></kwd>
<kwd lng="es"><![CDATA[inteligencia artificial]]></kwd>
<kwd lng="es"><![CDATA[Red Neuronal Artificial]]></kwd>
<kwd lng="es"><![CDATA[ARIMA]]></kwd>
<kwd lng="es"><![CDATA[despacho de carga]]></kwd>
<kwd lng="en"><![CDATA[Load Profile, Artificial Intelligence]]></kwd>
<kwd lng="en"><![CDATA[Artificial Neural Network]]></kwd>
<kwd lng="en"><![CDATA[ARIMA]]></kwd>
<kwd lng="en"><![CDATA[Load Dispatch]]></kwd>
</kwd-group>
</article-meta>
</front><body><![CDATA[ <p align="right"><font size="2" face="Verdana, Arial, Helvetica, sans-serif">ARTICULO ORIGINAL</font></p>     <p align="right">&nbsp;</p>     <p><font size="4" face="Verdana, Arial, Helvetica, sans-serif"><b>Automatizaci&oacute;n de previsi&oacute;n de demanda horaria de potencia el&eacute;ctrica en el Sistema Interconectado Nacional</b></font></p>     <p>&nbsp;</p>     <p><font size="3" face="Verdana, Arial, Helvetica, sans-serif"><b>Hourly Load  Forecast Automation in the National Interconnected System</b></font></p>     <p>&nbsp;</p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b><a name="autor"></a><a href="#corres">*</a>Barboza OA</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Administraci&oacute;n  Nacional de Electricidad-ANDE, Asunci&oacute;n, Paraguay</font></p>     <p>&nbsp;</p> <hr>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>RESUMEN</b></font></p>     ]]></body>
<body><![CDATA[<p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La operaci&oacute;n electro-energ&eacute;tica del SIN debe ser planificada para asegurar el  suministro de energ&iacute;a con suficiencia t&eacute;cnica y bajos costos. Esta programaci&oacute;n operativa debe considerar restricciones t&eacute;cnicas, como equipos en mantenimiento y generadores indisponibles, aspectos contractuales, etc., as&iacute; como factores coyunturales como el clima y los feriados especiales, que inciden en el uso de la energ&iacute;a por parte de los diversos grupos de consumidores. En este sentido, la demanda de potencia global del pa&iacute;s condiciona la contrataci&oacute;n de potencia de las centrales hidroel&eacute;ctricas, que constituye el principal componente del  costo operativo de la ANDE. En este contexto, la operaci&oacute;n eficiente del sistema de transmisi&oacute;n, desde el punto de vista t&eacute;cnico y econ&oacute;mico, requiere de una estimaci&oacute;n precisa de la potencia global demandada en la red, para cada  hora de cada d&iacute;a (perfil de la demanda), as&iacute; como de la consideraci&oacute;n de determinadas restricciones, lo que hace necesario el uso de metodolog&iacute;as confiables para estimar dicha demanda y despachar la potencia adecuada desde cada central de generaci&oacute;n. Este trabajo analiza las diversas metodolog&iacute;as aplicadas en el sector el&eacute;ctrico para realizar pron&oacute;sticos de demanda de corto plazo. Son aplicados abordajes estad&iacute;sticos (ARIMA) y de Inteligencia  Artificial (Red Neuronal Artificial: RNA) para realizar previsiones del perfil de demanda en el Sistema Interconectado Nacional, comparando posteriormente los resultados y analizando los errores de estimaci&oacute;n. El modelo Auto Regresivo de Medias M&oacute;viles Integrado (ARIMA) es usado como benchmark, para complementar y dar un significado m&aacute;s consistente a las predicciones de la RNA. Los resultados de la investigaci&oacute;n demuestran que la estimaci&oacute;n del perfil de demanda del SIN puede automatizarse con aceptable precisi&oacute;n, suministrando as&iacute; una herramienta m&aacute;s de apoyo a las decisiones de contrataci&oacute;n de potencia de los agentes responsables y satisfaciendo las condiciones m&iacute;nimas necesarias que proporcionan una garant&iacute;a  razonable para el adecuado despacho de carga.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Palabras clave:</b> perfil de demanda, inteligencia  artificial, Red Neuronal Artificial, ARIMA, despacho de carga.</font></p> <hr>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>ABSTRACT</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">The electric  and energetic operation of the National Interconnected System should be planned  to ensure the power supply with technical proficiency and low costs. This  operational planning should consider technical constraints, such as equipment  maintenance and generators unavailability, contractual issues and so on, as  well as economic factors such as weather and holiday dates that affect the use  of energy by various consumer groups. In this sense, the overall power demand  of the country affects the hiring of hydroelectric power, which is the main  component of the operating cost of ANDE. In this context, the efficient  operation of the transmission system from the technical and economic terms,  requires an accurate estimate of the demanded global power in the network, for  each hour of each day (demand profile) and consideration of certain  restrictions, making it necessary to use reliable methodologies for estimating  such demand and dispatch the appropriate power from each power generation  plant. This paper analyzes the various methodologies used for Short Term Load  Forecast. They are applied a statistical approach (ARIMA) and artificial  intelligence approach (Artificial Neural Network: ANN) for forecasting the load  profile on the national grid, then comparing the results and analyzing  estimation errors. Auto Regressive Integrated Moving Average Model (ARIMA) is  used as a benchmark, to complement the predictions of the ANN method and make  it stronger. The research results show that the estimation of the load profile  of the National Interconnected System can be automated with acceptable accuracy,  thus providing a tool for decision support power procurement officers  responsible and meet the minimum requirements necessary to provide reasonable  assurance suitable for load dispatch.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Keywords:</b> Load Profile, Artificial Intelligence, Artificial Neural Network, ARIMA, Load Dispatch.</b></font></p> <hr>     <p>&nbsp;</p>     <p>&nbsp;</p>     <p><font size="3" face="Verdana, Arial, Helvetica, sans-serif"><b>INTRODUCCIÓN</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">El pron&oacute;stico de la demanda de energ&iacute;a el&eacute;ctrica se encuentra en el n&uacute;cleo de  varios procesos operacionales, incluyendo planificaci&oacute;n, programaci&oacute;n y control de la operaci&oacute;n de sistemas de potencia. En el tradicional escenario  centralizado, los sistemas de potencia son planeados, dise&ntilde;ados y operados como un todo, usando el pron&oacute;stico de la demanda de corto plazo (STLF: Short Term  Load Forecast, por sus siglas en ingl&eacute;s) principalmente para garantizar la confiabilidad  del suministro. En escenarios competitivos, pron&oacute;sticos de demanda son usados  por agentes comercializadores como una variable de referencia para el  planteamiento de ofertas, adem&aacute;s de ser de fundamental importancia en la  determinaci&oacute;n de los precios de energ&iacute;a el&eacute;ctrica.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">El objetivo de este trabajo es presentar una s&iacute;ntesis de los principales  resultados de los estudios realizados para el desarrollo de un modelo  computacional que permite predecir con aceptable precisi&oacute;n la demanda horaria  de potencia el&eacute;ctrica en el SIN.</font></p>     ]]></body>
<body><![CDATA[<p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Este trabajo analiza las particularidades de las series de demanda de potencia  el&eacute;ctrica en el SIN, la influencia de variables ex&oacute;genas y la adecuaci&oacute;n de diversas t&eacute;cnicas de predicci&oacute;n de uso extendido en el contexto de STLF. La herramienta  seleccionada para la predicci&oacute;n del perfil de demanda diaria en el SIN es una  t&eacute;cnica de inteligencia artificial de ampliamente utilizada en el sector  el&eacute;ctrico: Redes Neurales Artificiales (RNA).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Las RNA  han recibido &uacute;ltimamente mucha atenci&oacute;n en el &aacute;mbito de STLF y un gran n&uacute;mero  de art&iacute;culos han reportado experimentos exitosos con ellas. Dada una muestra de vectores de entrada y de salida, las RNA son capaces de mapear autom&aacute;ticamente  las relaciones entre ellos. Las RNA &ldquo;aprenden&rdquo; estas relaciones y almacenan este aprendizaje en sus  par&aacute;metros. Puede probarse que las RNA son particularmente &uacute;tiles cuando se  posee una gran cantidad de datos, pero poco o ning&uacute;n conocimiento previo acerca  de las leyes que rigen el sistema que genera tales datos (1).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Asimismo,  han sido empleadas t&eacute;cnicas estad&iacute;sticas para validar los resultados de m&eacute;todos  prospectivos m&aacute;s sofisticados. El modelo ARIMA es un modelo univariante que utiliza variaciones y regresiones de series temporales, con el fin de encontrar  patrones para una predicci&oacute;n futura. En el &aacute;mbito del pron&oacute;stico de la demanda  de corto plazo, esta t&eacute;cnica es usada generalmente como referencia (benchmark),  a efectos de verificar el desempe&ntilde;o de otros modelos de pron&oacute;stico de la  demanda (2).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Las siguientes secciones describen los fundamentos te&oacute;ricos de las series de demanda, del modelo ARIMA y de las RNA, la metodolog&iacute;a aplicada y los  resultados obtenidos, adem&aacute;s de las conclusiones del estudio.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Previsi&oacute;n de demanda</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">El n&uacute;cleo de la contrataci&oacute;n econ&oacute;mica de potencia lo constituye la estimaci&oacute;n adecuada  del perfil de la demanda. En este sentido, los modelos de pron&oacute;stico de demanda de corto plazo o STLF mencionados, pueden ser clasificados b&aacute;sicamente en dos  categor&iacute;as (3):</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Abordajes  estad&iacute;sticos basados en series temporales:</b> se distinguen  m&eacute;todos Univariantes (la demanda es modelada como una funci&oacute;n de sus valores  pasados observados) y Multivariantes (la demanda es modelada como una funci&oacute;n  de algunos factores ex&oacute;genos, especialmente, variables clim&aacute;ticas y sociales). Los m&eacute;todos Univariantes, como el ARIMA  y modelos de Suavizado Exponencial, son usados actualmente como  referencia, para prop&oacute;sitos de comparaci&oacute;n. Modelos Multivariantes, empleando  variables ex&oacute;genas explicativas, a menudo denominados ARIMAX y modelos de funciones de transferencia lineal con transformaciones no lineales de las  variables de entrada son necesarios para anticipar los efectos clim&aacute;ticos y  aquellos asociados a las particularidades del calendario en los h&aacute;bitos de  consumo.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Abordajes  basados en t&eacute;cnicas de inteligencia artificial:</b> sistemas expertos, Redes Neurales Artificiales (RNA), l&oacute;gica fuzzy y M&aacute;quinas de Soporte Vectorial  (SVM: Supported Vector Machines, por sus siglas en ingl&eacute;s), son los principales  paradigmas de inteligencia artificial aplicados al problema de pron&oacute;stico de  demanda de corto plazo.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Desde la  d&eacute;cada de 1990, un gran n&uacute;mero de investigaciones fueron dedicadas a la  aplicaci&oacute;n emp&iacute;rica de RNA al problema del pron&oacute;stico de demanda de corto  plazo. Las ventajas de las redes neurales son su capacidad universal de  aproximar num&eacute;ricamente cualquier funci&oacute;n continua, pero al mismo tiempo,  adolecen la desventaja de correr el riesgo de sobre ajustar sus par&aacute;metros, lo  que puede conducir a un pobre desempe&ntilde;o en las previsiones de demanda (4).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Particularidades  de las series de demanda</b></font></p>     ]]></body>
<body><![CDATA[<p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Las  series temporales de demanda son complejas y exhiben sendos niveles de  estacionalidad: la demanda en una hora determinada depende no solo de la  demanda en la hora previa, sino tambi&eacute;n de la demanda a la misma hora del d&iacute;a  anterior y de la carga en la misma hora del d&iacute;a de la misma denominaci&oacute;n de la  semana previa. Las series de demanda muestran adem&aacute;s tendencias, usualmente  positiva o creciente, din&aacute;micas de corto plazo, dependencia de eventos relacionados  al calendario y efectos no lineales de variables meteorol&oacute;gicas. La tendencia  en la demanda esta usualmente asociada a factores econ&oacute;micos y demogr&aacute;ficos,  mientras que las otras caracter&iacute;sticas est&aacute;n relacionadas con variaciones  clim&aacute;ticas y del comportamiento humano.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Factores  derivados de variables meteorol&oacute;gicas como la temperatura, radiaci&oacute;n solar,  humedad, velocidad del viento, nubosidad, duraci&oacute;n de brillo solar o  precipitaciones, han sido empleados como variables ex&oacute;genas para mejorar el  pron&oacute;stico de la demanda. Sin embargo, gran parte de las publicaciones usa solo  la temperatura, debido a la indisponibilidad de registros confiables de  mediciones de las dem&aacute;s variables.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>ARIMA</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">En un modelo de series temporales univariante se puede descomponer la serie Y<sub>t</sub> en  dos partes, una que recoge el patr&oacute;n de regularidad, o parte sistem&aacute;tica, y otra parte puramente aleatoria, denominada tambi&eacute;n &ldquo;innovaci&oacute;n&rdquo; La parte  sistem&aacute;tica es la parte predecible con  el conjunto de informaci&oacute;n que se utiliza para construir el modelo. La innovaci&oacute;n es una parte aleatoria.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">A la hora de construir un modelo estad&iacute;stico, el problema consiste en formular la parte  sistem&aacute;tica de manera que el elemento residual sea una innovaci&oacute;n (ruido  blanco). En el caso de los procesos estacionarios con distribuci&oacute;n normal y  media cero, la teor&iacute;a de procesos estoc&aacute;sticos se&ntilde;ala que, bajo condiciones muy  generales, Y<sub>t</sub> se puede  expresar como combinaci&oacute;n lineal de los valores pasados infinitos de Y m&aacute;s una  innovaci&oacute;n ruido blanco, esta representaci&oacute;n es puramente auto-regresiva (AR).  El valor de Y<sub>t</sub> tambi&eacute;n se puede representar como la combinaci&oacute;n lineal del ruido blanco y su pasado infinito, esta representaci&oacute;n es puramente  de medias m&oacute;viles(MA).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Ambas representaciones son igualmente v&aacute;lidas para los procesos estoc&aacute;sticos  estacionarios, es decir, procesos cuyas variables aleatorias tienen la misma  media finita, tienen la misma varianza finita y las autocovarianzas solo  dependen del n&uacute;mero de periodos de separaci&oacute;n entre las variables y no del tiempo. Estos procesos adem&aacute;s deben ser no anticipantes e invertibles. El modelo finito  donde el valor de Y<sup>t</sup> depende del pasado de Y hasta el momento t-p (parte auto-regresiva), de la innovaci&oacute;n  contempor&aacute;nea y su pasado hasta el momento t-q (parte medias m&oacute;viles), se  denomina autorregresivo  de Medias M&oacute;viles de orden (p;q), y se denota por ARMA (p;q).</font> </p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Si un  modelo ARMA, que representa el comportamiento de un proceso Y<sub>t</sub>, donde el polinomio autorregresivo posee &ldquo;p-d&rdquo; ra&iacute;ces con m&oacute;dulo fuera del c&iacute;rculo unidad y &ldquo;d&rdquo; ra&iacute;ces unitarias (proceso no estacionario), se denomina  proceso integrado de orden &ldquo;d&rdquo;. Es decir, un proceso Y<sub>t</sub>, es  integrado de orden d, I(d), si Yt no es estacionario pero su  diferencia de orden d, &Delta;<sup>d</sup>Y<sub>t</sub> sigue un proceso ARMA (p-d;q), estacionario e invertible. El orden de integraci&oacute;n del proceso es el n&uacute;mero  de diferencias que se debe tomar al proceso para conseguir la estacionariedad  en media. Este modelo se denomina modelo Autorregresivo Integrado de Medias M&oacute;viles  de orden (p,d,q) o ARIMA (p;d;q), donde p es el orden del polinomio autorregresivo  estacionario, d es el orden de integraci&oacute;n de la serie, es decir, el n&uacute;mero de  diferencias que se debe tomar a la serie para que sea estacionaria, y q es el orden del polinomio de medias m&oacute;viles invertible.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Redes Neurales Artificiales</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La unidad b&aacute;sica de una RNA es la neurona artificial, que recibe informaci&oacute;n num&eacute;rica a trav&eacute;s de un cierto n&uacute;mero de nodos de entrada, la procesa internamente y suministra una salida. El proceso es realizado en dos etapas. En primer lugar, los valores de entrada son combinados linealmente, luego, el resultado es usado  como el argumento de una funci&oacute;n de activaci&oacute;n o transferencia no lineal. La combinaci&oacute;n lineal emplea pesos, atributos de cada conexi&oacute;n y un t&eacute;rmino de umbral constante. Las RNA est&aacute;n compuestas de varias neuronas operando  simult&aacute;neamente. T&iacute;picamente, una red es ajustada o entrenada de manera que, un conjunto particular de entradas, origine una salida espec&iacute;fica (objetivo). Es  decir, los pesos que unen los diversos nodos de una RNA y los umbrales de cada neurona son ajustados comparando la salida de la red con la salida objetivo,  hasta que ambas salidas sean pr&aacute;cticamente iguales.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La manera  en que las neuronas son organizadas define la Arquitectura de la red. Una de  las arquitecturas m&aacute;s empleadas para los pron&oacute;sticos de demanda de corto plazo  es la del tipo Perceptr&oacute;n Multicapa (MLP, por sus siglas en ingl&eacute;s: Multil-Layer Perceptron), en que las neuronas son organizadas en capas. Las  neuronas en cada capa pueden compartir las mismas entradas, pero no est&aacute;n  conectadas unas con otras en la misma capa. Si la estructura es con  alimentaci&oacute;n hacia delante (feed-forward) las salidas de una capa son usadas como las entradas de la capa siguiente. Las capas entre los nodos de entrada y  la capa de salida son llamadas capas ocultas. En aplicaciones de pron&oacute;stico de la demanda, esta forma b&aacute;sica de arquitectura multicapa con alimentaci&oacute;n hacia  delante continua siendo la arquitectura m&aacute;s popular en la actualidad (2).</font></p>     ]]></body>
<body><![CDATA[<p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Los par&aacute;metros de este tipo de redes son la matriz de pesos y el vector de umbrales. La  estimaci&oacute;n de los par&aacute;metros es conocida como &ldquo;entrenamiento&rdquo; de la red, y es  hecha por la minimizaci&oacute;n de una determinada funci&oacute;n (usualmente, una funci&oacute;n cuadr&aacute;tica del error  de salida). El primer algoritmo de entrenamiento que fue ideado es el de &ldquo;propagaci&oacute;n hacia atr&aacute;s&rdquo; (back-propagation) que usa una t&eacute;cnica de reducci&oacute;n por pasos basado en el c&aacute;lculo del gradiente de una funci&oacute;n de desempe&ntilde;o respecto a los par&aacute;metros de la red.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Metodologia aplicada</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Existen  muchos reportes de aplicaciones exitosas de RNA, particularmente en el campo de reconocimiento y clasificaci&oacute;n de patrones. Considerando que los pron&oacute;sticos cuantitativos est&aacute;n basados en la extracci&oacute;n de patrones de eventos observados y la  extrapolaci&oacute;n de estos patrones a eventos futuros, puede esperarse que las RNA sean buenas candidatas para realizar esta tarea. Esta idea es apoyada por al  menos dos razones: primero, las RNA son capaces de aproximar num&eacute;ricamente cualquier funci&oacute;n continua, con la precisi&oacute;n deseada. En segundo lugar, las RNA son  m&eacute;todos donde los resultados y las conclusiones son obtenidos a partir de los datos. En este sentido, no es necesario postular modelos tentativos y luego estimar sus par&aacute;metros.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Con vistas a automatizar la previsi&oacute;n de demanda en el SIN, fueron desarrolladas y  probadas varias RNA. Los datos de demanda horaria correspondientes a los a&ntilde;os 2011 y 2012 fueron empleados para el efecto, considerando los valores de  demanda de potencia del SIN de cada hora del d&iacute;a como series temporales  distintas, es decir, se consideraron 24 series, para las cuales fueron  desarrolladas 24 RNA respectivamente. Por tanto, la predicci&oacute;n de cada hora es  independiente. Se procedi&oacute; de esta manera debido a que con ello, cada RNA  resultante tiene menor cantidad de par&aacute;metros (en relaci&oacute;n a una sola RNA con  24 nodos de salida), con lo que el riesgo de sobre ajustar los mismos  disminuye, logrando predicciones de mayor precisi&oacute;n (4).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Pre-procesamiento de datos</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">El factor m&aacute;s importante para determinar la forma del perfil de la demanda es el  calendario. Los perfiles de los d&iacute;as laborales de la semana usualmente difieren en gran medida de los correspondientes a los fines de semana y feriados. As&iacute;,  la clasificaci&oacute;n b&aacute;sica se realiz&oacute; mediante un c&oacute;digo binario, en tres tipos de d&iacute;as: d&iacute;as de entresemana (lunes a viernes), s&aacute;bados, y domingos y feriados.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">El segundo factor en importancia que afecta el perfil de la demanda es el clima. Como principal variable clim&aacute;tica, en este trabajo fue empleada la temperatura  diaria m&aacute;xima ponderada, considerando las mediciones realizadas en las estaciones meteorol&oacute;gicas de Asunci&oacute;n,  Ciudad del Este, Villarrica, Encarnaci&oacute;n y Concepci&oacute;n, representativas  respectivamente, de los Sistemas Metropolitano, Este, Central, Sur y  Norte-Oeste.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Por otro  lado, y a efectos de caracterizar en cierto modo la estacionalidad anual de las  series de demanda, cada mes del a&ntilde;o fue representado por su Humedad Relativa  media mensual, Velocidad del Viento media mensual y Precipitaci&oacute;n media  mensual. </font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Dise&ntilde;o de la RNA</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La  arquitectura de RNA seleccionada en este trabajo es la denominada Perceptr&oacute;n  Multicapa (MLP), con alimentaci&oacute;n hacia delante, completamente conectada. Se  procedi&oacute; as&iacute; debido a que este trabajo constituye un esfuerzo pionero de  aplicaci&oacute;n de RNA a la previsi&oacute;n de demanda en Paraguay y considerando que  dicha arquitectura es la de uso m&aacute;s extendido en el contexto de STLF. Para la  implementaci&oacute;n de las RNA se recurri&oacute; a la plataforma MatLab<sup>&reg;</sup> Neural  Network Toolbox<sup>TM</sup>.</font></p>     ]]></body>
<body><![CDATA[<p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Ha sido  demostrado que una sola capa oculta es suficiente para aproximar cualquier  funci&oacute;n continua (3), por lo que las RNA correspondientes a cada una de las 24  horas del d&iacute;a, usadas en este trabajo, poseen una sola capa oculta. La funci&oacute;n  de activaci&oacute;n (transferencia) de cada una de las neuronas de la capa oculta es  la funci&oacute;n Tangente Hiperb&oacute;lica Sigmoidea, mientras que la funci&oacute;n de  activaci&oacute;n de la &uacute;nica neurona de la capa de salida (pron&oacute;stico multimodelo, 24  RNA en paralelo) es una funci&oacute;n lineal.</font></p>      <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">En cuanto  a la cantidad de neuronas de la capa oculta, las mismas fueron establecidas en  base a simulaciones y ensayos de prueba y error, tom&aacute;ndose el promedio de los errores cuadr&aacute;ticos medios de cada configuraci&oacute;n en 30 simulaciones con  condiciones iniciales diferentes, a efectos de obtener un modelo robusto para cada hora.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Cada RNA  correspondiente a cada hora del d&iacute;a, tiene 13 entradas. Para emular las condiciones y los datos disponibles al momento de hacer la predicci&oacute;n de  demanda del d&iacute;a siguiente en el Despacho de Carga de la ANDE, se consideran  como entradas las demandas de la misma hora del d&iacute;a anterior y las demandas de  5 horas antes en ese d&iacute;a. Otra entrada es la demanda de la misma hora del d&iacute;a  de la misma denominaci&oacute;n en la semana anterior. Por su parte, la clasificaci&oacute;n  del tipo de d&iacute;a (entresemana, s&aacute;bados, domingos y feriados) ocupa dos entradas  (c&oacute;digo binario), mientras que la temperatura m&aacute;xima ponderada del d&iacute;a y la  caracterizaci&oacute;n del mes (Humedad Relativa, Velocidad del Viento y Precipitaci&oacute;n  medias mensuales) ocupan las cuatro entradas restantes.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Implementaci&oacute;n de la RNA</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">El algoritmo de entrenamiento seleccionado para el ajuste de los par&aacute;metros de las  RNA es el Algoritmo de propagaci&oacute;n hacia atr&aacute;s (Backpropagation, implementado  en MatLab&reg; mediante el algoritmo de Levenberg-Marquardt), que es una  generalizaci&oacute;n de la regla de aprendizaje de Widrow-Hoff aplicada a las redes  multicapa con funciones de transferencia no lineales diferenciables. Este es un  algoritmo gradiente - descendente, en que los par&aacute;metros de la red son  ajustados en la direcci&oacute;n negativa del gradiente de la funci&oacute;n de desempe&ntilde;o  (performance) de la RNA, que es la funci&oacute;n de Error Cuadr&aacute;tico Medio (MSE: Mean  Square Error, por sus siglas en ingles).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Para evitar  el problema de la sobreparametrizaci&oacute;n (overfitting) y lograr un desempe&ntilde;o  adecuado, durante el entrenamiento son empleados dos recursos (4): validaci&oacute;n  cruzada (cross-validation) y detenci&oacute;n temprana (early stopping).</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La  validaci&oacute;n cruzada separa aleatoriamente los vectores de entrada con sus correspondientes salidas en tres grupos: entrenamiento (60 %), validaci&oacute;n (20 %) y  prueba (20 %). Realiza el ajuste de par&aacute;metros con el conjunto de entrenamiento, monitoreando  el MSE de los pron&oacute;sticos en el conjunto de validaci&oacute;n y dejando el conjunto de  prueba para verificar la precisi&oacute;n de la red en un conjunto de datos que no es  visible a la RNA durante su entrenamiento. Por su parte, la detenci&oacute;n temprana verifica el error en la muestra de validaci&oacute;n a cada iteraci&oacute;n de ajuste en la  muestra de entrenamiento, cuando dicho error se incrementa por determinado n&uacute;mero de iteraciones, el entrenamiento se detiene.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><b>Validaci&oacute;n de la RNA</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La teor&iacute;a plantea que la validaci&oacute;n de un modelo de RNA ha sido  adecuadamente realizada si: a) su desempe&ntilde;o fue comparado con el desempe&ntilde;o de  m&eacute;todos de previsi&oacute;n aceptados (ARIMA, ARMAX, m&eacute;todos de regresi&oacute;n); b) la  comparaci&oacute;n ha sido realizada en muestras de prueba (diferentes a la de  entrenamiento) y c) el tama&ntilde;o de las muestras de prueba es adecuado, de manera  que algunas inferencias pueden ser esbozadas.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">En este trabajo, se emplea el modelo ARIMA para comparaci&oacute;n de los  datos, correspondientes a la muestra de prueba, definida durante la fase de entrenamiento. Las funciones MAPE y MSE son usadas para verificar la precisi&oacute;n  de las predicciones de la RNA.</font></p>     ]]></body>
<body><![CDATA[<p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">En el contexto de STLF, las medidas de precisi&oacute;n m&aacute;s populares son el Error Absoluto Medio Porcentual (MAPE, por sus siglas en ingl&eacute;s: Mean Absolute Percentage Error), as&iacute; como el MSE. El MAPE captura la proporcionalidad entre el error de predicci&oacute;n absoluto y la demanda real, permitiendo una interpretaci&oacute;n sencilla, lo que lo posiciona en el sector el&eacute;ctrico como un est&aacute;ndar de medida de precisi&oacute;n en STLF. Valores t&iacute;picos de MAPE para predicciones de perfiles de demanda (pr&oacute;ximas 24 horas) se encuentran entre el  1 y 4 % (2,3). Se calcula mediante la siguiente<a href="#1a02ec1"> f&oacute;rmula</a>:</font></p>     <p>&nbsp;</p>     <p align="center"><a name="1a02ec1"></a><img src="/img/revistas/ucsa/v1n1/1a02ec1.jpg"></p>     <p align="center">&nbsp;</p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Las predicciones del perfil de demanda diaria del SIN mediante RNA, correspondientes a valores  registrados entre los a&ntilde;os 2011 y 2012, mostraron precisi&oacute;n aceptable en relaci&oacute;n con los resultados encontrados. La figura siguiente muestra el MSE de  la red correspondiente a las 21:00 horas (hora critica en relaci&oacute;n a la previsi&oacute;n, ya que en torno a ella se produce la demanda m&aacute;xima simultanea del  SIN) en funci&oacute;n al n&uacute;mero de iteraciones del proceso de entrenamiento (epoch).  Puede verse que inicialmente el MSE es elevado y va decayendo. Luego de algunas iteraciones el MSE es pr&aacute;cticamente constante, es decir, la <a href="#1a02f1">figura 1</a> muestra el  proceso de aprendizaje de la RNA. Los resultados son auspiciosos, ya que el menor MSE ocurre pr&aacute;cticamente en la misma iteraci&oacute;n para los conjuntos de  Validaci&oacute;n y Prueba, caso contrario, puede asumirse un pobre desempe&ntilde;o de la  RNA.</font></p>     <p>&nbsp;</p>     <p align="center"><a name="1a02f1"></a><img src="/img/revistas/ucsa/v1n1/1a02f1.jpg"></p>     <p>&nbsp;</p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Por su parte, la <a href="#1a02f2">Figura 2 </a>muestra un breve análisis de regresión entre las salidas de la RNA correspondiente a las 21:00 horas y los valores registrados. Las salidas “siguen” adecuadamente los valores registrados para los conjuntos de entrenamiento, validación y prueba y los valores del coeficiente de correlación R se encuentra ligeramente por debajo de 0,95 para el total de las predicciones.</font></p>     <p align="center"><a name="1a02f2"></a><img src="/img/revistas/ucsa/v1n1/1a02f2.jpg"></p>     ]]></body>
<body><![CDATA[<p align="center">&nbsp;</p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La <a href="#1a02f3">Figura 3</a> proporciona una visi&oacute;n global de la precisi&oacute;n de las predicciones de la misma RNA considerada  en las figuras precedentes, graficando los valores de demanda registrados versus los valores pronosticados por la RNA a lo largo del periodo 2011-2012 (731 d&iacute;as).</font></p>     <p>&nbsp;</p>     <p align="center"><a name="1a02f3"></a><img src="/img/revistas/ucsa/v1n1/1a02f3.jpg"></p>     <p align="center">&nbsp;</p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Finalmente, cabe resaltar que el MAPE calculado con la ecuaci&oacute;n (1) correspondiente a las muestras de prueba (146 d&iacute;as, 3504 horas), obtenido mediante las 24 RNA operando en paralelo fue  de 1,35 %, mientras que el MAPE obtenido mediante el modelo ARIMA (1; 1; 2) fue de 3,84 %.</font></p>     <p>&nbsp;</p>     <p><font size="3" face="Verdana, Arial, Helvetica, sans-serif"><b>CONCLUSIÓN</b></font></p>      <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Los resultados obtenidos en el  presente trabajo se&ntilde;alan que las RNA proporcionan una plataforma adecuada para  la automatizaci&oacute;n de la demanda de potencia el&eacute;ctrica en el SIN. La precisi&oacute;n  de las predicciones se encuentra dentro de los m&aacute;rgenes reportados.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">A diferencia de los modelos  estad&iacute;sticos, las RNA pueden responder con gran flexibilidad a cambios  considerables en el patr&oacute;n de comportamiento de los consumidores, por lo que  pueden adaptarse con mayor facilidad a modificaciones estructurales en el mercado  de energ&iacute;a el&eacute;ctrica.</font></p>     ]]></body>
<body><![CDATA[<p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">La aplicaci&oacute;n efectiva de la  metodolog&iacute;a aqu&iacute; propuesta para la predicci&oacute;n de la demanda horaria del SIN  como insumo fundamental para la programaci&oacute;n de la operaci&oacute;n electro energ&eacute;tica  de la red el&eacute;ctrica del Paraguay est&aacute; sujeta a criterios operativos  relacionados con la precisi&oacute;n requerida, as&iacute; como a potenciales mejoras en el  modelo sugerido, explorando diferentes variables climatol&oacute;gicas, aumentando la  cantidad de datos usados para entrenar las RNA o inclusive, modificando la arquitectura  de la red aqu&iacute; presentada.</font></p>      <p>&nbsp;</p>     <p><font size="3" face="Verdana, Arial, Helvetica, sans-serif"><b>REFERENCIAS BIBLIOGR&Aacute;FICAS</b></font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Bansal, R.C.&amp; Pandey, J.C.(2005).&ldquo;Load forecasting using artificial intelligence techniques: a literature survey&rdquo;. <i>Int J Comput Appl Technol</i>, 22(2-3),109-9.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Soares, L.J. &amp; Medeiros MC. (2008). &ldquo;Modeling and forecasting short-term electricity load: a comparison of methods with a application to Brazilian data&rdquo;. <i>Int. J Forecast,</i> 24, 630-44.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Taylor, J.W. &amp; McSharry, P.E. (2008). &ldquo;Short-term load forecasting methods: an evaluation based on european data&rdquo;.<i>IEEE Trans Power Syst, </i>22, 2213-6.</font></p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif">Hippert, H.S., Bunn, D.W. &amp; Souza, R.C. (2005). &ldquo;Large neural networks for electricity load forecasting: are they overfitted?.&rdquo; <i>Int. J Forecast,</i> 21(3), 425-34.</font></p>     <p>&nbsp;</p>     <p><font size="2" face="Verdana, Arial, Helvetica, sans-serif"><i><a name="corres"></a><a href="#autor">*</a>Autor Correspondiente: Oscar Barboza. Administraci&oacute;n Nacional de  Electricidad-ANDE. Asunci&oacute;n, Paraguay    <br> E-mail: <a href="mailto: oscar_barboza@ande.gov.py">oscar_barboza@ande.gov.py</a>    ]]></body>
<body><![CDATA[<br> Fecha de recepci&oacute;n: setiembre 2014; Fecha de aceptaci&oacute;n: noviembre 2014</i></font></p>      ]]></body><back>
<ref-list>
<ref id="B1">
<nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Bansal]]></surname>
<given-names><![CDATA[R.C.]]></given-names>
</name>
<name>
<surname><![CDATA[Pandey]]></surname>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Load forecasting using artificial intelligence techniques: a literature survey]]></article-title>
<source><![CDATA[Int J Comput Appl Technol]]></source>
<year>2005</year>
<volume>22</volume>
<numero>2-3</numero>
<issue>2-3</issue>
<page-range>109-9</page-range></nlm-citation>
</ref>
<ref id="B2">
<nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Soares]]></surname>
<given-names><![CDATA[L.J.]]></given-names>
</name>
<name>
<surname><![CDATA[Medeiros]]></surname>
<given-names><![CDATA[MC]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Modeling and forecasting short-term electricity load: a comparison of methods with a application to Brazilian data]]></article-title>
<source><![CDATA[Int. J Forecast]]></source>
<year>2008</year>
<volume>24</volume>
<page-range>630-44</page-range></nlm-citation>
</ref>
<ref id="B3">
<nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Taylor]]></surname>
<given-names><![CDATA[J.W.]]></given-names>
</name>
<name>
<surname><![CDATA[McSharry]]></surname>
<given-names><![CDATA[P.E.]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Short-term load forecasting methods: an evaluation based on european data]]></article-title>
<source><![CDATA[IEEE Trans Power Syst]]></source>
<year>2008</year>
<volume>22</volume>
<page-range>2213-6</page-range></nlm-citation>
</ref>
<ref id="B4">
<nlm-citation citation-type="journal">
<person-group person-group-type="author">
<name>
<surname><![CDATA[Hippert]]></surname>
<given-names><![CDATA[H.S.]]></given-names>
</name>
<name>
<surname><![CDATA[Bunn]]></surname>
<given-names><![CDATA[D.W.]]></given-names>
</name>
<name>
<surname><![CDATA[Souza]]></surname>
<given-names><![CDATA[R.C.]]></given-names>
</name>
</person-group>
<article-title xml:lang="en"><![CDATA[Large neural networks for electricity load forecasting: are they overfitted]]></article-title>
<source><![CDATA[Int. J Forecast]]></source>
<year>2005</year>
<volume>21</volume>
<numero>3</numero>
<issue>3</issue>
<page-range>425-34</page-range></nlm-citation>
</ref>
</ref-list>
</back>
</article>
