TEMARIO > Protección y automatización

A través de máquinas de vectores de soporte

Pronóstico a largo plazo de demanda eléctrica


• La técnica Support Vector Machine (SVM) representa un conjunto de algoritmos de aprendizaje estadístico supervisado para resolver problemas de clasificación y regresión
• La aplicación del método se ilustra a través de un pronóstico de demanda para el año 2030 de la subestación Tres Picos (estado Sucre, Venezuela) de la empresa de electricidad CORPOELEC


La planificación de expansión de transmisión y generación dispone como insumo las estimaciones de demanda, de allí que si se desea tener un sistema eléctrico eficiente a futuro y capaz de cumplir con los requerimientos de potencia, es imperativo que éstas sean confiables y precisas.
Las estimaciones también son necesarias para la operación y seguridad del sistema de potencia en tareas como la coordinación hidrotérmica, unit commitment, evaluación de posibilidad de intercambios entre sistemas, ventas de energía, entre otras.
El trabajo presentado bajo el título Pronóstico a Largo Plazo de Demanda Eléctrica Usando Máquinas de Vectores de Soporte estuvo a cargo de O. González y P.M. De Oliveira-Jesús, pertenecientes al Instituto de Energía, Universidad Simón Bolívar y F. González-Longatt, a nombre de School of Electrical & Electronic Engineering, The University of Manchester, UK.


Caso venezolano
A diferencia de otros países, en Venezuela existen pocas variables capaces de explicar el comportamiento de la demanda a nivel regional, lo cual obedece posiblemente a dos factores, el primero es la poca influencia del PIB en el consumo debido al bajo costo de la energía para el usuario final, pues no se sigue una política de mercado como en otras naciones y el segundo es la situación geográfica en la zona intertropical que produce la independencia de la demanda a las condiciones climáticas.
Los autores de este estudio aplican un método relativamente reciente llamado regresión con vectores de soporte (SVR) que está basado en la teoría de máquinas de soporte vectorial propuesta por Vladimir Vapnik. Al igual que las redes neuronales es capaz de modelar en forma satisfactoria casi cualquier grupo de datos, sin embargo, el tiempo usado en la etapa de entrenamiento es mucho menor que el necesario para una red neural.


Alcances del método
El método utilizado consiste en un conjunto de algoritmos de aprendizaje supervisado, desarrollados inicialmente con el propósito de automatizar clasificación de datos y reconocimiento de patrones, posteriormente se creó una nueva versión capaz de hacer regresión a la que se llamó SVR que a diferencia de la red neural, es un procedimiento sólido al generalizar y es muy eficiente desde el punto de vista computacional.
La especificación se basa en la minimización de riesgo estructural, referido al límite superior del error de generalización, lo que implica que la estimación de la máquina busca la estructura óptima del modelo a través de los valores óptimos de los parámetros.
Antes de hacer cualquier modelo es necesario primero estudiar los datos disponibles y verificar su idoneidad para aplicar alguna técnica de pronóstico.
La data fundamental con que se cuenta es la serie histórica de la subestación desde el año 1986 hasta el año 2009, sin embargo para el caso tratado es necesario contar con una variable que muestre correlación causal con la potencia, pues la serie de demanda es extremadamente irregular y sin tendencia o estacionalidad claramente definidas. De allí que se opta por usar como variable causal la población, pues la carga atendida es consecuencia del consumo de los habitantes del área de influencia.
Una vez que ha sido validado el modelo, se procede a realizar el pronóstico para lo cual se usan los valores de potencia obtenidos y los pronósticos poblacionales dados por el Instituto Nacional de Estadística (INE) al año horizonte a fin de extender la hoja de data usada durante el entrenamiento.
Así, la metodología Máquina de Vectores de Soporte es capaz de obtener un modelo cuya bondad de ajuste, dada por un MAPE inferior a uno, implica mayor exactitud a la hora de reproducir el comportamiento de la serie histórica que Holt-Winters.
Aunque se piensa que el modelo de SVR es más confiable, la diferencia entre los pronósticos de ambos modelos es pequeña, por lo que se puede afirmar que el método de Holt-Winters puede ser efectivo para conocer las tendencias reales de crecimiento en muchos casos.



Metodologías más usadas
• Series de tiempo: se centra en la construcción de modelos ARIMA, que parten del supuesto de que toda la información requerida para predecir el comportamiento futuro de una variable está en su historia y por tanto debe existir un patrón subyacente que rija su comportamiento.
• Uso de la tierra: basado en la ubicación geográfica de la carga a través de GIS, requiere un análisis detallado del área de servicio de la compañía y de la naturaleza de las cargas a fin de identificar los factores influyentes en el consumo de electricidad asumiendo que afectarán el comportamiento futuro.
• Red neuronal artificial: es un paradigma de aprendizaje automático usado, a partir de un conjunto de datos, para generar modelos matemáticos capaces de reproducir el comportamiento observado y deducir el futuro usando extrapolación.