Você está na página 1de 5

Modelación de la demanda por modelos lineales para

micro-redes inteligentes
Carlos Molina B*
Universidad Politécnica Salesiana Ecuador
*Email: cmolinab1@est.ups.edu.ec

Resúmen— En la última década las micro redes inteligentes En general el modelamiento de la demanda es un reto dentro
han ganado espacio en la población, sobre todo en aquellas zonas de la ingeniería al momento de escoger una metodología más
aisladas pero autosustentables. adecuada que permita predecir la demanda, ya que de los
resultados obtenidos se tomarán las decisiones más acertadas
Un modelo matemático acertado para la predicción de la que garanticen la íntima relación que debe existir entre
demanda es muy necesario debido a que en una micro red es generación y carga en una micro-red.
fundamental mantener el balance entre generación y carga con la
finalidad de no tener contingencias de balance de energía que II. ESTADO DEL ARTE
conlleven al colapso del sistema.
A. Modelamiento de la Demanda
Muchos autores han trabajado en diversos modelos para la
predicción de la demanda sin embargo este artículo hace
La modelación de la demanda residencial y comercial puede
referencia a la utilización de modelos lineales debido a la
simplicidad que tienen a diferencia de otros.
ser muy extendida en función de los parámetros a ser
considerados [1]. Sin embargo, en el 2009; Swan y Ugursal [3],
Las ideas fundamentales son transcritas en la primera parte de establecieron una segmentación más fina de los métodos
este trabajo. A su vez se realizará una comparativa entre los disponibles y los clasificaron en dos metodologías más simples
modelos lineales que se ajustan para la modelación de la demanda. conocidas como top-down y bottom-up.

Palabras Clave—Demanda; Modelamiento; Lineal; Múltiple;


Regresión.

I. INTRODUCTION
Una práctica habitual en la planificación de los sistemas
eléctricos es conocer el comportamiento de la demanda debido
a que gracias a una buena predicción es posible planificar la
generación requerida para satisfacer un consumo previsto, así
como tener una aproximación de cuándo se da el pico de
demanda. Modelar la demanda es una actividad desafiante
debido a la variación que tiene en el tiempo; sin embargo,
permite determinar la potencia necesaria en un sistema eléctrico Figura 1. Modelo Buttom-up y Top-down
en un intervalo específico de tiempo.
Todo sistema eléctrico posee tres tipos de demanda Otros investigadores de sistemas eléctricos han propuesto
identificados claramente como industrial, comercial e industrial. otras estrategias para definir un modelo de carga. Por lo general
Si bien la demanda industrial es constante, las demandas la metodología utilizada ha sido históricamente apoyada por la
comerciales y residenciales varían constantemente en el tiempo. matemática estadística; se han identificado por ejemplo
modelos basados en el filtro de Kalman [4], modelos de auto-
Gracias a la naturaleza aleatoria de las cargas, así como de regresión conocidas por sus siglas en inglés como ARIMA
las fluctuaciones que tiene debido a la actividad propia de los (Autoregressive Integrated Moving Average) [5], exponential
ocupantes de la vivienda es mucho más complicado predecir la smooting [6], modelos en espacios de estados y modelo de box
potencia demandada que la energía demandada [1]. Por este
Jenkins [7].
efecto es posible observar curvas de carga diaria diferentes en
viviendas de similares características.
A su vez, autores como Krischan A. Keitsch and Thomas
En micro redes, es de vital importancia mantener un balance Bruckner [8] proponen una modelación de demanda hibrida
constante en tiempo real entre generación y la demanda, ya que basados en la aplicación de redes neuronales artificiales,
desbalances podrían originar fluctuaciones de voltaje y regresión lineal y máquinas de soporte vectorial por otro lado
variaciones de frecuencia que pueden causar serios daños a estudios recientes han permitido combinar este modelo hibrido
equipos y llegar a puntos críticos que podrían provocar colapsos con sistemas de interferencia difusa [9].
del sistema dejando a la micro red sin energía [2].
En general, los modelos para el pronóstico de la demanda B. Modelo de Regresión Lineal Simple
de energía eléctrica pueden ser clasificados de la siguiente
manera [10], [11]: Gráficamente el modelo más simple para relacionar
variables dependientes de variables independientes es una línea
1. Modelamiento en base al criterio humano recta. El modelo de regresión lineal tiene por objetivo encontrar
2. Inteligencia Artificial la ecuación de una recta que se ajuste al conjunto de datos y
3. Modelos Estocásticos minimice el error de las distancias entre los puntos y la recta. La
4. Modelamientos Estadísticos ecuación se describe de la siguiente manera [20], [23], [24]:
= + +
Las entidades públicas consideran importe el pronóstico de
Donde:
la demanda eléctrica, y por eso los modelos deben predecir la
demanda en: Intersección con el eje Y, cuando X=0
Se describe como la variación que tiene Y a incrementos
a. Predicción a corto plazo de X. Pendiente de la recta.
b. Predicción a mediano plazo
c. Predicción a largo plazo Es la diferencia entre el valor pronosticado por el modelo y
el valor real.
Los modelos de predicción de la demanda de corto plazo se
manejan en intervalos de un día hasta varias semanas. Pueden La sumatoria del cuadrado de los errores puede expresarse
determinar flujos de carga con la finalidad de tomar decisiones como sigue:
para prevenir sobrecargas en líneas [12]. Los modelos de

= − = − −
predicción a mediano plazo enfocan su estudio en intervalos de
un mes a varios años, proporcionando estudios de planificación
y operación del sistema eléctrico [13], [14]. A su vez, los
= − −
modelos de predicción a largo plazo trabajan en intervalos de
tiempo que van desde un año hasta veinte años y son los
encargados de detectar períodos de exceso o carencia de
generación con la finalidad de tomar acciones y medidas para = − −
ahorro de energía eléctrica [15], [16], [17].

El concepto de modelamiento de la demanda no es nuevo y =0 =0


existen estudios que han empleado un enfoque sistemático para
identificar el modelo idóneo para el problema de predicción. El criterio de éste método consiste en proporcionar
Sin embargo, es evidente que al permitir que los datos estimadores de los parámetros que minimicen la sumatoria al
determinen la forma del modelo con la finalidad de obtener cuadrado de las distancias des valores pronosticados por el
pronósticos mejorados [15], [18]. modelo y valores reales de demanda de energía eléctrica.
Ciertos factores en una micro red eléctrica inteligente tienen La función objetivo deberá ser construida en términos de la
ciertas características no lineales ya que son sujetas a variables sumatoria de los cuadrados de los errores y mediante
externas no predecibles como son las condiciones climáticas, optimización de las condiciones de primer orden (C.P.O) y de
temporadas del año, variables económicas y demográficas y segundo orden (C.S.O) para el cálculo de los estimadores [23],
comportamiento humano [19], [20]. [25].
Por lo que debido a la relación íntima que debe tener Toda vez que el modelo de regresión poblacional no es
generación y carga en una micro red inteligente, es fundamental posible observarlo directamente, los estimadores de mínimos
la predicción de la demanda de la energía eléctrica para la cuadrados ordinarios se obtienen a partir de la regresión de
planificación de los recursos con la finalidad de tener un regresión muestra (FMR).
balance de carga y la reducción del pico de demanda, así como
la capacidad de respuesta de la micro red a contingencias y Los estimadores de mínimos cuadrados ordinarios poseen
fallas [2], [21], [22]. las siguientes propiedades:
Existen gran cantidad de artículos que plantean dar solución a. Linealidad Es la forma funcional que liga al verdadero
al pronóstico de la demanda de electricidad haciendo uso de valor del parámetro y al estimador lineal.
algunos métodos, sin embargo, se analizará un modelo
= +
estadístico lineal utilizado en la predicción de la demanda en
micro redes eléctricas inteligentes.
El error cometido en la estimación es exclusivamente una
porción fija “k” del error cometido en la especificación del
1 11 ⋯ 51 8 1
0⋮4=0 ⋮ ⋱ ⋮ 40 ⋮ 4+ 0 ⋮ 4
modelo. Las propiedades del estimador serían una función
⋯ 85
lineal de las propiedades de la perturbación aleatoria.
3 13 73 3

b. Insasgadez El valor más probable del estimador coincide


con el verdadero valor del parámetro. = 8+

! != Un ejemplo gráfico de la regresión lineal múltiple para dos


variables independientes se representa en la figura 3. En ella se
puede apreciar que al pasar de una única variable independiente
c. Eficiencia La desviación entre el verdadero valor del
(x) a dos (x,z), lo que antes era una recta de ajuste pasará a ser
un plano de ajuste definido por la ecuación = 9(;, =), cuyos
parámetro estimado y el valor del estimador será el menor
posible. coeficientes serán β0, β1 y β2.

d. Consistencia La diferencia entre el valor estimado del


parámetro y el real se anula para una muestra infinita.

"#$ =
%→'

Figura 3. Modelo de Regresión Lineal Múltiple

Figura 2. Modelo de Regresión Lineal Simple Uno de los problemas que presenta en este tipo de regresión
es la imposibilidad para representar gráficamente los valores
observados de la variable dependiente para más de dos variables
C. Modelamiento de Regresión Lineal Múltiple independientes. Debido a esto, cuando se utilizan más de dos
variables independientes, es frecuente realizar comparaciones
Para el estudio de la evolución de la demanda eléctrica en dos a dos entre las distintas variables presentes y evaluar las
una micro red será necesario recurrir a modelos en los que se interacciones entre ellas mediante los coeficientes los
pueda predecir el comportamiento de una variable dependiente coeficientes de correlación.
teniendo en cuenta el gran número de variables independientes
que tendrán influencia en ella como son las condiciones III. ANÁLISIS DE LAS METODOLOGÍAS PARA MODELAIMENTO
climáticas, temporadas del año, variables económicas y LINEAL DE LA DEMANDA
demográficas y comportamiento humano [26]. El modelamiento de la demanda en micro redes inteligentes
La formulación de este modelo es similar a la regresión es un desafío para la ingeniería eléctrica, en consideración que
simple, sin embargo, ahora se dispondrá de “k” variables es necesario mantener un equilibrio entre generación y carga en
independientes para n observaciones de la variable respuesta este tipo de sistemas con la finalidad de no llegar a problemas o
contingencias en el sistema.

() = + + ,+) + - ,-) +⋯+ , )+/


En los documentos investigados [4], [5], [6], [7], [8] y [9] los
* autores describen métodos por filtros Kalman, ARIMA,
modelamiento de espacios de estados, etc. Sin embargo, los
modelos planteados en [20], [23], [24] definen el modelo de
Los modelos a estimar ahora serían k+2: β0, β1, β2, …, βk, demanda de una forma más simple, para lo cual el objetivo es
y ε. En la regresión múltiple, al igual que en la regresión simple relacionar las variables dependientes e independientes por
consiste también en proporcionar estimadores de los parámetros medio de una recta que se ajuste al conjunto de datos con
que minimicen la sumatoria al cuadrado de las distancias des pequeño error.
valores pronosticados por el modelo y valores reales de demanda
Por su parte relacionar una variable dependiente y una
de energía eléctrica.
independiente en un modelo de demanda no es correcto, debido
a que la demanda depende de muchas variables independientes Forecasting,” in 2007 IEEE/IAS Industrial & Commercial
que tendrán influencia en ella como son las condiciones Power Systems Technical Conference, 2007, pp. 1–6.
climáticas, temporadas del año, variables económicas y
demográficas y comportamiento humano tal como se describe [12] A. Setiawan, I. Koprinska, and V. G. Agelidis, “Very
en [26] por lo que la modelación de Regresión Lineal Múltiple short-term electricity load demand forecasting using support
es el camino más acertado para modelar la demanda en micro vector regression,” in 2009 International Joint Conference on
redes inteligentes con el uso de modelos lineales. Neural Networks, 2009, pp. 2888–2894.
[13] A. Molina, A. Gabaldon, J. A. Fuentes, and C. Alvarez,
“Implementation and assessment of physically based electrical
load models: Application to direct load control residential
programmes,” IEE Proc. - Gener. Transm. Distrib., vol. 150, no.
REFERENCIAS 1, pp. 61–66, 2003.
[14] V. Hamidi, F. Li, L. Yao, and M. Bazargan, “Domestic
[1] A. Grandjean, J. Adnot, and G. Binet, “A review and demand side management for increasing the value of wind,” in
an analysis of the residential electric load curve models,” 2008 China International Conference on Electricity Distribution,
Renew. Sustain. Energy Rev., vol. 16, no. 9, pp. 6539–6565, 2008, pp. 1–10.
2012.
[15] M. Rossi and D. Brunelli, “Electricity demand
[2] N. Li, L. Chen, and M. A. Dahleh, “Demand Response forecasting of single residential units,” in 2013 IEEE Workshop
Using Linear Supply Function Bidding,” IEEE Trans. Smart on Environmental Energy and Structural Monitoring Systems,
Grid, vol. 6, no. 4, pp. 1827–1838, 2015. 2013, pp. 1–6.
[3] L. G. Swan and V. I. Ugursal, “Modeling of end-use [16] I. A. b. W. A. Razak, M. S. b. Majid, H. A. Rahman,
energy consumption in the residential sector: A review of and M. Y. Hassan, “Short term load forecasting using data
modeling techniques,” Renew. Sustain. Energy Rev., vol. 13, no. mining technique,” in 2008 IEEE 2nd International Power and
8, pp. 1819–1835, 2009. Energy Conference, 2008, pp. 139–142.
[4] L. D. X. Ribeiro, J. Milanezi, J. P. C. L. da Costa, W. [17] N. Amral, C. S. Ozveren, and D. King, “Short term load
F. Giozza, R. K. Miranda, and M. V Vieira, “PCA-Kalman forecasting using Multiple Linear Regression,” in 2007 42nd
based load forecasting of electric power demand,” in 2016 IEEE International Universities Power Engineering Conference, 2007,
International Symposium on Signal Processing and Information pp. 1192–1198.
Technology (ISSPIT), 2016, pp. 63–68.
[18] S. Maybee and N. D. Uri, “Time series forecasting of
[5] N. Amral, D. King, and C. S. Ozveren, “Application of utility load duration curves,” Can. Electr. Eng. J., vol. 4, no. 1,
artificial neural network for short term load forecasting,” in 2008 pp. 4–8, 1979.
43rd International Universities Power Engineering Conference,
2008, pp. 1–5. [19] T. Gonen, A. A. Mahmoud, and H. W. Calborn,
“Bibliography of Distribution System Planning,” IEEE Power
[6] W. R. Christiaanse, “Reliability Calculations Including Eng. Rev., vol. PER-3, no. 6, p. 53, 1983.
the Effects of Overloads and Maintenance,” IEEE Trans. Power
Appar. Syst., vol. PAS-90, no. 4, pp. 1664–1677, 1971. [20] “Applied Mathematics for Restructured Electric Power
Systems,” IEEE Trans. Automat. Contr., vol. 50, no. 9, pp.
[7] G. D. Irisarri, S. E. Widergren, and P. D. Yehsakul, 1470–1471, 2005.
“On-Line Load Forecasting for Energy Control Center
Application,” IEEE Trans. Power Appar. Syst., vol. PAS-101, [21] S. Nan, M. Zhou, and G. Li, “Optimal residential
no. 1, pp. 71–78, 1982. community demand response scheduling in smart grid,” Appl.
Energy, vol. 210, no. Supplement C, pp. 1280–1289, 2018.
[8] K. A. Keitsch and T. Bruckner, “Modular electrical
demand forecasting framework — A novel hybrid model [22] G. R. Aghajani, H. A. Shayanfar, and H. Shayeghi,
approach,” in 2016 13th International Multi-Conference on “Demand side management in a smart micro-grid in the presence
Systems, Signals & Devices (SSD), 2016, pp. 454–458. of renewable generation and demand response,” Energy, vol.
126, no. Supplement C, pp. 622–637, 2017.
[9] J. Rishee, Kevin M. Smith, Patricia J Culligan, and
John Eric Taylor, “Forecasting energy consumption of multi- [23] T. Haida and S. Muto, “Regression based peak load
family residential buildings using support vector regression: forecasting using a transformation technique,” IEEE Trans.
Investigating the impact of temporal and spatial monitoring Power Syst., vol. 9, no. 4, pp. 1788–1794, 1994.
granularity on performance accuracy,” researchgate, vol. [24] D. Angelopoulos, J. Psarras, and Y. Siskos, “Long-
Applied En, 2014. term electricity demand forecasting via ordinal regression
[10] A. F. Barrientosa, J. Olaya, and V. M. González, “Un analysis: The case of Greece,” in 2017 IEEE Manchester
modelo spline para el pronóstico de la demanda de energía PowerTech, 2017, pp. 1–6.
eléctrica,” vol. 30, no. 2, p. 187 a 202, 2007. [25] J. Lu, X. Zhang, and W. Sun, “A Real-time Adaptive
[11] M. Afshin and A. Sadeghian, “PCA-based Least Forecasting Algorithm for Electric Power Load,” in 2005
Squares Support Vector Machines in Week-Ahead Load
IEEE/PES Transmission & Distribution Conference &
Exposition: Asia and Pacific, 2005, pp. 1–5.
[26] S. Pal and R. Kumar, “Price prediction techniques for
residential demand response using support vector regression,” in
2016 IEEE 7th Power India International Conference (PIICON),
2016, pp. 1–6.

BIOGRAFÍA
Carlos Molina, nació en Quito-Ecuador el 8 de
septiembre de 1986. Realizó sus estudios secundarios
en el Colegio Técnico Salesiano Don Bosco. Se
graduó en el Centro de Capacitación Profesional
como Tecnólogo en Control y Automatización en
2012. En la actualidad se encuentra cursando el
noveno nivel de Ingeniería Eléctrica en la
Universidad Politécnica Salesiana campus Kennedy.

En este momento desempeña el cargo de Supervisor


de la sección de Mantenimiento Eléctrico –
Electrónico de Centrales de la Empresa Eléctrica Quito.

Você também pode gostar