Escolar Documentos
Profissional Documentos
Cultura Documentos
TRABAJO DE DIPLOMA
Santa Clara
2009
TRABAJO DE DIPLOMA
Predicción de la Demanda Eléctrica empleando
Redes Neuronales Artificiales
Autor: Yunier García López
ygarcia@uclv.edu.cu
Santa Clara–2009
Los abajo firmantes certificamos que el presente trabajo ha sido realizado según acuerdo de
la dirección de nuestro centro y el mismo cumple con los requisitos que debe tener un
trabajo de esta envergadura referido a la temática señalada.
cxÇátÅ|xÇàÉ
i
iÉÇ axâÅtÇÇ
ii
Wxw|vtàÉÜ|t
ii
TzÜtwxv|Å|xÇàÉá
iii
T WÜtA XÄát láÉÜt VÉÇàÜxÜtá W•té? ÑÉÜ xáàtÜ á|xÅÑÜx tÄ àtÇàÉ? vÉÅÉ âÇt
ÅtwÜx? wx àÉwtá Å|á }ÉÜÇtwtáA
T Å|á ytÅ|Ä|tÜxá? tÅ|zÉá ç àÉwtá tÖâxÄÄtá ÑxÜáÉÇtá Öâx {tÇ {xv{É ÑÉá|uÄx Ät
ÜxtÄ|étv|™Ç wx xáàx áâx©ÉA
iv
gtÜxt g°vÇ|vt
iv
exáâÅxÇ
v
Dado que la energía eléctrica no se puede almacenar y que los grupos generadores precisan
de tiempo de arranque, que puede ser de muchas horas, es necesario contar con una
previsión de demanda, lo más ajustada posible a la que vaya a ser la realidad, para preparar,
programar y disponer la generación necesaria. Además, tanto los equipos generadores como
las redes de transporte y distribución precisan de mantenimiento, por lo que es preciso
conocer la evolución futura de la demanda para programar el mantenimiento, de forma que
siempre haya generación y elementos de transporte disponibles para ofrecer el servicio.
La teoría de RNA, presenta grandes ventajas con respecto a otros modelos típicos de
solución de problemas de Ingeniería, una de ellas es su inspiración en modelos biológicos
del funcionamiento del cerebro, lo que facilita su estudio debido a las analogías que pueden
introducirse para su análisis.
PENSAMIENTO ..................................................................................................................... i
DEDICATORIA.....................................................................................................................ii
AGRADECIMIENTOS.........................................................................................................iii
TAREA TÉCNICA................................................................................................................ iv
RESUMEN ............................................................................................................................. v
INTRODUCCIÓN.................................................................................................................. 1
1.1 Introducción............................................................................................................ 3
2.1 Introducción.......................................................................................................... 21
2.4.1 Antecedentes................................................................................................. 28
CONCLUSIONES................................................................................................................ 55
RECOMENDACIONES ...................................................................................................... 56
ANEXOS .............................................................................................................................. 59
\ÇàÜÉwâvv|™Ç
INTRODUCCIÓN
1
En la actualidad, cuando alguien actúa sobre uno de los interruptores de la casa o del
trabajo, no pasa por su mente la posibilidad de que al tiempo que enciende o apaga una
lámpara, indirectamente, está emitiendo una orden a varias centrales eléctricas, que están
obligadas a incrementar o a reducir su generación para atender las necesidades del cliente.
La consecuencia inmediata es que la generación producida, por el conjunto de generadores
del sistema, debe ajustarse al consumo de energía demandada en cada uno de estos
instantes, lo cual no es un asunto baladí.
Dado que la energía eléctrica no se puede almacenar y que los grupos generadores precisan
de tiempo de arranque, que puede ser de muchas horas, es necesario contar con una
previsión de demanda, lo más ajustada posible a la que deba ser la realidad, para preparar,
programar y disponer la generación necesaria. Además, tanto los equipos generadores como
las redes de transporte y distribución precisan de mantenimiento, por lo que es necesario
conocer la evolución futura de la demanda para programar el mantenimiento, de forma que
siempre haya generación y elementos de transporte disponibles para ofrecer el servicio.
Las RNA son aplicables en aquellos problemas en los que las leyes que rigen la naturaleza
son desconocidas o son de difícil implementación en los sistemas secuenciales y
constituyen una herramienta de computación fácilmente aplicable, incluso como caja negra.
El modelo de programación basado en RNA ha experimentado un fuerte crecimiento en los
últimos años y las áreas de conocimiento en las que se están aplicando son muy diversas,
incluyendo disciplinas tan diversas como son la industria, la medicina y las finanzas.
con esta filosofía se podrán sentar las bases para un crecimiento económico estable y
sostenido.
VtÑ•àâÄÉ D
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
3
1.1 Introducción
Es así que, bajo este contexto y considerando los dramáticos cambios estructurales que se
están presentando en los mercados eléctricos con la introducción de la competencia donde
entran en juego intereses económicos, se hace importante que el pronóstico de la demanda
eléctrica minimice todas las incertidumbres, por lo que los operadores del sistema deben
trabajar con el mayor nivel de eficiencia posible.
Ante todo se cree conveniente hacer un breve comentario sobre la utilización de varios
términos. La planificación se refiere a las acciones llevadas a cabo para realizar planes y
proyectos de diferente índole. El proceso de planeación sigue un conjunto de pasos que se
establecen inicialmente, y quienes realizan la planificación hacen uso de las diferentes
expresiones y herramientas con que cuenta la planeación. La planificación ejecuta los
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
4
Un sistema de energía eléctrica debe abastecer de energía a todos los puntos de carga con
una buena calidad del servicio. Por lo tanto un sistema eléctrico confiable, el cual asegura
buena calidad, debe contar con las siguientes características:
Estas características pueden adquirirse por medio de una planeación exhaustiva del sistema,
que permita conocer no solo su estado actual, sino también las medidas que deben
adoptarse para condiciones futuras.
Al hablar de predicción de carga, resulta útil aclarar que como carga se asume todo equipo
que demanda energía del sistema de energía eléctrica, tales como lámparas,
electrodomésticos, motores eléctricos, hornos eléctricos, etc. De esta manera se tienen
varios tipos de carga:
• Motores en general
• Equipos de calentamiento
• Equipos electrónicos
• Equipo de iluminación
Estas cargas presentan características muy diferentes con relación al tamaño, simetría ( 1φ o
3φ ), constancia de la carga y el período de funcionamiento. Desde el punto de vista del
sistema de energía eléctrica, las cargas pueden ser separadas en tres grupos funcionales:
• Carga comercial
• Carga industrial
• Carga residencial
La predicción de consumo de carga refleja las necesidades futuras de una población; esta
predicción debe ser lo más ajustada a la realidad, ya que unos valores inferiores a los reales
causarán deficiencias en la prestación del servicio en el futuro y un pronóstico de
necesidades superior al real, motiva la inversión prematura en instalaciones que no tendrán
un aprovechamiento inmediato [5].
Según Kher, Sioshansi y Sorooshian (1987), “La industria energética es un sector de capital
intensivo con inversiones a muy largo plazo”. Puesto que se necesita al menos una década
para planificar y construir una nueva planta generadora, una predicción correcta de la
demanda de energía eléctrica es un requisito imprescindible para lograr las metas previstas
de calidad y fiabilidad del servicio, ya que la creciente dependencia de la electricidad
aumenta los inconvenientes causados a los consumidores si se producen deficiencias en el
suministro de energía eléctrica. Baum (1998) comenta que, “Los estudios de perspectiva
coinciden en que la electricidad es uno de los sectores que mantendrá en el futuro una de
las tasas de crecimiento más altas”.
Es difícil que ambas desviaciones, por exceso o por defecto, no acaben repercutiendo sobre
el usuario final. A ese respecto, cabe mencionar que, pese a la creciente preocupación
medioambiental, algunos países industrializados han vuelto a considerar la opción nuclear.
Según Walter Labys (1999), “Existen al menos tres motivos para modelar la demanda de
energía. En primer lugar, el suministro razonablemente fiable de energía es vital para el
funcionamiento de la economía moderna. En segundo lugar, la aplicación de los sistemas
de suministro de energía requiere de muchos años. En tercer lugar, las inversiones
necesarias en tales sistemas son altamente intensivas en capital representando, en algunos
países, una considerable proporción de su producto interno bruto”.
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
8
Por otra parte, los índices habituales de fiabilidad eléctrica miden la probabilidad de que se
pueda prestar el servicio requerido y, por tanto, los programas de planificación del sector
eléctrico se basan, fundamentalmente, en las predicciones que se realicen sobre las puntas
(picos) de potencia y energía demandada y, de acuerdo con ellas, se pueden adoptar las
eventuales decisiones de incrementar la capacidad generadora instalada. Es obvio que,
cuanto más acertadas sean tales predicciones, menores serán los riesgos de incurrir en
inversiones innecesarias y causar insatisfacción a los usuarios [7].
En el entorno estable de las décadas 1950 y 1960 las técnicas de predicción simples, tales
como la mera extrapolación de la tendencia, eran suficientes para proyectar los futuros
picos de carga o la energía consumida. Estas técnicas tan simples proporcionaban, en las
décadas mencionadas, una respuesta adecuada debido, entre otras razones, a la considerable
estabilidad de los precios en general (en particular de los combustibles empleados en la
generación eléctrica), al relativamente bajo costo del capital, a las economías de escala que
parecían sugerir plantas generadoras cada vez mayores, en un contexto en el que parecía
normal que la demanda de energía eléctrica creciera anualmente alrededor de un 7%, y una
tendencia demográfica bastante predecible en muchas zonas geográficas. Entre los técnicos
de planificación de las compañías eléctricas estaba muy extendida la idea, no sólo de que la
demanda aproximadamente se duplicara cada diez años, sino también la de que, hasta cierto
punto, el sector era prácticamente ajeno a la ley de la oferta y la demanda. Una
consecuencia de todo lo anterior es que, en las décadas mencionadas, no hubiese necesidad
de dedicar gran atención a analizar los factores subyacentes en la demanda de la energía
eléctrica [8].
En este nuevo escenario de creciente incertidumbre, las compañías eléctricas tendrían cada
vez mayor dificultad para seguir sobrecargando a sus clientes (abonados) con los costos
derivados de decisiones sobre inversiones inapropiadas como consecuencia de predicciones
erróneas de la demanda eléctrica.
También puede variar la demanda residencial de electricidad según la hora del día, ya que
se suele consumir más electricidad durante las primeras horas del día antes de producirse la
incorporación a la jornada laboral, declinando posteriormente el consumo eléctrico
doméstico durante el desarrollo de la misma y volviendo a aumentar dicho consumo cuando
tiene lugar el regreso al hogar al finalizar la jornada laboral [9] y según el día de la semana
considerado, ya que la demanda suele ser mayor durante los días laborables que durante los
fines de semana o los días festivos, por ejemplo: Navidad, año nuevo, carnavales, etc.[10].
Por otra parte, la creciente desregulación del sector eléctrico en la mayoría de los países
industrializados añade un elemento adicional de incertidumbre, ya que las tradicionales
fronteras entre las compañías eléctricas cada día estarán menos claramente delimitadas y
será el mercado el que determine el precio de la electricidad, con la consiguiente influencia
de dicho precio en el consumo. Obviamente la desregulación aumenta la necesidad de una
correcta predicción de la demanda de energía eléctrica para las respectivas empresas
suministradoras [9].
lluvia pueden ser indirectamente reflejadas con la humedad relativa. El brillo del sol es un
índice que mide el grado de nubosidad que afecta directamente el consumo de energía
eléctrica [10]. La precipitación es otro parámetro importante que afecta la carga del
sistema, reflejada discretamente sobre las cargas destinadas a la climatización y al
alumbrado.
La variable temperatura en este caso tiene efectos contradictorios sobre la demanda total
del sistema de potencia en función de las características de cada región, por ejemplo, un
grado de nubosidad bajo en la región montañosa puede ser asociado con intensos vientos
que bajan la temperatura e incrementan la demanda de energía eléctrica del sistema,
mientras que en la región del litoral o costa, la misma razón de nubosidad, puede estar
asociada a un día templado lo que disminuirá la demanda eléctrica [13]. Es la variable
atmosférica más importante ya que el cambio de la carga ocurre con grandes variaciones de
temperatura [10].
Muchos son los factores que afectan la demanda de energía eléctrica, siendo el usuario final
el factor más relevante, además de otro tipo de eventualidades que generalmente se conocen
como no controlables. Por este motivo es importante realizar un análisis exhaustivo de las
diversas variables exógenas (independientes) que pueden incidir positiva o negativamente
en el perfil de la demanda.
No es fácil dar reglas generales de la época del año en la que se alcanza el máximo de
potencia demandada o la máxima energía consumida. Entre los factores que dificultan esta
generalización figuran las condiciones climáticas, socioeconómicas, políticas de demora de
la facturación respecto al consumo, etc. Ni siquiera el comportamiento observado en el
pasado por las mencionadas magnitudes garantiza la continuidad de sus características en el
futuro.
Período que a veces se suele subdividir en muy corto plazo y en corto plazo propiamente
dicho. Se suele considerar que el primero de tales períodos abarca los próximos 30 minutos
en tiempo real a partir del momento en que se efectúa la predicción de la demanda. El
principal objetivo a cubrir en este periodo de tiempo es la distribución, de la forma más
económica posible, de los diversos recursos de generación disponibles. Realmente se trata
de realizar el seguimiento de la carga y de la predicción inmediata de esta basándose en los
datos de la demanda durante las pasadas 24 horas [8].
El corto plazo propiamente dicho se extiende desde una hora hasta una semana en el futuro
y, en este período, debe procurarse principalmente el mantenimiento previamente
establecido y de la operación diaria del equipo generador, la coordinación hidrotérmica, la
asignación de unidades generadoras y la gestión de la carga. Los datos en los que se basa la
predicción en este período son la carga diaria y la información de la temperatura en la
misma época de los años recientes del pasado. La predicción de la punta de potencia diaria
suele tener lugar también para la próxima semana. En este horizonte temporal de corto
plazo es importante una predicción lo más exacta posible de la demanda, para determinar
qué generadores deberían ser puestos en funcionamiento y cuales deberían permanecer en
reserva [8].
Se suele entender el período de predicción que se extiende en el futuro desde un mes hasta
un año a partir del momento en que se efectúa el pronóstico. Esta predicción es necesaria,
generalmente, para establecer el calendario de mantenimiento de las plantas generadoras y
del sistema de transmisión. Los datos básicos para realizar esta predicción son los datos
mensuales de puntas de carga a lo largo de varios años así como la energía demandada y la
temperatura registrada en ellos así como algunos indicadores socioeconómicos. La energía
demandada mensualmente se predice en el horizonte temporal de un año, en este período se
presenta una estructura de la demanda cualitativa y cuantitativa potencialmente cambiante,
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
13
Se suele denominar largo plazo al período de predicción que abarca desde uno a diez años
en el futuro. Puesto que el tiempo necesario para planificar, construir, probar y poner en
funcionamiento una nueva capacidad generadora, que puede oscilar entre tres y diez años.
Un modelo econométrico puede resultar muy adecuado en este horizonte temporal de largo
plazo y, cuanto más exactas sean sus predicciones mayor es la probabilidad de satisfacer las
puntas de demanda y mejorar el factor de carga1 . Esta predicción de largo plazo se necesita,
generalmente, para la planificación del sistema generador y del sistema de transmisión o
transporte, ya que una modelación y predicción adecuadas a largo plazo de la demanda
puede anticipar la capacidad de generación óptima y la combinación o mezcla de potencia
generadora más conveniente con que debe contar, posiblemente mediante nuevas
adquisiciones, el parque generador. Los datos para la elaboración de la demanda a largo
plazo suelen ser, además de los mencionados anteriormente, con periodicidad anual, el
precio de la electricidad, el de los productos sustitutivos y la evolución demográfica, así
como la de los indicadores económicos más relevantes [8].
Una primera clasificación de los métodos de predicción es la que los divide en cualitativos
y cuantitativos. Básicamente los métodos cualitativos son aquellos en los que el pasado no
proporciona una información relevante sobre la variable que se pretende investigar, por lo
que no son los métodos, sino la opinión de los expertos que tengan buenos conocimientos
acerca de dicha variable y del contexto en que se pretenda estudiar. Dentro de los métodos
cualitativos más relevantes figuran, de menor a mayor exigencia de formalismo
matemático, los denominados Brainstorming (intenta aflorar nuevas ideas en un grupo de
1
Por factor de carga -durante un período determinado- se define la razón de la potencia media demandada a la
potencia máxima durante dicho período.
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
14
También se puede distinguir entre una predicción condicional y otra incondicional. En esta
última se conocen con certeza las variables exógenas del modelo, mientras que en un
pronóstico condicional el valor de al menos una de las variables exógenas no se conoce, por
lo que hay que utilizar predicciones de las variables que sean desconocidas para realizar el
pronóstico de la variable endógena [2].
La tipología de las predicciones puede ser considerada desde otro punto de vista,
distinguiéndose entre la predicción dinámica, estática y estructural. En la primera de ellas
se obtienen los pronósticos que se calculan a partir de la primera observación del período
de predicción utilizando valores previamente pronosticados para la variable endógena. En
la predicción estática las predicciones se calculan secuencialmente a partir de las
observaciones anteriores, pero utilizando exclusivamente valores realmente observados, por
los que sólo si se dispone de tales observaciones se puede efectuar la predicción estática
[2].
Estos métodos eran casi los únicos utilizados, con carácter general, antes de la década de
1970, debido a las tendencias estables de la demanda en dicha época, pero actualmente su
utilización prácticamente ha quedado reducida a muy corto plazo. En esta técnica se obtiene
el ajuste de la tendencia general histórica en kWh facturados o en los kW de las puntas de
potencia [14].
Los métodos de tendencia histórica, en general, usan los datos anteriores de demanda de
cada microárea 2 para extrapolar su carga futura. Sin embargo a medida que el tamaño de
las microáreas disminuye, el proceso de desarrollo se cumple de una manera rápida [1].
Algunas de las técnicas utilizadas en estos métodos recurren a una transformación previa de
los datos de carga, a fin de que el ajuste explique con mayor facilidad la tendencia del
consumo. Otras técnicas de esta metodología suponen una tasa de crecimiento constante de
la demanda, mientras que otras se basan en una curva de saturación que tiene un período
inicial de crecimiento lento, seguido de un período intermedio de crecimiento rápido, al que
sigue un período final en el que declina la tasa de crecimiento alcanzando la energía
demandada su nivel de saturación.
Entre las principales ventajas de estos métodos se pueden citar su economía y rapidez, el no
necesitar un gran apoyo técnico y su mínima exigencia en cuanto a los datos requeridos. En
cuanto a sus desventajas puede decirse que estos métodos no son sensibles a los cambios
estructurales y que no disponen de una traza histórica para interpretar las causas de los
errores pasados de predicción a fin de corregir el modelo en caso de ser necesario [14]. Los
métodos de tendencia histórica presentan problemas clásicos como sobrextrapolación, esto
es, predecir mayor carga de la que puede existir en términos reales en una microárea [1].
2
Por microárea se define la mínima unidad espacial de carga a la cual se le asigna la demanda eléctrica con
un mínimo de tiempo de tres años.
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
16
particular los métodos de Box-Jenkins suelen resultar adecuados cuando existe una fuerte
autocorrelación entre los datos de la serie analizada. Los modelos de series cronológicas se
basan implícitamente, al menos, en la suposición que los valores futuros de la variable de
interés son una función de sus propios valores pasados o históricos [14].
Se puede decir que entre las principales ventajas de la utilización del análisis de series
temporales se encuentran su bajo costo, su moderado error en el corto plazo y que sólo
utiliza datos históricos de la serie que se trata de predecir, pudiendo citarse entre sus
inconvenientes que, al suponer permanente la caracterización de la trayectoria de los datos
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
17
Otras ligeras variaciones de estos modelos, bien sea limitarse a considerar los nuevos
usuarios de determinado aparato a fin de estimar sólo el incremento de la demanda debido a
este último o bien sea considerar el nivel de saturación 3 en una determinada población del
aparato eléctrico en cuestión, no modifican básicamente el enfoque de lo que
fundamentalmente se trata de estimar.
3
Por saturación o penetración de un aparato se define el porcentaje -estable- de hogares que lo poseen
después de que hayan transcurrido varios años desde la introducción en el mercado del mismo.
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
18
modelos pueden resultar muy complejos y difíciles de analizar, sobre todo en los sectores
industrial y comercial los cuales presentan menos homogeneidad que la que se observa en
el sector residencial. Por otra parte, en aquellos casos en que se han realizado experimentos
de seguimiento en panel de consumidores, los costos de medición y obtención de datos han
sido muy elevados [14].
También hay que tener en cuenta que si lo que se pretende es la predicción de la demanda a
largo plazo las expresiones de la demanda para cada aparato sólo tendrán sentido si los
datos correspondientes se han obtenido sobre períodos largos de tiempo, en los que han
podido tener lugar considerables fluctuaciones, no sólo en el desarrollo tecnológico de los
aparatos, sino también en otras variables entre las que se encuentran las socioeconómicas.
1.6.4 Econométricos
Dentro del análisis causal son de frecuente utilización los modelos econométricos, entre los
que se encuentran los modelos de regresión dinámica que abordan los problemas
específicos que se plantean al trabajar con series temporales. Los métodos causales
suponen, como su nombre lo indica, que existe una relación causal entre la variable
exógenas y la variable endógena aunque, tal vez, hablar de una relación causal sea
demasiado concreto para describir el grado de asociación existente entre la variable
exógenas y la variable endógena [15].
CAPÍTULO 1. PREDICCIÓN DE LA DEMANDA ELÉCTRICA
19
Pese a ser los modelos econométricos herramientas predictivas muy potentes, sin embargo
algunas de sus limitaciones son obvias, no siendo la menor de ellas que se pronostica el
futuro basándose en relaciones entre las variables que tuvieron lugar en el pasado. Otra
limitación radica en la inconsistencia de la relación entre las variables, ya que dicha
relación puede ser causal o simplemente casual. Tampoco se puede despreciar la influencia
en el consumo de energía eléctrica de variables de nueva aparición o emergentes, que en el
pasado no existían o no habían sido suficientemente identificadas, quedando englobadas
como una perturbación aleatoria.
Entre las ventajas de los modelos econométricos se encuentran las que pueden medir el
efecto de las causas subyacentes de la tendencia y de la incertidumbre de la predicción y
que los modelos pueden ser reestimados. Entre sus desventajas pueden citarse las que
requieren considerable destreza en la utilización de los métodos econométricos y la que su
costo puede ser relativamente elevado [14].
1.6.5 Híbridos
Cada uno de los métodos anteriores pueden tener una aplicación adecuada en un
determinado contexto. Así, por ejemplo, cuando se dispone de datos históricos que abarcan
un período de quince o más años, los modelos econométricos de regresión pueden ser los
más convenientes. En cambio si se dispone de datos de saturación de aparatos o de usuario
final, estos serían los métodos apropiados. En algunos casos se recurre a modelos híbridos o
mixtos.
obtener una predicción más robusta que las proporcionadas por cada método individual de
pronóstico.
Entre las ventajas de los modelos híbridos se pueden considerar las que utilizan lo mejor de
los tipos econométricos y de usuario final. Entre sus desventajas pueden citarse la gran
cantidad de datos que necesitan, lo que redunda en su alto costo [14].
Es conveniente tener en cuenta que, en cualquier modelo, su eventual buen grado de ajuste
respecto a períodos históricos no garantiza su buena capacidad predictiva respecto al futuro.
Para obtener la predicción puntual de la variable endógena en un período futuro se debe
conocer el valor de las variables exógenas en dicho período. Para evaluar, además, la
capacidad predictiva del modelo se ha de conocer también el valor observado de la variable
endógena en tal período.
VtÑ•àâÄÉ E
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
21
2.1 Introducción
Resulta irónico pensar que máquinas de cómputo, capaces de realizar 100 millones de
operaciones en coma flotante por segundo, no sean capaces de entender el significado de
las formas visuales o de distinguir entre distintas clases de objetos. Los sistemas de
computación secuencial son exitosos en la resolución de problemas matemáticos o
científicos, en la creación, manipulación y mantenimiento de bases de datos, en
comunicaciones electrónicas, en el procesamiento de textos, gráficos y auto edición, incluso
en funciones de control de electrodomésticos, haciéndolos más eficientes y fáciles de usar,
pero definitivamente tienen una gran incapacidad para interpretar el mundo.
Esta dificultad de los sistemas de computo que trabajan bajo la filosofía de los sistemas
secuenciales, desarrollados por Von Neumann, ha hecho que un gran número de
investigadores centre su atención en el desarrollo de nuevos sistemas de tratamiento de la
información, que permitan solucionar problemas cotidianos, tal como lo hace el cerebro
humano; este órgano biológico cuenta con varias características deseables para cualquier
sistema de procesamiento digital, tales como:
4. Es altamente paralelo.
La teoría de las RNA ha brindado una alternativa a la computación clásica, para aquellos
problemas, en los cuales los métodos tradicionales no han entregado resultados muy
convincentes, o poco convenientes. Las aplicaciones más exitosas de las RNA son:
2. Reconocimiento de patrones.
3. Planeamiento.
5. Predicción.
6. Control y optimización.
7. Filtrado de señales.
memoria, este es el estado de la red para el cual se logra equilibrio. El conocimiento de una
red neuronal no se almacena en instrucciones, el poder de la red está en su topología y en
los valores de las conexiones (pesos) entre neuronas.
Las RNA son una teoría que aún esta en proceso de desarrollo, su verdadera potencialidad
no se ha alcanzado todavía. Aunque los investigadores han desarrollado potentes algoritmos
de aprendizaje de gran valor práctico, las representaciones y procedimientos de que se sirve
el cerebro, son aún desconocidas. Tarde o temprano los estudios computacionales del
aprendizaje con RNA acabarán por converger a los métodos descubiertos por evolución,
cuando eso suceda, muchos datos empíricos concernientes al cerebro comenzarán
súbitamente a adquirir sentido y se tornarán factibles muchas aplicaciones desconocidas de
las RNB.
El punto de contacto entre un axón de una célula y una dendrita de otra célula es llamado
sinapsis, la longitud de la sinapsis es determinada por la complejidad del proceso químico
que estabiliza la función de la red neuronal. Las sinapsis se clasifican según su posición en
la superficie de la neurona receptora en tres tipos: axo-somática, axo-dendrítica, axo-
axónica. Los fenómenos que ocurren en la sinapsis son de naturaleza química, pero tienen
efectos eléctricos laterales que se pueden medir [17]. Un esquema simplificado de la
interconexión de dos neuronas biológicas se observa en la figura 2.2.1
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
24
Las estructuras neuronales continúan cambiando durante toda la vida, estos cambios
consisten en el refuerzo o debilitamiento de las uniones sinápticas; por ejemplo se cree que
nuevas memorias son formadas por la modificación de esta intensidad entre sinapsis, así el
proceso de recordar el rostro de un nuevo amigo, consiste en alterar varias sinapsis.
Las RNA no alcanzan la complejidad del cerebro, sin embargo hay dos aspectos similares
entre RNB y RNA, primero los bloques de construcción de ambas redes son sencillos
elementos computacionales (aunque las RNA son mucho más simples que las biológicas)
altamente interconectados; segundo, las conexiones entre neuronas determinan la función
de la red.
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
25
El modelo de una neurona artificial es una imitación del proceso de una neurona biológica,
puede también asemejarse a un sumador hecho con un amplificador operacional tal como se
muestra y se describe en la figura 2.3.1 y la expresión (2.3.1), respectivamente [18].
De la observación detallada del proceso biológico se han hallado los siguientes análogos
con el sistema artificial.
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
26
Donde:
X i : Señales que provienen de otras neuronas y que son capturadas por las dendritas.
Wi : Pesos que representan la intensidad de la sinapsis que conecta dos neuronas; tanto
θ : Función umbral que la neurona debe sobrepasar para activarse; este proceso ocurre
biológicamente en el cuerpo de la célula.
lugar de pulsos discretos, como se presentan en una neurona biológica. Cada señal de
entrada pasa a través de una ganancia o peso, llamado peso sináptico o fortaleza de la
conexión cuya función es análoga a la de la función sináptica de la neurona biológica. Los
pesos pueden ser positivos (excitatorios), o negativos (inhibitorios), el nodo sumatorio
acumula todas las señales de entradas multiplicadas por los pesos o ponderadas y las pasa a
la salida a través de una función umbral o función de transferencia. La entrada neta a cada
unidad puede escribirse de la siguiente manera:
n → →
netai = ∑ Wi X i = X W (2.3.2)
i =1
Una idea clara de este proceso se muestra en la figura 2.3.3, donde puede observarse el
recorrido de un conjunto de señales que entran a la red.
Una vez que se ha calculado la activación del nodo, el valor de salida equivale a:
xi = f i (netai ) (2.3.3)
Donde:
f i : Función de activación para esa unidad, que corresponde a la función escogida para
Existen muchos tipos de RNA, cada una con sus propias características; la red que mejor se
ajusta a una determinada aplicación, depende de varios factores, tales como: el tipo de
problema en si mismo, tipos de variables disponibles, cantidad y calidad de los datos,
algoritmo de cálculo, etc.
Una manera fácil para escoger el tipo de red que debe implementarse, es analizar si el
problema al que se está enfrentado cuenta con un conjunto de salida conocido, esta
condición restringe las opciones a dos categorías, las redes con aprendizaje supervisado
dentro de las cuales se destacan: el Perceptrón, Adaline, Backpropagation,
Counterpropagation (CPN), Boltzmann Machine y Cauchy Machine, y la siguiente
categoría conformada por las redes de aprendizaje no supervisado donde pueden contarse:
las memorias asociativas, red de Hopfield, redes de aprendizaje competitivo como: el
Learning Vector Quantization (LVQ) y las Self Organizating Maps (SOM), red de
Grossberg Adaptive Resonance Theory (ART) y la Fuzzy Associative Memory (FAM) que
es una combinación entre aprendizaje asociativo y lógica difusa [19].
La red neuronal más frecuentemente utilizada y que mejor se ajusta al objetivo planteado es
un Perceptrón Multicapa (Multiple Layer Perceptron “MLP”) con alimentación hacia
delante (Feedforward) utilizando un entrenamiento supervisado por medio del algoritmo de
retropropagación del error (Backpropagation).
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
28
2.4.1 Antecedentes
El primer algoritmo de entrenamiento para redes multicapa fue desarrollado por Paul
Werbos en 1974, este se desarrolló en un contexto general, para cualquier tipo de redes,
siendo las RNA una aplicación especial, razón por la cual el algoritmo no fue aceptado
dentro de la comunidad de desarrolladores de RNA. Fue solo hasta mediados de los años 80
cuando el algoritmo Backpropagation o algoritmo de propagación inversa fue redescubierto
al mismo tiempo por varios investigadores, David Rumelhart, Geoffrey Hinton y Ronal
Williams, David Parker y Yann Le Cun. El algoritmo se popularizó cuando fue incluido en
el libro “Parallel Distributed Processing Group” por los sicólogos David Rumelhart y James
Mc Clelland. La publicación de este libro trajo consigo un auge en las investigaciones con
RNA, siendo la Backpropagation una de las redes más ampliamente empleadas, aún en
nuestros días [21].
Uno de los grandes avances logrados con la Backpropagation es que esta red aprovecha la
naturaleza paralela de las RNB para reducir el tiempo requerido por un procesador
secuencial para determinar la correspondencia entre unos patrones dados. Además el
tiempo de desarrollo de cualquier sistema que se esté tratando de analizar se puede reducir
como consecuencia de que la red puede aprender el algoritmo correcto sin que alguien
tenga que deducir por anticipado el algoritmo en cuestión.
La mayoría de los sistemas actuales de cómputo se han diseñado para llevar a cabo
funciones matemáticas y lógicas a una velocidad que resulta asombrosamente alta para el
ser humano. Sin embargo la destreza matemática no es lo que se necesita para solucionar
problemas de reconocimiento de patrones en entornos ruidosos, característica que incluso
dentro de un espacio de entrada relativamente pequeño, puede llegar a consumir mucho
tiempo. El problema es la naturaleza secuencial del propio computador; el ciclo tomar-
ejecutar de la naturaleza Von Neumann solo permite que la máquina realice una operación
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
29
a la vez. En la mayoría de los casos, el tiempo que necesita la máquina para llevar a cabo
cada instrucción es tan breve (típicamente una millonésima de segundo) que el tiempo
necesario para un programa, así sea muy grande, es insignificante para los usuarios. Sin
embargo, para aquellas aplicaciones que deban explorar un gran espacio de entrada o que
intentan correlacionar todas las permutaciones posibles de un conjunto de patrones muy
complejo, el tiempo de computación necesario se hace bastante grande.
Lo que se necesita es un nuevo sistema de procesamiento que sea capaz de examinar todos
los patrones en paralelo. Idealmente ese sistema no tendría que ser programado
explícitamente, lo que haría es adaptarse a sí mismo para aprender la relación entre un
conjunto de patrones dado como ejemplo y ser capaz de aplicar la misma relación a nuevos
patrones de entrada. Este sistema debe estar en capacidad de concentrarse en las
características de una entrada arbitraria que se asemeje a otros patrones vistos previamente,
sin que ninguna señal de ruido lo afecte. Este sistema fue el gran aporte de la red de
propagación inversa, Backpropagation.
Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia todas las
neuronas de la capa oculta que contribuyen directamente a la salida. Sin embargo las
neuronas de la capa oculta solo reciben una fracción de la señal total del error, basándose
aproximadamente en la contribución relativa que haya aportado cada neurona a la salida
original. Este proceso se repite, capa por capa, hasta que todas las neuronas de la red hayan
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
30
recibido una señal de error que describa su contribución relativa al error total. Basándose en
la señal de error percibida, se actualizan los pasos de conexión de cada neurona, para hacer
que la red converja hacia un estado que permita clasificar correctamente todos los patrones
de entrenamiento [21].
La importancia de este proceso consiste en que, a medida que se entrena la red, las
neuronas de las capas intermedias se organizan a sí mismas de tal modo que las distintas
neuronas aprenden a reconocer distintas características del espacio total de entrada.
Después del entrenamiento, cuando se les presente un patrón arbitrario de entrada que
contenga ruido o que esté incompleto, las neuronas de la capa oculta de la red responderán
con una salida activa si la nueva entrada contiene un patrón que se asemeje a aquella
característica que las neuronas individuales hayan aprendido a reconocer durante su
entrenamiento. Y a la inversa, las unidades de las capas ocultas tienen una tendencia a
inhibir su salida si el patrón de entrada no contiene la característica para reconocer, para la
cual han sido entrenadas.
Las entradas a la red serán ahora presentadas en el vector p , que para el caso de una sola
neurona contiene solo un elemento, w sigue representando los pesos y la nueva entrada b
es una ganancia que refuerza la salida del sumador n , la cual es la salida neta de la red; la
salida total está determinada por la función de transferencia, que es escogida dependiendo
de las especificaciones del problema que la neurona tenga que resolver; aunque las RNA se
inspiren en modelos biológicos no existe ninguna limitación para realizar modificaciones
en las funciones de salida, es por ello que pueden encontrarse modelos artificiales que nada
tienen que ver con las características del sistema biológico [18]. Las funciones de
transferencia utilizadas en este tipo de red deben ser continuas para que su derivada exista
en todo el [21]. Un modelo que facilita la comprensión de una neurona, puede visualizarse
en la figura 2.4.1
• Hiperbólica Sigmoidal: Esta función, mostrada en la figura 2.4.2, toma los valores
de entrada, los cuales pueden oscilar entre más y menos infinito, y restringe la salida
a valores [− 1, 1] , de acuerdo a la expresión (2.4.1)
en − e−n
a= (2.4.1)
e n + e −n
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
32
a=n (2.4.2)
Una capa es una colección de neuronas; de acuerdo con la ubicación de la capa en la RNA
esta recibe diferentes nombres:
Las condiciones de entrada a la red pueden ser tan complejas como se quiera, es
decir, la entrada puede convertirse fácilmente en un vector de cuatro componentes
que incluya además del día y la hora el mes y el año para los cuales se requiere
predecir el valor de demanda; existen también otras opciones como convertir la
entrada en un vector de tres componentes donde se incluya hora, día y tipo de carga
para el cual se desea prever el consumo [5].
• Capas Ocultas: Estas capas son aquellas que no tienen contacto con el medio
exterior, sus elementos pueden tener diferentes conexiones y son estas las que
determinan las diferentes topologías de la red [18].
El número de neuronas para las capas ocultas pude ser determinado mediante la
aplicación de una serie de fórmulas heurísticas o alternativamente mediante un
proceso de ensayo y error. Este debe ser escogido adecuadamente, ya que tiene gran
influencia sobre el desempeño de la red. El escoger un número muy elevado de
neuronas hace que la red destine mucho tiempo para entrenar y sea poco
especializada, perdiendo capacidad de generalización. Por otro lado, si el número de
neuronas es demasiado pequeño la red no será capaz de aprender el comportamiento
de la serie [22].
Después de haber escogido el tipo de red con que se solucionará un problema, no hay
ningún criterio establecido para decidir la arquitectura final de la red, la elección del
número de capas que la componen y el número de neuronas de cada una de ellas es fijado
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
35
por la experiencia del diseñador, y muchas veces es realizado por un método de ensayo y
error.
La deducción matemática de este procedimiento se generalizará para redes que tengan más
de una capa oculta. A la red se le presenta un vector de entrada pi cuyas componentes
⎡ p1 ⎤
⎢p ⎥
⎢ 2⎥
⎢ M ⎥
P=⎢ ⎥ (2.4.3)
⎢ pi ⎥
⎢ M ⎥
⎢ ⎥
⎢⎣ p q ⎥⎦
El vector de entrada se propaga a través de las conexiones existentes produciendo una
entrada neta n en cada una las neuronas de la capa siguiente, la entrada neta a la neurona j
de la capa siguiente debido a la presencia del patrón de entrenamiento en la entrada esta
dada por la expresión (2.4.4). Nótese que la entrada neta es el valor justo antes de pasar por
la función de transferencia.
CAPÍTULO 2. RED NEURONAL ARTIFICIAL
36
q
n oj = ∑ W jio pi + b oj (2.4.4)
i =1
Donde:
W jio : Peso que une la componente i de la entrada con la neurona j de la capa oculta
componentes
( ): Este superíndice representa la capa a la que pertenece cada parámetro, es este caso la
o
capa oculta
Cada una de las neuronas de la capa oculta tiene como salida a oj que está dada por la
expresión (2.4.5)
⎛ q ⎞
a oj = f o ⎜⎜ ∑ W jio pi + b oj ⎟⎟ (2.4.5)
⎝ i =1 ⎠
Donde:
Las salidas a oj de las neuronas de la capa oculta (de l componentes) son las entradas a los
Donde:
Wkjs : Peso que une la neurona j de la capa oculta con la neurona k de la capa de salida, la
a ks = f s
(n )
s
k (2.4.7)
Donde:
⎛ m ⎞
aks = f s ⎜⎜ ∑ Wkjs a oj + bks ⎟⎟ (2.4.8)
⎝ j =1 ⎠
La salida de la red de cada neurona aks se compara con la salida deseada t k para calcular el
error en cada unidad de salida descrito en la expresión (2.4.9)
El error debido a cada patrón p propagado está dado por la expresión (2.4.10)
2
1 s
ep = ∑ (δ k )
2
(2.4.10)
2 k =1
Donde:
Donde:
El error que genera una red neuronal en función de sus pesos, es un espacio de n
dimensiones, donde n es el número de pesos. Al evaluar el gradiente del error en un punto
de esa superficie se obtiene la dirección en la cual la función del error tiene un mayor
crecimiento; como el objetivo del proceso de aprendizaje es minimizar el error, debe
tomarse la dirección negativa del gradiente para obtener el mayor decremento del error,
condición requerida para realizar la actualización de la matriz de pesos en el algoritmo
Backpropagation [21].
Algo importante que debe tenerse en cuenta es la posibilidad de convergencia hacia alguno
de los mínimos locales que pueden existir en la superficie del error del espacio de pesos
como se observa en la figura 2.4.5
VtÑ•àâÄÉ F
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
41
ENTRENAMIENTO Y VALIDACIÓN
Para implementar el modelo neuronal se tomaron los datos de consumo del interruptor de
un circuito de 33 kV, mostrado en el anexo I correspondiente al lazo Santa Clara –
Camajuaní, utilizándose valores de carga de las 24 horas de una base de datos cuya
información histórica se registra desde el 1 de enero hasta el 31 de diciembre de 2008. El
comportamiento de estos usuarios se visualiza en la figura 3.1.1, donde puede notarse que
las tendencias pueden llegar a causar congestión en la central en caso de no preverse con
anticipación.
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
42
Estos valores fueron normalizados porque de esa forma se obtuvo una mejor generalización
de la red en el proceso de aprendizaje. El proceso de normalización consiste en dividir cada
uno de los valores de la demanda por el valor de la demanda máximo, de tal forma que el
mayor valor de entrada a la red será uno. Los resultados mostrados posteriormente en este
trabajo se encuentran normalizados sobre la base de la demanda máxima, tal como lo
describe la expresión (2.3.1)
Valor de l a Demanda
Demanda No rmalizada = (2.3.1)
Demanda Má xima
Los valores de entrada a la red se agruparon en el vector de cuatro entradas, las cuales
describen el mes, el día, la hora y la demanda en el instante anterior al que se desea saber el
valor de consumo, para lo cual se realizó un promedio semanal por meses mostrado en la
figura 3.1.2. Se ha tomado el mes enero como 1 y en orden consecutivo hasta el mes
diciembre como 12, se asumió el día lunes como 1 y en orden consecutivo hasta el día
domingo como 7, se asumió la una de la mañana como la hora 1 y en orden consecutivo
hasta la hora doce de la noche como 24. Para que se obtengan resultados aceptables en esta
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
43
El proceso de aprendizaje no es fijo para ninguna red neuronal, el éxito consiste en probar
con diferentes configuraciones hasta obtener la respuesta deseada; para esta aplicación se
escogió una red 4 : 12 : 8 : 1 , es decir, que para un vector de entrada de cuatro dimensiones y
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
44
esperando una sola salida de red, se tienen 12 neuronas en la primera capa oculta y 8
neuronas en la segunda capa oculta. Cualquier cambio que se realice en los patrones de
entrenamiento exige una codificación diferente del vector de entrada y a su vez cambia las
condiciones generales de la red, pero el proceso de entrenamiento sigue siendo igual.
Las corridas se realizaron empleando un Software confeccionado sobre MatLab a partir del
empleo de sus herramientas para el trabajo con las RNA. La red es creada mediante el
comando newff para creación de redes Backpropagation. Una explicación del significado
de los siguientes comandos puede encontrarse en el anexo II [27].
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
45
net = newff ([1 12;1 7;1 24;0 1], [12, 8, 1], {'tansig', 'tansig', 'purelin' },'trainlm' ) ;
La red se entrenó solo con 1991 de los valores de entrada, esto representa un 98.8 %, de los
2015 que conforman todo el set de entrenamiento. Estos valores fueron presentados de
forma aleatoria, de manera que no esquematice comportamientos sino que sea capaz de
diferenciarlos. Los restantes valores se tomaron como prueba del rendimiento de la red o
validación del modelo. Es necesario aclarar que, dentro del conjunto de datos para el
entrenamiento, solo un 70 % de los datos hubiese sido suficiente.
net.trainParam.epochs = 500 ;
net.trainParam.goal = 1e − 5 ;
net.trainParam.lr = 0.075 ;
net.trainParam.mem_reduc = 1 ;
net.trainParam.min_grad = 1e − 12 ;
net.trainParam.show = 10 ;
Las predicciones fueron generadas para un período de 24 horas, las cuales no representan
una característica típica de consumo diario, sino el resultado de la predicción aleatoria en
cada punto de cualquier mes, día u hora, lo que muestra una validación general de lo que
podría conformar un conjunto de datos anual.
La convergencia se logró en todos los casos para una cantidad de corridas que oscila entre 5
y 10. El tiempo del entrenamiento se encuentra alrededor de 10 minutos.
Luego de 70 iteraciones el error cayó por debajo de 2 × 10−3 , el desempeño del error medio
cuadrático puede observarse en la figura 3.2.1
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
46
Los parámetros que definen los pesos para cada una de las capas de la red entrenada se
presentan en la tabla 3.2.1, mostrando por las columnas las entradas a cada capa y por las
filas cada una de las neuronas que la componen.
W1=net.IW{1,1}
1 2 3 4
N1 -0.0511 0.0025 -0.0601 -2.9586
N2 -0.0004 -0.0019 0.1257 -1.7328
N3 0.2447 -0.0036 -0.1552 -3.4324
N4 1.7186 0.1907 -0.3352 -3.4799
N5 0.0762 0.0514 -0.7763 11.2109
N6 0.0062 0.0012 0.3733 1.2379
N7 -0.2511 0.0048 -0.0096 -1.3445
N8 0.2654 -0.0120 -0.0426 -0.3238
N9 -0.0201 -0.0151 0.4812 1.4717
N10 -0.0014 0.0010 -0.1323 0.2690
N11 0.0042 0.0123 -0.4890 1.9043
N12 -1.7590 -0.1519 0.8674 2.9530
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
47
W2=net.LW{2,1}
1 2 3 4 5 6
N1 -6.9155 7.8634 1.6779 -0.0933 -1.3493 6.116
N2 -0.6461 4.185 -0.7133 -0.0671 0.1802 1.7352
N3 -3.8668 -26.3418 6.1262 -0.1602 2.8873 -4.4884
N4 7.5866 -5.0431 2.4609 0.2931 -1.7038 -1.2798
N5 -0.3003 4.1035 -0.5498 -0.056 0.0851 1.5043
N6 1.5105 8.4485 -4.4696 0.344 -0.4875 7.4599
N7 13.8262 -1.2127 15.0625 -0.1425 13.2399 15.0768
N8 -3.8447 11.8385 -0.4712 -0.2472 0.2655 5.8395
W2=net.LW{2,1}
7 8 9 10 11 12
N1 2.5249 -1.1145 -6.5936 12.8574 -6.1818 -0.566
N2 -0.9006 -0.3639 -1.9936 6.762 -1.0082 0.3182
N3 9.3216 10.2767 -6.1087 -30.6213 -2.3125 1.5473
N4 3.0168 2.6536 11.648 -12.4201 10.0164 -0.119
N5 -0.6471 -0.1533 -1.5407 6.1234 -0.6872 0.2942
N6 -4.893 -1.789 -4.3335 19.7642 -1.4707 2.8447
N7 2.7473 3.3179 1.1072 -8.4182 -15.1473 0.3859
N8 -0.8075 -0.714 -4.071 15.3487 7.0114 -0.0177
W3=net.LW{3,1}
1 2 3 4 5 6 7 8
N1 -0.1029 -0.2205 1.1001 0.2796 0.2537 -1.0455 -0.0863 1.0944
Los parámetros que definen las ganancias para cada una de las capas de la red entrenada se
presentan en la tabla 3.2.2, mostrando por las columnas la ganancia de cada capa y por las
filas cada una de las neuronas que la componen.
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
48
Los resultados mostrados en la figura 3.2.2 se lograron con una cantidad de patrones de
entrenamiento superior a 13 veces los pesos de la red.
a1 t1 e (%)
1 0.5866 0.5389 4.77
2 0.7816 0.8269 4.53
3 0.4118 0.421 0.92
4 0.4066 0.4052 0.14
5 0.4077 0.4093 0.17
6 0.4446 0.429 1.55
7 0.4421 0.456 1.39
8 0.5328 0.5585 2.57
9 0.6229 0.6383 1.54
10 0.5089 0.5378 2.89
11 0.4395 0.4495 1
12 0.3844 0.3925 0.81
13 0.2852 0.2889 0.36
14 0.6595 0.6425 1.7
15 0.5292 0.5466 1.74
16 0.7713 0.8083 3.7
17 0.3342 0.3472 1.3
18 0.4959 0.4883 0.76
19 0.5899 0.5764 1.35
20 0.8958 0.8808 1.5
21 0.5402 0.5751 3.49
22 0.4751 0.4922 1.72
23 0.4742 0.478 0.38
24 0.3786 0.3627 1.59
Los datos que evaluaron el desempeño de la red y con los que se calculó el error en la
simulación son representados en la tabla 3.2.4
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
50
El horizonte temporal de la predicción trae consigo que los errores sean ligeramente
mayores, esto es dedido a que se necesita efectuar una predicción que se encuentra más
alejada en el tiempo. En un mismo horizonte temporal puede aparecer un ligero crecimiento
del error, debido a que la demanda anterior tomada corresponde a varios instantes
anteriores, la misma cantidad de puntos que se desean pronosticar, provocando un
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
51
aprendizaje de valores que están muy alejados de la demanda instantánea real, dichas
diferencias son mostradas en la tabla 3.2.5
Tabla 3.2.5 Errores de la simulación para los modelos de 1h, 24 h y 168 h de pronóstoico
1 h 24 h 168 h
emin (%) 0.14 0.34 0.56
emax (%) 4.77 7.45 7.74
En las figuras 3.2.4 y 3.2.5 se muestra la validación para los modelos de 24 h y 168 h de
pronóstoico, respectivamente.
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
52
De los datos entregados en la validación el valor del error es muy aceptable teniendo en
cuenta el comportamiento de los datos de entrada, como se observa en la figura 3.1.1, pues
aunque se conserva la forma de onda, indicando que el comportamiento es similar todos los
días de la semana, los valores de la demanda pico son muy diferentes cada día.
Redes con el tipo de estructura, como la utilizada en esta aplicación, pueden emplearse para
predecir la necesidad de una reconfiguración del sistema en un día y una hora específica. Es
posible también que los resultados de una red como esta, se utilicen para adoptar estrategias
de restauración del servicio en diferentes horas y diferentes días, pues al conocer los
valores de demanda es fácil determinar comportamientos críticos y dar prioridad en el
restablecimiento, dejando por fuera a la menor cantidad de usuarios posible.
CAPÍTULO 3. ENTRENAMIENTO Y VALIDACIÓN
54
Las diferentes aplicaciones para las que sea necesario implementar una predicción de
consumo de carga, pueden derivarse fácilmente de esta adaptando el código fuente a los
patrones con los que se desea realizar la predicción, así como se mencionó anteriormente,
lo único necesario es variar la estructura del vector de entrada p adecuándolo a la cantidad
de entradas que se vayan a ingresar (año, mes, día, hora, tipo de carga, etc.) a la red y
también establecer con claridad que tipo de información de salida se espera dependiendo
del propósito de la predicción.
55
VÉÇvÄâá|ÉÇxá
CONCLUSIONES
55
Las estructuras de las redes se han definido por medio de notación sencilla y comprensible,
cada nuevo desarrollo permite cierta flexibilidad en cuanto a la forma final de la red y esto
garantiza su fácil adaptación a aplicaciones particulares.
Por otro lado, la predicción de consumo de carga permitió ver toda la versatilidad de una
red Backpropagation multicapa y de su algoritmo de aprendizaje, brindando las
herramientas necesarias para determinar la necesidad de una reconfiguración en el sistema
y los criterios que deben tenerse en cuenta para llevar a cabo un restablecimiento del
servicio.
La teoría de RNA, presenta grandes ventajas con respecto a otros modelos típicos de
solución de problemas de Ingeniería, una de ellas es su inspiración en modelos biológicos
del funcionamiento del cerebro lo que facilita su estudio debido a las analogías que pueden
introducirse para su análisis, además de su gran capacidad para aprender de la experiencia,
generalizar de casos anteriores a nuevos casos y abstraer características esenciales a partir
de entradas que representan información irrelevante.
56
exvÉÅxÇwtv|ÉÇxá
RECOMENDACIONES
56
En términos generales las RNA son una teoría relativamente nueva y como tal presentan
aún algunas limitaciones, pero su facilidad de implementación y la calidad en la
información que entregan como respuesta son la motivación suficiente para que su estudio
y desarrollo continúen.
exyxÜxÇv|tá
U|uÄ|ÉzÜöy|vtá
REFERENCIAS BIBLIOGRÁFICAS
57
TÇxåÉá
ANEXOS
59
Anexo I
00:00 Demanda Eléctrica del Lazo Santa Clara-Camajuaní
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
01/01/08 6.3 5.7 5.4 5.3 5.6 6.5 7 8.8 9.7 10 10.5 11.5 9.6 8.6 8.5 9.9 12.7 14.7 12.7 9.9 8.4 7.6 6.8 6.1
02/01/08 5.5 5.2 5 5 5.3 6.2 7.6 8 10.5 11 12.4 13.8 10 9.4 9.7 11.6 13.5 15.6 13 8.8 6.7 5.9 5 4.5
03/01/08 4 3.9 3.9 4.2 5.5 6.7 8.9 8.8 10 11 12.6 13 10.9 9.1 9.5 8.6 15.5 18.2 14.2 10.4 7.8 7 5.1 4.5
04/01/08 4 3.8 3.7 3.6 4.7 6.4 9.2 9.8 10.2 11.2 12.2 12.5 11.6 9.4 9.8 11.7 15.1 17.9 15.8 11 8.4 7 6 5.1
05/01/08 4.7 4.6 4.4 4.6 0 0 0 9.7 10.6 11.2 12.5 13.8 11.6 8.9 9.2 11.4 14.1 17.1 15.2 10.1 9.1 7.3 6 5.5
06/01/08 4.9 4.6 4.2 4 4 5.6 8.1 9.9 10.8 10.8 11.7 12.7 11.2 10.7 10.7 11.9 15.2 16.5 11.2 10.2 7.8 7.2 5.9 5.1
07/01/08 4.7 4 4 4.3 5.7 7.9 10.3 8.9 9.3 9 11.6 10.6 8.8 8.3 8.4 10.7 13.9 19 17.3 12.2 9.9 8.5 6.5 5.5
08/01/08 4.8 4.5 4.3 4 5 8.5 10.6 9.2 9.7 10.2 11.6 12.2 10.2 8.5 9.4 10.7 17 18.9 17.4 12.5 9.5 8 6.2 5.8
09/01/08 5 4.8 4.8 4.9 6 7.5 10.2 9.4 9.4 9.6 10.8 12.1 10.2 8.7 9.1 10.6 14 17.7 16.5 12.2 9.9 8.9 6.3 5.6
10/01/08 5.3 5.1 4.6 4.4 5.5 9.2 10.4 9 9 9.6 10.8 11.4 9.9 8.7 9.1 10.6 15.3 18.4 16.5 12.4 10.1 8.6 6.4 6.1
11/01/08 5.5 5 5 5 6.2 7.6 10.3 9.8 9.9 10 12.1 12.2 10.2 9 9.4 10.9 14.1 17.6 18 12.7 9.8 8.4 6.6 6
12/01/08 5.5 5.2 5 5 5.6 7.1 9.3 10.5 10.7 10.8 12.2 13.3 9.9 9.3 9.4 10.5 13.9 17.7 16.9 12.2 9.6 8.3 6.8 6.2
13/01/08 5.6 5.6 5.5 5.4 5.7 6.2 9.6 11.2 11 11 12.3 13.4 11.6 9.4 10.1 11.4 14.2 16.8 15.9 11.7 9.9 7.8 6.6 6.1
14/01/08 5.6 5.3 5.3 5.3 5.5 9.4 10.8 9.4 9.6 11.2 11.2 10.9 10.9 9.9 9.4 10.6 14.3 17 17.6 11.6 10.6 9.6 6.5 6.1
15/01/08 6 5.7 5.5 5.5 6.9 9 9.6 9.7 10 10.4 12 12.6 10.5 9.2 9.7 11.2 14.1 18.2 17.6 12.3 10.2 8.6 6.9 6
16/01/08 5.5 5.3 5.2 5.2 6.5 8.4 10.9 10.1 10.3 10.7 12.3 12.2 9.8 9 8.9 11.1 14.9 17.9 17.1 12.3 9.7 8.4 6.9 6
17/01/08 5.5 5.4 5.3 5.3 6 7.9 11.2 10 5.6 8.1 9 9.4 7.2 7 6.5 7 10.4 14.7 14.2 12.2 11.4 9.1 7.5 6.3
18/01/08 5.6 5.6 5.3 5.4 6 8.1 11.3 10.2 11.7 12.2 13.9 14.7 11.8 10.5 10.8 12.5 13.8 17.3 17.6 12.9 10.3 7.9 7.1 6
19/01/08 5.8 5.4 5.3 5.3 5.9 7.1 10.1 10.7 10.2 10 12.8 13.6 9.8 8.2 8.4 10 12.8 16.9 17 12.6 10.1 9.1 7.4 6.7
20/01/08 6 5.7 5.5 5.3 5.6 6.8 9.4 10.4 10.7 11 12.6 12.9 11.1 11.1 11.1 11.1 14.6 15.7 14.2 11.3 9.3 7.8 6 6.2
21/01/08 6.6 5.5 5.5 5 6.7 8.1 9.9 9.4 10.1 11.3 12.9 12.8 10.3 9 9.4 10.5 13.8 15.6 13.8 13 9.8 8.3 6.5 5.1
22/01/08 5.1 5 5 5.1 6.1 8.2 10.4 10.4 9.7 10.4 11.7 12.4 10.6 9.1 9.5 11.5 14.9 16.7 16.3 11.3 9.4 8.8 6.1 6.1
23/01/08 5.7 5.5 5 5 6.9 8.6 10.4 9.3 9.1 10.2 11.4 12.1 10.3 9.2 9.5 10.5 13.5 16.7 17.6 12.9 9.8 8.9 7.2 6.3
24/01/08 5.9 5.5 5.2 5.1 6.2 8.3 10.9 9.1 9.6 10.1 11.9 12.9 9.4 8.7 9.9 10.5 13.5 17.4 17.7 13 10.4 9 6.6 6.5
25/01/08 6.2 5.8 5.5 5.7 6.5 7.6 8.2 8.8 9.9 10.9 11.8 12.1 10 8.7 9.3 10.7 13.8 16.5 17.4 12.9 9.5 8.3 7.1 6.3
ANEXOS
60
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
26/01/08 6 5.6 5.2 5.2 6.5 8.2 9.9 10.1 11.1 11.7 12.6 12.6 10.3 9.2 10 12.1 12.2 17.4 16.4 12.5 9.9 8.5 6.2 6.1
27/01/08 5.7 5.3 4.7 4.7 5.7 6.7 10 11.2 10.7 11.1 12.6 14 11.4 9.3 9.8 11.5 14.1 17.1 15.9 11.1 9.5 7.9 6.6 5.7
28/01/08 5.4 5.1 4.7 4.5 5.5 9.2 10.3 9.1 9.2 9.8 10.4 12 10 8.5 8.3 11.1 15.6 18.6 16.5 12.2 9.2 7.6 6.3 5
29/01/08 4.8 4.6 4.5 4.5 5.5 6.7 10.8 9.4 9.4 8.9 11 12.2 9.4 7.9 9.5 10.4 13.6 17.7 17.2 11.2 9.3 7.8 5.8 5.2
30/01/08 5 4.5 4.2 4 6 8.8 10.8 10.1 9.3 8.2 9.9 10.9 10.5 8.8 9.8 10.1 13.2 17.1 17.3 12.5 9.9 8.5 6.5 5.6
31/01/08 4 3.4 2.4 2.4 3.4 4.2 6.5 5.2 5.2 5.4 6.5 6.8 5.7 5.2 5.2 6 7.6 16.8 14.7 11.1 10.1 8.4 6.5 5.5
01/02/08 5.1 4.4 4.2 4 5.2 8.3 10.4 9.5 8.3 8.9 9.5 10.2 8.3 8.2 8.7 10.9 13.1 17.6 17.4 11.4 9.8 8.4 6.4 5.6
02/02/08 5.3 5 4.9 4.8 5.4 6 10.1 10.6 10 10.5 12.8 13.7 10.4 9.4 10.4 11.2 13.4 15.8 16 10.9 9.1 8.3 7.6 6.3
03/02/08 5.8 5.5 5 5 5.5 6.3 8.6 10.5 11.1 11.6 12.8 14.1 11.9 10 10.2 11.4 14.6 16.3 15.7 11.1 9.3 7.9 6.5 5.5
04/02/08 5 5.2 5.1 4.9 5.4 7.5 10.7 9.4 10.1 8.5 9.8 10.9 6.9 7.8 9.4 10.7 13.5 16.7 16.8 12.7 10.4 9 6.5 6.1
05/02/08 5.3 5 4.9 4.9 6 8.3 10.9 9.6 9.9 9.2 12.8 12.4 11 9.8 10 9.4 12 17.4 12.9 10.2 8.9 8.1 7.5 6.3
06/02/08 5.5 5.2 5.3 5.4 6.2 7 7.8 9.2 8.9 10.1 11.2 12 10.2 9.6 9.9 11 14.6 18.8 17.7 13.6 11.2 9.3 6.4 5.4
07/02/08 5.2 5 5 4.7 5.3 7.2 8.5 6.9 7.9 6 7 7.3 6.1 5.4 5.2 6.2 7.8 9.6 9.9 12.6 10.6 9.3 7.6 6.4
08/02/08 6.1 5.8 5.5 5.6 5.8 8.1 11.5 10.8 10.6 11.3 13.1 12.9 10.4 9.4 9.7 10.7 13.8 17.4 17.8 12.6 10.2 9.4 7.8 6.8
09/02/08 6.4 6 5.7 5.6 6.3 8.1 10.3 10.3 10.4 11.3 12 12.7 10.4 8.3 8 10.5 13.1 16.3 16.1 12.1 9.6 7.9 7 5.9
10/02/08 5.3 5 4.8 4.7 5.3 6 8.8 10.4 10.2 10.6 12.7 13 10 8.6 9.7 11.6 14.2 16.8 15.5 11.8 9.7 8.3 7 6.3
11/02/08 6 5.5 5 5 6.5 8.8 10.3 11 10.3 10.6 12.7 12.9 10 9 10 11 14.5 15.5 17 11.4 9.5 8.1 5.5 5.5
12/02/08 5 4.7 4.7 5.2 6.7 9.3 11.3 9.7 9.3 10.3 11.6 12.5 10.9 9 9.6 10.6 13.2 16.2 17.5 13.2 10.8 9.1 7.5 6.9
13/02/08 6.3 5.5 5.2 4.9 6.5 8.4 9.8 9.4 9.3 9.6 10.9 11.8 9.6 8.5 8.6 10.5 12.4 16.7 16 13.1 11 9 7.5 6.3
14/02/08 6.2 6.2 5.1 5.6 6.4 8.5 11.2 9.9 10.5 11.1 12.4 12.5 11.1 9.6 10.2 11.8 14 17.4 16.8 12.4 9.8 9.2 8 6.7
15/02/08 6.2 6 5.7 5.7 6.8 9.2 10.5 10.1 8.5 10.9 11.9 12.1 10.9 8.9 9.8 10.6 13.1 17.1 17.8 14.3 10.7 9.3 8 6.9
16/02/08 6.2 6 5.9 5.7 6.9 7.4 10.4 11.4 11.8 12.2 13.3 13.3 9.7 8.6 9 10 12.4 15.6 16.8 13.2 10.5 8.7 7.2 6.7
17/02/08 6.3 5.9 5.7 5.7 6 6.4 9.8 11.4 11.3 11.8 13.6 13.9 11.5 9.8 10.4 11.8 15.2 16.6 16.2 12.4 9.8 8.5 8 7
18/02/08 6.7 5.6 5.6 5.7 5.8 8.6 10.9 9.4 9.1 10.1 12 11.3 10.5 8.7 10.3 11 14.4 14.7 15.8 12.4 10.4 9.8 7.5 6.9
19/02/08 6.5 6 5.5 5 6.8 9.1 11 9.5 9.7 10.5 12.5 13 11 10 9.5 9.8 12.7 17.2 17 13.1 11.1 9.3 8.4 7.4
20/02/08 6.3 5.5 5.5 5.5 6.7 8.8 11.9 9.3 10.6 10.1 12.7 11.9 10.4 8.6 9.2 10.9 13.6 16 17.8 13 10.6 9.8 7.8 7
21/02/08 6.6 6.7 6.4 6 6.7 7.1 10.8 9.8 10.2 11.2 6.9 6.4 6 6.2 3.8 4.1 5.5 18 18.2 12.6 11 9.2 7.5 6.7
22/02/08 6.3 6.3 6 6 6.8 8.7 10.8 9.8 10.2 11.4 12.8 12.6 10 9.4 9.8 10.3 12.6 16.6 18.1 14.1 11.3 9.4 9 7.2
ANEXOS
61
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
23/02/08 6.3 6 6 5.8 6.5 8.4 10.8 9.8 10.6 10.8 12.1 13.6 10 9 10.8 11 15.8 16.9 17 13.3 9.9 8.6 6.5 6.1
24/02/08 5.5 5 5 5 5.7 6.7 9.5 10.6 11 11.4 12.6 14.1 10.6 9.4 9.3 11 13.3 15.8 15 11.7 9.5 8.7 7.5 6.1
25/02/08 5.7 5.5 5.4 5.2 6.7 9.9 10.3 9.8 9.8 10.6 12.3 11.7 11 9.5 9.6 10.7 13.6 15.8 18.3 13.4 10.9 8.8 7.6 6.9
26/02/08 6.5 6.3 6.7 6.7 6.5 9.2 10.9 9.9 10.3 11.1 12.5 12.1 9.9 10.3 10.1 11.4 13.2 17 17.9 14.5 11.1 9.8 8.2 6.7
27/02/08 6.2 6 5.5 5.5 6.8 8.9 10.2 9.5 9 8.9 13 12.7 9.9 9.7 7.8 9.7 13.9 19.5 18.5 12.3 9.4 8.6 5.5 5.4
28/02/08 5.4 5 4.7 4.7 5.9 9.5 11.5 9.9 10.1 4 4.2 4.6 3.9 3.1 3.5 10 13.8 16.9 16.8 11.8 9.5 7.7 5.9 5.4
29/02/08 5 4.8 4.5 4.3 5.4 7.7 9.9 9.4 9.4 10.5 11.8 11.7 10.6 8.7 9.4 11.2 12.7 16.9 16.6 13.3 9.5 9 6.8 6.2
01/03/08 6.3 4.3 5 5.2 5.3 5.9 8.6 10.4 11 11.6 12.6 13.7 10.9 9.5 10.1 11.1 12.4 15.8 16.1 12.3 9.6 8.1 6.5 5.7
02/03/08 5.2 4.6 4.5 4.4 5.9 6.2 9.1 10.6 10.9 11.3 13.4 13.6 10 9.4 9.7 12.4 16 17.7 15.6 11.4 8.7 7.5 6.2 5.8
03/03/08 5 4.7 4.5 4.5 5.7 8 9.9 9.9 10.4 10.9 12 12.6 10.1 8.9 9.8 11.2 14 16 17 12.5 11.2 9.6 8 6
04/03/08 6.5 6.2 5.4 5.5 6.1 7.7 10.9 10.2 10.3 11.5 12.3 12.4 10.2 9.6 10.8 11.3 14 17 18.1 13.7 10.3 8.9 7 6.8
05/03/08 6 5.5 5.5 5.5 6.7 9 10.3 9.9 10.4 11.1 12.8 12.9 10.4 10 9.7 10.5 12.7 16.1 16 12.4 10.5 8.4 7.3 6.7
06/03/08 5.5 5.2 5.2 6.5 6.3 8.4 10.8 11 9.5 11.3 13.4 13.4 10.4 9.4 10.6 11.7 14.8 17.7 18.1 13 11.1 10.1 8 7.3
07/03/08 6.5 5.7 5.5 5.8 7.2 10 11.2 10.3 11.3 11.8 12.9 12.9 10.7 9.8 10 11.1 13 15.6 18.3 14.5 10.9 9.7 8.6 7.7
08/03/08 6.9 6.5 6.2 6 7.1 7.8 10.1 10.9 10.9 11.1 12.3 12.9 10.8 9.6 8.4 9.5 13.1 15.8 15.6 10.4 9.2 8.5 7 5.9
09/03/08 5.6 5.5 5.1 4.9 5.2 5.5 9.3 10.8 11.1 11.7 12.2 12.4 11.6 9.7 10.1 12.5 15.6 16.3 15.1 11.2 9.5 7.7 6.3 6
10/03/08 5.8 5.5 5.5 5.7 6 8.9 9.9 9.7 10.5 11 12.6 12.2 9.6 8.6 9.2 10.8 13.1 16.2 17 13.2 10.5 9.5 7.3 6
11/03/08 5.7 5 4.9 4.9 6.2 9.7 11.1 9.5 10.1 11 12.3 12.2 11 9.5 9.7 10.3 12.6 16.1 18.2 14 11.3 9.5 7.8 7.2
12/03/08 6 5.7 5.2 5 5.8 8.4 10.4 9.2 10.3 10.8 12.1 12.7 10.4 9.5 10 10.6 13.1 17 17.2 13 10.1 9.3 8.3 7.1
13/03/08 6.4 5.7 5.7 5.3 6.3 8.1 8.5 9.2 8.9 9.2 9.4 10 8.4 7.2 8.8 10.9 14 17.1 17.1 13.4 10.8 9 7.3 6.9
14/03/08 6.5 6 6 6.2 7.5 9.8 11.3 10.1 10.1 11.3 13 13.4 10.3 8.9 9 9.8 13.3 14.8 18.1 13.3 9.8 9.1 6.9 6
15/03/08 5.5 5.2 5 5 5.1 6.3 11 10.4 10.5 12.4 12.9 12.7 9.8 9.6 9.8 11.2 12.7 14.8 17.2 12.3 9.1 7.7 8.3 7.1
16/03/08 7.1 6.8 5.2 5 5.4 6.9 7.6 10.1 10 10.2 11.7 13.1 11.5 11.7 10.7 10.4 12.2 13.9 15 14.5 10 8.9 8.3 7.1
17/03/08 6.5 6 5.7 5.7 7.2 9.1 10.5 10 10.8 11.4 12.9 13.5 11.1 10 10.2 11.7 13.2 16 16.3 16.7 11.7 10.8 9.3 6.8
18/03/08 6.5 6 5.6 5.5 6.8 8.9 11.5 11 10.3 10.4 11.4 12.4 8.8 8.8 8.8 10 12.7 15.7 17 14 11.7 9.3 9.3 6.8
19/03/08 6.5 5.7 5.7 5.7 6.7 8.7 10 9.6 9.6 10 11.7 11.6 9.6 8.2 8.4 11.3 12.1 15.4 16.1 15.9 11.8 9.8 7.4 7
20/03/08 6.5 6 5.8 5.7 6.5 8.3 10.8 9.6 10.1 10.3 12.2 13.3 9.3 10 10.4 10.8 13.3 16.4 0 0 1.7 1.3 0.9 0.8
21/03/08 6.1 6 5.9 5.8 6.3 7.6 8.3 9.7 9.5 11.1 12.1 12.4 10.4 9.6 10.4 10.8 12.4 15.3 16.1 15.7 11.8 9.5 7.8 6.9
ANEXOS
62
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
22/03/08 6.1 6 5.8 6 6 7.3 9 8.9 10.7 11.3 11.5 13.6 12 9.7 9.5 9.6 11.5 14.6 15.4 13.8 10.5 8.9 7.8 6.9
23/03/08 6 5.5 5 5 5.7 6.6 8 9.6 10.8 10.8 12 13 11.6 8.8 9 9.9 13.1 15.5 14.7 13.3 10.5 8.7 8.2 6.7
24/03/08 6.3 5.7 5.5 5.4 6.5 8.9 11.3 9.6 10.5 11.1 12.5 12.6 10.3 9.5 9.8 10.9 14.4 17 17.7 14.7 10.2 9.2 6.8 5.9
25/03/08 5.5 5.2 5 5.2 6.2 8 10.3 8.8 9.6 9.6 11.9 12 9.7 8.7 9.9 10.7 12.9 17 17.5 15.3 11.5 9.1 6.7 5.7
26/03/08 5.4 5.4 5.4 5.4 5.4 7.6 10.7 9.7 10.7 10.2 11.8 12.7 10.6 9.7 8.9 9 13.9 17.6 17.5 15.3 11.2 8 6.7 6
27/03/08 5.7 5.4 5.4 5.4 5.4 8.9 10.4 8.7 9.2 8.8 10.4 11.4 10.9 8.8 8.1 9.6 12.7 16.1 16.8 15 11.1 8.8 7.7 6
28/03/08 5.6 4.9 5.3 5.3 6.1 8.1 10.2 9.1 9.6 9 12 13 11 9.6 9.1 10.4 12 14.9 16.5 16.2 11.2 9.3 7.7 6.3
29/03/08 4.9 5 5.1 5 5.3 6.2 8.8 10.4 10.2 11.5 12.8 14.3 11.1 9.8 8.9 10 12.6 14.5 16.3 14.6 10.7 8.2 7.7 6.4
30/03/08 5.7 5.3 5 5 5.2 6 7.1 8 9.9 10 11 12 11.9 10.5 10.5 10.9 13.6 15.2 15.9 13.2 10.1 8 7.7 6.4
31/03/08 6 5.7 5.7 5.7 6.9 8.3 10.4 9.4 9.5 10 12.1 12.2 10.5 9.2 9.9 8.6 10 14.7 16.9 16.4 11.8 9.9 8.2 6.9
01/04/08 6 5.6 5.5 5.5 6.5 8.1 10.3 9.1 9.6 11.2 12.2 13.1 10.9 10.3 10.5 10.8 13.6 17.4 17.7 14.8 10.8 8.5 7.7 7.5
02/04/08 6.8 6.6 6.2 6 7 8.2 11.1 9.6 10.1 11 12.1 13.1 10.8 9.5 8.9 10.9 12.2 14.6 17.5 15.3 12.1 8.9 7.8 6.6
03/04/08 5.8 5.6 5.6 5.1 5.6 7.3 10.3 10.5 10.8 10.3 12.8 12.4 9.7 9.5 9.7 10.5 13.8 17.1 17.3 15.6 11.2 9.6 7.6 6.6
04/04/08 6 5.7 5 5 6.7 8 10.4 9.4 9.9 9.8 11.4 12.9 11 9.6 9.6 10.8 12.9 15 18 15.9 12 10.6 8.6 7.3
05/04/08 6.5 6 5.7 5.5 5.8 7.7 10.4 10.8 11.2 11.2 12.8 13.8 12.1 10.3 10.5 11.4 12.9 15.1 15.9 15 12.2 9.8 7.8 7
06/04/08 6.7 6.5 6 5.7 6.2 6.8 9.3 11 11.1 11.5 13.4 14.1 11.6 10 10.5 11.6 13.5 15.3 14.9 13.8 11.8 10 8.7 7.9
07/04/08 7.1 6.7 6.6 6.6 7 9 11 9.9 10.5 11.3 11.3 12.6 11 10.2 10.3 11.2 13.2 16.4 17.7 14.3 11.1 9.7 8.2 7.9
08/04/08 6 5.7 5.7 5.7 7.2 9.3 8.8 9.5 8.9 9.7 8.3 11.2 9.9 8.3 9.4 9.6 11.2 15.7 16.8 16.4 11.3 10 8 7.2
09/04/08 6.4 6 5.7 5.5 6.2 8.4 11 9.4 9.7 10.5 12.4 12.8 11.6 9.6 9.9 11 12.5 15.1 16.7 15.7 12.1 10.4 8.9 7.6
10/04/08 6.8 6.5 6.2 6.1 6.3 7.8 10.8 9.5 10.2 11.3 10.5 12.6 10.7 7.9 9.8 9.4 12.8 15.3 17 16 12.6 10.5 8.7 7.9
11/04/08 7.2 6.7 6.5 6.5 6.6 8.7 11 9.4 8.8 9.3 10.6 10.9 8.7 8.1 8.4 10.9 12 14.8 16.4 15.7 12.6 10.2 8.8 7.8
12/04/08 6.9 6.5 6.2 6 6.6 7.7 8.4 10.5 11 11.2 12.3 13.8 11.7 9.7 10.2 10.4 12.2 14.6 16.1 15.4 12 10.2 9.2 8
13/04/08 7.1 6.3 6.6 6.5 6.7 7.7 8.2 10.6 10.4 11 11.4 14.1 13 9.9 10.2 12.4 14.2 16 15.8 13 12 8.2 8.2 7.3
14/04/08 6.7 5.7 5.7 5.9 7 9.2 11 9.3 9.7 10.7 12.1 12.5 10.2 9.3 8.5 9.9 11.6 14.7 16.7 15.5 12.3 11.6 7.2 7
15/04/08 6.5 6.2 6 6 7.8 9.2 10.5 9.2 9.2 8.8 10.5 11.4 8.8 7.8 7.7 9.3 11.7 16.3 17 14.7 10.3 9.3 7.2 7
16/04/08 6.7 6 5.6 5.6 7.2 8.4 10.6 8.8 9 9.9 11.5 12.5 10.5 8.6 8.8 10.3 12.5 15.7 16.9 15.4 11.6 9.1 6.9 6.1
17/04/08 5.8 5.6 5.6 5.7 6.7 8.1 10.7 9.2 8.9 9.7 10.2 12.4 10.6 9 8.6 10.4 12.1 15.4 17.4 16.1 11.9 9.6 6.7 6.3
18/04/08 5.9 5.5 5.3 5.7 6.5 8.4 10.8 9.6 9.9 10.3 11.5 12.5 10.6 9.1 9.4 10.5 12.4 16.3 17.2 15.8 12 9.8 7.7 4.2
ANEXOS
63
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
19/04/08 4.2 4 3.8 3.5 3.5 4.2 5.2 6.2 6.7 5.6 7.2 7.2 6.2 6.7 6.2 6 7.4 8.9 9 15.5 11.1 9.7 7.5 4.7
20/04/08 4.3 4 4 4 5.3 7 9 10.4 10.7 10.8 12.6 13.8 12 9.8 9.7 10.9 13 14.4 14.2 13.1 10.4 7.8 7.1 6
21/04/08 5.8 4.4 4.1 4 5.2 7.4 9.2 7.9 8.3 9 11 11.3 9 8.5 8.8 7.9 12.3 15 15.9 15.3 11.1 9.4 7.4 6.3
22/04/08 5.8 5.4 5.3 5.2 6 7.4 9 8.2 8.9 9.7 10.8 11.9 9.5 8.7 9 9.5 11.6 14.4 15.7 14.7 11.1 9.5 7.6 6.7
23/04/08 6.2 5.8 5.7 5.7 6.5 8 9.4 10.4 9.1 9.5 12.3 11 9.5 9.1 8.5 9.9 11.5 15.5 17.3 15.2 11.6 10.2 7.8 7.4
24/04/08 6.7 5.7 5.7 5.7 6.7 7.9 10 8.6 7.4 7.5 9.3 10.4 8.2 6.8 8.2 8.3 9 13.7 17.1 15.8 12.8 9.3 8.2 6.9
25/04/08 6.5 6.2 6 6 6.7 8.8 10.3 10.3 10.8 11.2 11.4 13 11.3 9.7 8.5 10.3 10.3 10.1 16.4 15.5 11 9.3 7.9 7
26/04/08 6.7 6.8 6.7 6.2 5.4 6.3 9.7 10.6 10.7 11.5 13 13.4 11.2 9.4 9.1 9.7 11.7 15 15.6 14.4 11.7 8.7 8.3 7.5
27/04/08 7 6.5 5.5 5.4 6.5 7.3 10 10.4 10.1 10.3 13.1 13.5 10.8 9.2 10 11.3 14.3 14.3 15.4 13.6 11 9.8 7.9 7.1
28/04/08 6.6 5.9 5.2 5.3 7.7 10.4 10.9 9.5 10.2 10.6 12.6 12.8 11 10 10.2 10.9 11.4 16.3 16.9 15.4 11.4 10 8.5 7.2
29/04/08 6.7 6.5 6 6 6.6 7.7 11 9.9 10.6 11.6 12.8 13.4 11.3 10.2 10.3 11.1 12.5 16.8 16.9 14.6 10.9 10 7.4 6.8
30/04/08 6.6 6 5.1 5 6 7.6 8.6 9.9 10.4 11.3 12.1 13.1 11.4 10.2 10.1 11 12.8 15.3 15.6 15 11.5 9.2 7.6 6.3
01/05/08 6.5 6.3 6 6 7.1 8.5 8.9 9.3 9.8 9.6 11.6 12.4 10 8.1 9.3 9.4 12.4 14.7 14.9 12.9 10.6 9.6 7.1 6.1
02/05/08 5.7 5.5 5 5 6.9 8.8 10.1 9.7 10 10.6 11.3 12.2 10.4 9 8.5 10.1 11.4 14.2 17 14.5 11.7 9.9 7.6 6.2
03/05/08 5.8 5.5 5.2 5.4 6 7.6 10.1 10.5 10.5 11 13.1 13.4 11 9.9 9.6 9.7 11.2 13.8 15.7 13 10.6 9.4 7.6 6.6
04/05/08 6.7 6.7 6.6 5.6 5.4 6.5 7.7 9.6 11.3 11.3 12.9 14.1 11.7 10 10 10.4 12.4 14.2 14.8 11.7 11.4 9.9 8.8 7.7
05/05/08 7.1 6.8 6.5 6.2 7 8.6 10 8.6 10 10.5 10.9 13.7 11.2 10.2 10.6 11.4 13 14 15.6 15.5 11.3 9.5 8.3 7.7
06/05/08 6.5 5.7 5.5 5.5 6.7 8.9 10.4 9.7 9.8 10.5 12.5 12.5 10.9 9 10.6 11.1 12.4 14.5 16.7 14.7 12.2 9.8 8.6 7.1
07/05/08 6.7 6.2 6 5.8 6.7 8.2 10.5 9.7 9.6 10.9 13.5 12.9 11.3 10.6 10.6 11.3 12.7 15.2 15.7 14 11.7 9.7 7.8 6.9
08/05/08 6.7 5.6 5.8 5.8 6.8 8.2 9.5 10.2 8.9 11.2 12.6 13.6 12.1 10.6 10.4 11 11.3 15.8 16 12.9 10.4 8.1 7.6 6.6
09/05/08 4.9 6 5.8 5.9 6.2 7.7 9.5 9.2 10.5 11.2 12.6 13.3 11.3 10.4 9.5 11.1 12.5 10.8 13.6 11.9 9.6 8.5 6.1 6.4
10/05/08 5.8 5.5 5.1 5 5.8 7.7 9.8 10.7 10.5 8.8 12.2 13.6 10.8 9.8 9.3 10.5 12.4 13.5 14.5 13.8 10.8 8.8 7 6.9
11/05/08 5.7 5 4.7 4.7 5.3 6.9 8.5 10.3 10.3 10.4 11.6 12.9 11 10.3 10.3 11.9 12.5 14.1 13.5 12.4 11.4 10.2 9.4 8.3
12/05/08 7.7 7.5 7.3 7.2 7.6 8.9 11.4 9.7 10.4 10.9 13.1 13.6 11.6 10 10.2 10.5 11.2 13 14.7 14 11.6 10.9 9.3 8.2
13/05/08 8 7.6 7.4 7 8.5 9.9 10.3 9.5 9.9 11.1 12 12.5 10.5 9.7 10.4 9.9 10 14.8 15.8 13 11.6 9.7 8.6 7.7
14/05/08 6.7 5.3 4.9 4.9 6.7 8.5 11.2 8.9 9.5 11.9 12.6 12.6 11 10.4 10.4 11.4 12.1 14.4 15.1 14.6 11.6 10.2 8 7.8
15/05/08 7.8 7.2 6.9 6.5 6.6 8.3 10.9 8.5 9.5 9.3 10.3 11.6 10.2 9.1 9.1 10.1 12 14.7 15.6 14.4 12 9.8 7.2 7.2
16/05/08 6.9 6.6 6.5 6.7 7.2 7.4 7.9 8.5 9.1 10.8 11 12.4 11.4 10.2 9.2 9.9 11.1 13.5 15.8 14.6 11.5 10.2 8.5 7.8
ANEXOS
64
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
17/05/08 7.7 7 6.3 6.3 6.8 8.2 9 10.2 9.7 10.1 11.8 13.4 10 9.3 9.3 10.7 12 14.2 15 14.3 11.5 9.6 7.9 7.7
18/05/08 6.2 5.5 5 5 6.2 8.3 10.7 11.1 11.5 11.6 13 14.4 11.8 10.3 10.9 10.2 12.5 14.3 14.5 13.7 11 9.9 9 7.8
19/05/08 7.5 7 6.5 6 6.6 7.9 10.3 8.4 9.4 10.6 11.9 12.7 11.7 10.7 10.4 10.2 11.9 15.4 15.2 14.1 11.1 10.5 9 7.9
20/05/08 7.2 7.5 7.6 6.7 6.6 8.6 9.9 9.7 10.1 10.4 12.3 12.1 10.3 9.8 9.7 10.6 11.6 13.8 14.7 14.4 11.9 11.3 9.7 9.9
21/05/08 8.2 8 7.5 7.2 7.6 8.7 10.5 9.6 9.6 9.8 11.8 12.6 10.2 8.9 9.6 10.6 11.9 14.1 16 14.4 12.1 10.7 10.1 8.7
22/05/08 8.4 8 7.6 7.2 8.3 9.2 10.7 9.2 10.1 10.8 11.8 12.3 10 9.5 9.9 10.1 6.7 9.1 10 14.3 13.7 10.3 9.4 8.4
23/05/08 8.1 8.1 7.7 7.7 9.4 10.4 11.5 11.2 11.3 11.3 13.1 13.8 11.1 9.6 9.9 10.8 13.9 16.7 13 14.1 11.8 10.3 9.3 8.6
24/05/08 8.2 8.1 8.1 7.9 7.3 7.1 10 10 10.3 10.8 11.8 13.1 11.2 8.2 8.6 8.3 11.2 12.9 16.1 13.7 11.2 9.5 8.6 7.9
25/05/08 7.8 7.6 7.5 7.5 7.5 7.7 10 8 10 10.7 12.6 13 12 9.2 9 10.5 13 13.5 13.7 12 10.6 9.8 6.5 6.5
26/05/08 6.5 6.5 6.6 5.7 6 8 10.3 9.1 9.4 10.9 12.6 12.7 11.8 10.9 10.7 11.2 12.7 15.5 16.4 11.4 12.1 10.7 9.2 8.2
27/05/08 7 6.7 6.5 6.4 7 9 10.9 10.4 11 11.6 13 12.4 11.7 10.5 10.3 10.8 10.3 10.8 15.6 12.6 10.4 8.9 7.8 7
28/05/08 6.4 6 5.7 5.4 6.3 8.1 10.8 8.9 10.8 9.7 11.7 11.5 9.7 10.4 10.3 11.2 13.3 16.2 15.1 13.9 11.8 10.5 8.7 7.7
29/05/08 6.7 6 5.7 5.7 6.3 9.1 10.5 9.6 10.7 11.1 12.6 13.2 11.9 10.6 9.8 10.1 13 14.9 15.9 14.5 12.5 11.2 9.7 4.7
30/05/08 4.4 4.3 4 3.9 3.9 5 6.4 5.4 6 6.1 6.8 0 6.7 5.7 5.9 6.4 5.5 6.2 7.1 5.9 4.9 4.1 3.4 2.9
31/05/08 2.6 2.3 5.4 5 7 7.5 9.2 9.3 10.9 4 4.5 5.3 6.8 5.7 5.6 6.1 6.8 8.5 8.6 8.6 6.9 6 5.4 2.5
01/06/08 2.8 2.7 2.7 3.7 3.2 3.1 5 5.8 6.2 6.2 6.8 7.7 6.4 5.6 5.7 6.7 8.4 9.8 9 7.5 6.7 5.7 5.1 7
02/06/08 7 6.9 6.9 6.8 7.2 9.1 11 9.7 10.5 10.9 11.9 11.6 11 10 10.3 10.9 15.2 14.4 16.3 12.6 10.8 9.6 7.1 6.9
03/06/08 7.5 6.5 6 6 7.9 8.7 10.8 9.4 3.5 3.8 4.3 4.6 4.1 6.1 5.8 6.5 9.4 15.5 15.6 14.3 12.1 10.2 8.4 8.1
04/06/08 7.4 6.5 6.2 6 6.8 9.1 9.8 9.5 10.2 10.2 12.3 12.7 10.9 9.9 9.8 10.2 11.5 14.2 10.8 14.4 12.4 10.6 9.3 8.1
05/06/08 7.8 6.7 6.8 7 7.5 9.6 11.1 9.7 10.3 11 12 12.1 11 9.9 9.8 10.5 12.8 12.6 10.9 11.8 12.1 10.4 8.4 8.1
06/06/08 7.5 7 7.1 7.4 7.5 10.3 10.7 9.6 10.5 11.2 12.7 13 10.9 9.4 9.7 10.9 13.3 14.6 15.3 14.2 11.7 10.4 8.9 8.3
07/06/08 8 7.2 6.9 6.9 7.7 8 10.1 10.7 10.9 11.3 12.5 13.7 11.4 9.2 9.4 10.3 12.1 14 14.8 14.4 11.6 10 8.9 7.9
08/06/08 7 6.5 6.2 6.2 6.5 7.4 9.4 10.1 10.2 10.9 12.5 13.4 11.2 9.4 9.4 7.2 0 0 0 0 0 1.4 5 7.2
09/06/08 6.6 6.6 6.4 6.9 7.3 8.8 10.5 9.3 9.7 10.1 12 12.6 11.1 9.8 10.4 11.2 12.5 15.5 16 13.4 11 9.8 8.3 7.8
10/06/08 7.5 7 6.9 6.3 7 9.5 9.3 9.5 10 11 12.5 12.7 10.9 9.9 10.2 11.8 14.7 16.6 16.5 13.4 10.1 9.9 8.9 8
11/06/08 7.5 7.2 6.7 6.7 7.7 9.7 10.7 9.6 9.8 10.9 12.2 13.2 11.2 9.9 10.1 11 12.6 15.8 15.4 14 12 11 9.5 8.4
12/06/08 7.7 7.3 6.9 6.7 7.5 9.6 10.6 9.8 10.4 11 12.3 12.7 11 9.8 10 10.8 12.1 14.5 15.6 14.5 12.3 10.8 9.4 8.5
13/06/08 7.7 7.5 7.5 7.4 7.5 9.5 10.9 9.3 10.1 10.9 12.6 13.2 10.8 9.9 9.9 10.4 11.9 14.7 15.5 14.5 13.8 10.9 10 8.7
ANEXOS
65
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
14/06/08 8.2 7.6 7.5 7.5 7.7 8.1 9.1 9.2 9.2 9.7 8.7 9 10 8.1 9.1 10.5 11.2 14.2 14.5 13 11 10.5 9.3 8.3
15/06/08 7.8 6.7 6.6 6.6 7.5 8.2 9.9 10.8 10.4 11 12.4 13.1 11.9 10.7 10.1 11.1 11.9 15 13.9 12.1 11 10.2 9.1 8.3
16/06/08 7.6 7.2 6.8 6.8 7.5 9.1 11 9.9 9.9 11.7 12.7 13.2 10 9.8 10 11.7 12.9 16.2 16 13.7 11.6 11.4 9 8
17/06/08 7.7 7 6.7 6.7 7.7 9.1 11 10.3 10.4 11.3 12.6 12 11.1 9.8 10 10.5 12.9 14.8 15.7 13.6 12.1 11 9.1 8.2
18/06/08 7.6 7.2 7 7.1 8.5 9.8 11.2 10.3 10.9 11.6 13.2 13.6 11.6 10.2 10.7 11.1 12.1 15 15.6 14 10.8 11.2 9.7 8.2
19/06/08 7.5 7.3 7.1 7.1 7.4 8.5 11.4 10.5 10.9 11.6 12.9 13.3 11.5 10.1 10 9.2 11.8 15.5 16.1 13.5 11 10.1 9.2 8.2
20/06/08 7.7 7.4 7.2 7 7.8 9.3 11.2 9.7 10.3 11.5 12.7 13.3 11.7 10.5 9.7 9.9 11.7 14.7 14.7 14.1 11.1 11.4 9.3 8.6
21/06/08 7.6 7.5 7.4 7.3 7.6 8.6 8.6 10.2 11.2 11.7 13.2 13.8 12 10.2 10.2 10.4 12.5 14.3 15.3 13.9 12 10.4 9.5 8.8
22/06/08 8.2 7.8 7.5 7.5 7.6 7.4 9.8 9.8 10.9 11.2 13 14 11 10.1 9.6 11 12.9 14.5 15.3 11.8 11.2 10.8 9 8.5
23/06/08 7.3 6.7 6 6 7.3 9.7 11 10.1 10.9 11.6 12.8 13.3 11.8 10.7 10.5 11.1 12.4 14.9 15.6 8.5 12.8 11.6 9.7 8.6
24/06/08 7.9 7.3 6.8 6.5 7.4 9.8 11.5 10.2 11 12 13.1 13.7 11.6 10.8 10.5 10.9 11.9 15.2 15.9 14.6 12.1 11.3 10.3 9
25/06/08 8.4 8.2 7.9 7.3 7.3 9.9 11.2 11 11.5 12.3 13.6 13.9 11.4 10.4 10.9 11.7 13.1 15.2 13.1 14.1 12.3 11.6 9.7 8.8
26/06/08 8.6 8.2 8 8 8.4 10.3 11.5 10.9 11.2 11.7 13.3 13.8 12.1 10.8 10.9 11.4 12.2 15.2 15.9 14.2 12.6 10.8 10 9
27/06/08 8.5 8.4 8.3 7.9 8.1 9.7 11.3 10.6 11.4 11.9 13.2 14 12.4 10.8 9.7 11.2 12.4 14.7 16 14.5 12.8 10.7 9.8 9.1
28/06/08 8.5 7.9 7.7 7.5 8 8.9 11 11 11.1 11.8 13.1 14.1 11.7 10.4 10.4 10.6 12.6 14.7 15.8 14.3 12 11 9.4 7.7
29/06/08 8 7.8 7.6 7.4 7.8 8.4 9.3 10.6 10.8 11 13.7 13.9 11.9 10.6 10.7 11.5 12.9 14.5 8.3 13.1 11.6 10.8 9.6 8.8
30/06/08 8.2 8 7.8 7.6 8.5 10.6 11.1 10.2 11.4 11.9 13.3 14.3 11.9 10.7 10.7 11.1 12.6 14.7 15.9 14.8 12.9 11.5 10.2 8.8
01/07/08 8.3 8.2 7.8 7.7 8.2 10.1 10.7 10.3 10.8 11.8 13 14 12.1 11 10.8 5.4 7.1 17.2 16.6 13.9 8.9 8.8 7.8 7.9
02/07/08 7.3 7 7.1 6.8 7.5 9 10.3 10.2 11.3 11 13.3 14.1 11.3 10.6 10.6 11.2 13.2 16 15.6 13.4 11.4 10.7 10 9.1
03/07/08 7.9 7.5 7.3 7.2 7.6 8.9 10.4 10.8 11.5 11.6 13.1 13.6 11.8 10.4 10.5 10.9 11.3 13.7 15.1 14.1 12 11.1 10.1 8.7
04/07/08 8 7.5 7.5 8 9.6 9.6 9.5 9.5 11.2 10.9 12.2 13.1 10.8 10 9.9 10.1 11.8 15.6 16.3 13.2 11.5 10.4 9.7 9
05/07/08 8.1 7.7 7.5 7.5 7.5 8.4 10.3 11.1 11.5 11.7 13.4 13.5 11.4 9.2 9.4 10.3 12.3 15.4 15.3 10.8 8.8 9.5 8.7 6.9
06/07/08 6.5 6.4 6.2 6 6.4 7 8.7 9.2 10 10.3 11.8 12.6 12 10.5 10.6 11.4 13.9 15.3 13.5 11.2 10.6 9.4 8.7 7.8
07/07/08 7.4 7 6.8 6.8 7.7 8.3 9.9 10 10.8 11.7 12.7 13.7 11.8 10.6 10.8 11.3 8.8 14.4 14.1 12.9 11.4 10.5 9.2 7.9
08/07/08 7.6 7 6.8 6.6 7.3 9 9.8 10.6 11.3 10.9 12.5 11.7 0 10.8 11.2 11.5 12.9 14.4 15.9 14.6 12.6 11.1 10 8.5
09/07/08 7 6.7 6.5 6.5 7.7 9.7 10.5 10.6 11.5 11.8 13.2 13.6 11.8 9 10.9 11.1 12 14.6 15.7 14.3 12.8 11.7 9.8 8.8
10/07/08 8.3 7.8 7.7 7.5 8.1 9.7 10.6 10.7 11.2 11.8 13.1 13.9 11.9 10.8 10.7 10.7 12.6 14.6 15.5 13.9 12 10.5 8.9 8.5
11/07/08 7.8 7.4 7.4 7.4 7.7 8.9 10.2 10.4 9 9.6 11.1 11.3 10.2 9 9.1 11.7 12.6 14.4 15.9 14.7 12.8 11.5 10.2 9.4
ANEXOS
66
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
12/07/08 8.6 8.2 7.8 7.6 8.1 9.1 11.1 11.1 12 12.4 13.1 14.4 12.3 10.6 10.4 11 12 15 15.7 15 8.6 9.2 8.3 7.7
13/07/08 7.2 7 6.9 5.5 5.5 5.6 6.7 5.5 8.2 10.7 11.5 14.4 12.2 10.5 10.5 10.8 13.8 14.1 15.2 11.8 9.3 8.3 7.7 7.7
14/07/08 7.2 6.8 6.8 6.5 6.8 8.3 10.2 10.2 10.7 8.5 9.5 10.3 9.6 8.4 8.7 9.3 12.4 14.8 11.5 10 10.7 9.3 7.5 8
15/07/08 7.3 7 6.9 7 7.6 8.3 10 9.8 10.9 11 12.8 13.1 13.6 12.2 11.9 12.7 14.3 17 17.8 16 18 12.4 10.8 10.4
16/07/08 8.6 7.4 7 7.5 8.1 8.1 10.6 10.7 11.1 12.2 14.1 14.1 11.5 10.7 10.7 11.3 13.5 14.5 15.3 13.5 11.5 10.9 9.7 8.7
17/07/08 7.9 6.5 6 6 8.3 9.3 10.7 10.9 11 12 13.1 13.6 12.1 10.6 10.4 8.7 11.6 14.5 14.7 13 11.9 10 9.7 8.7
18/07/08 8.1 8.1 7.1 7.1 7.6 8.9 10.9 10.6 11.2 11.7 13.2 14.4 12.4 11.2 10.8 11 12.1 14.4 15.7 14.4 12.6 11.4 10.4 9.2
19/07/08 8.2 7.7 7.5 7.3 7.8 8.3 10.3 10.5 10.9 11.3 11.2 13.3 11.3 9.5 8.2 10.3 11.2 14.6 15.2 12.4 10.3 9.7 9.1 8
20/07/08 7.4 7.4 6.8 7 7.2 7.8 9.7 10.6 10.8 11.8 12.7 13 11 10.9 10 10.3 11.8 14.5 14.2 12.5 11.5 10.1 9 8
21/07/08 7.7 7 6.7 6.7 7.7 8.3 10.2 10.2 11.1 11.5 12.7 13.5 11.9 10.6 10.5 11 11.8 14.1 15.1 13.6 12 10.2 8.7 8.7
22/07/08 8 8 8 7.8 7.9 8.7 10 10.7 11.3 11.7 13.1 13.8 11.8 10.7 10.6 10.8 12.4 14.6 15 13.9 11.8 10.5 9.8 9
23/07/08 8.1 7.3 7.9 7.6 8 9.1 10.8 10.7 11.1 11.4 12.7 13.2 11.4 10.6 10.3 10.5 11.6 13.9 15.2 10 0 9.8 9.6 9.8
24/07/08 8.2 8.2 8.1 8.1 9.2 10.2 10.7 10.9 11.1 11.4 12.7 13.4 11.6 11 10.3 10.3 11.9 14.6 15.4 13.1 11.2 10.1 9.3 8.6
25/07/08 8 7.9 7.7 7.4 7.4 8.4 10.1 10.7 11.4 12 13.6 14.3 12 10.4 10.1 10.6 11.9 14.1 14.5 13.1 11.2 10.2 8.7 7.4
26/07/08 8.3 7.9 7.7 7.5 7.7 8.1 9.6 10.8 11.4 9.9 12.1 12.1 12.3 10.6 10.2 10.6 12.3 14.2 14.3 11.8 11.1 10 8.5 7.9
27/07/08 7.6 7.4 7.2 7.2 7.4 7.8 8.8 10.3 10.8 11.2 12.5 13.1 11.1 10.1 7 10 13 10.3 13.8 10 7.8 9.1 8.4 7.4
28/07/08 7 6.9 7.2 7.2 8.3 9.1 9.1 9 10.1 10.8 12.2 13.4 12.4 7.8 7.1 10.8 13 14.7 14.7 13.4 11.4 9.8 8.8 7.9
29/07/08 7.5 7.2 6.7 6.7 7.2 8.3 9.6 9.9 9.6 10 12 12.8 10.7 9 9.4 10.2 11.8 14.4 13.2 9.7 10.2 10.1 9.1 8.3
30/07/08 7.7 7.4 7 6.8 7.4 8.5 6.9 9.8 10.4 7.9 12.6 13.4 11.6 10 9.8 9.2 11.5 13.4 14.8 13 12 11 9.9 9.1
31/07/08 8.2 7.9 7.8 7.7 7.8 9 10.4 10.2 10.6 9.4 10.6 12.8 11.7 10.1 10.1 10.3 11.7 13.5 14.6 13.6 12 10 9.3 8.7
01/08/08 8.5 7.5 7.8 7.7 8 9.1 10 10.1 10.7 11.3 13.5 14.5 12.1 10.5 10.5 10.7 10.7 14.8 16.3 11.1 8 8.1 8.1 7.4
02/08/08 7.2 7.1 7 6.9 6.9 8.1 9.5 10.8 10.9 11.6 13.2 14.3 12 10.4 10 11.2 14 13.8 14.6 12.6 9.9 10 8.6 7.9
03/08/08 7.5 7.1 7 0 0 0 0 0 0 0 0 0.7 11.2 9 9.4 9.4 12.6 14.1 13.5 10.9 9.4 8.7 8 7.3
04/08/08 6.4 6 5.8 5.9 6.3 7 9 9 9.4 9.9 11.3 12.2 10.7 9.4 9.4 10.9 13.5 15.7 15.1 13.5 11.1 10 7.8 7.4
05/08/08 7 6.8 6.7 6.7 9 9.3 10 10.1 10.4 11 12.3 13.6 11.6 9.9 9.9 10.1 13.5 13.7 15.4 13.8 11.5 10.3 9 8.4
06/08/08 8 7.7 7.6 7.5 8.3 9 10.6 10.6 10.8 11.3 12.4 13.5 11.2 10 9.7 9.9 11.5 13.9 15 13.7 12.2 10.6 9.7 8.6
07/08/08 8.2 7.8 7.5 7.5 8 8.3 10.4 10.8 10.8 10.6 12.3 12.8 10.4 9.4 9.3 9.8 11.8 15 14.6 13 11.7 10.8 9.3 8.3
08/08/08 7.8 7.6 7.3 7.1 7.6 8.8 10.3 10.7 10.6 11.4 12.8 13.3 11.3 9.9 9.8 10 12 13.8 14.3 13.3 11.6 10.4 9.2 8.7
ANEXOS
67
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
09/08/08 8.1 7.4 7.4 7.4 7.4 8.5 9.8 10.6 11 11.7 13.4 13.7 10.7 10 10 10.7 13.1 14.4 15.4 9.3 8 8.8 7.9 7.5
10/08/08 6.5 6 5.7 5.7 6.7 7.6 9.2 10.4 10.5 11.2 12.5 12.9 11.3 9.7 9.9 10.5 0 8.2 7.4 7.1 7.4 6.8 6.1 5.9
11/08/08 5.2 5 4.8 4.5 5.1 6.8 7.7 7.7 8.1 8.3 8.2 8.8 7.8 6.6 6.5 6 8.1 10.3 10 9.5 9.5 9.2 8.4 7.8
12/08/08 7.2 7 6.8 6.8 7.3 7.9 9.5 9.6 9.8 10 11.6 12.5 10.9 9.4 9.5 9.7 10.8 13 15 12.7 10.6 9.6 8.4 9.1
13/08/08 8 7.9 7.9 7.7 7.8 8.7 10.2 11.7 10.6 11.1 12 11.6 10.8 9.9 9.9 10.4 10.6 13.8 14.7 14 11.6 10.7 10.1 9.2
14/08/08 8.7 8.1 7.7 7.7 8.3 8.9 10.4 10.6 10.8 11.6 12.9 13.4 11.6 10.2 9.6 10.7 11.8 13.9 15 13.9 11.9 11.2 10.5 9.4
15/08/08 8.6 8 7.8 7.7 8.1 8.8 10.2 10.5 10.9 11 13.4 14.1 11.8 10.4 10.5 10.7 12.1 14.4 14.4 13.9 12.3 11.1 10.6 9.5
16/08/08 8.8 8.6 8.4 8 8 8.8 10.1 10.9 11.1 11.8 12 13.8 11.8 10.2 10.1 10.1 6.2 14 14.9 13.2 11.2 9.8 9.1 8.2
17/08/08 7.4 7.4 6.7 7 7 7.6 8.8 9.2 11.3 12.1 13.9 13.1 11.1 10.9 10.3 10.5 14.1 15.5 14.4 11.2 9.6 6.6 7 7
18/08/08 6.1 5.5 5.4 5.3 5.3 6.4 8.2 9.3 0 11 10.4 13 11.1 9 9.3 10.3 13.4 15.2 15.5 12.4 10.3 9 8.2 7.3
19/08/08 7 6.4 6.2 6.2 6.7 7.7 8.4 9.6 10.8 11.4 12.4 12.9 11.3 6.1 8.7 9.5 10.7 13.9 14.8 13.9 11.7 10.6 9.6 8.7
20/08/08 7.9 7.5 7.3 7.2 7.4 8.4 10.4 10.5 10.5 10.9 12.3 13.1 11.3 10 9.7 10.3 12.1 14.3 14.7 13.7 11.6 10.8 9 8.6
21/08/08 7.9 7.8 7.5 7.5 8.6 9.4 10.3 10.4 10.8 9.3 10.2 13.6 10.2 9.8 10.1 10.8 11.7 13.9 15.2 14.4 11.6 10.3 9.3 8.2
22/08/08 7.7 7.5 7 7 7.5 8.8 10.2 9.8 10.3 11.1 12.7 13.6 11.5 10.3 10.4 10.4 12 15 15.9 13.7 11.6 10.7 9.4 7.6
23/08/08 7.8 7.5 7.5 7.2 7.5 8.4 10 10.4 10.8 11 11.2 11.7 12 10.2 10 10.6 12.2 14.5 14.7 13.4 11.3 10 9.2 8.5
24/08/08 7.7 7.5 7.4 7.4 7.4 7.6 9.2 10.1 10.7 11.1 12.1 13.4 11.9 10.1 10 10.9 12.3 14.1 14.2 12.3 11.3 9.4 8.6 8.1
25/08/08 7.7 7.7 7.7 7.7 7.6 9.2 9.2 9.8 10 10.5 11.7 13.1 11 10.1 10.2 11.1 13.1 16.2 15.7 13.5 11.2 10.1 9.2 8.5
26/08/08 8 7.5 7.4 7.2 7.2 8.8 8.8 7.7 10.4 10.2 11.6 13.4 11.7 10.4 10.2 10.5 11.5 14.1 15.6 14.7 12 10.8 10.1 9.1
27/08/08 8.4 7.7 7.5 7.4 8 9 10.9 10.7 11 11.5 12.7 13.5 11.9 10.5 10.5 10.7 11.9 14.2 15.3 13.1 11.1 11.2 9.7 8.4
28/08/08 8.3 8.2 7.9 7.9 8.3 9.1 10.7 10.8 11.2 11.8 12.6 12.9 11 10.3 10.3 10.6 11.6 14.2 15.4 13.9 11.3 10.3 9.4 8.6
29/08/08 8.4 8 7.4 7.2 8 9.4 9.9 9.9 10.7 11.9 13 14 13.5 10.8 9.9 9.8 12.4 14.8 14.2 11.7 10.8 9.8 9.2 7.9
30/08/08 7.1 7 7 7 7.1 8.2 9 10.8 11.9 13.8 15.6 15.7 11 9.9 9.7 11.6 14 15.8 15 13.2 10.8 8.9 7.8 7.4
31/08/08 6.1 6.1 6 6 6.4 6.9 9.5 10.7 11.5 11.4 13.3 14.1 13.1 9.6 10.6 12.1 14.9 15.7 14.5 13.1 11.3 10 9.4 8.4
01/09/08 7.2 7 6.8 6.8 6.7 8.9 10.7 9.8 9.5 11.1 13.3 14.1 12.7 11 0 10.2 11.5 13.5 14.7 14.1 12.2 11 7.6 7
02/09/08 8 7.6 7.7 7.7 7.9 10.7 11.6 10.5 11 11.5 12.1 12 11 10.7 10.8 11.5 12.1 15 15.5 15 11.6 10.1 7.7 7.7
03/09/08 6.7 6.5 6 6 7.7 10.2 11.2 10.8 11.1 11.7 13.1 14 11.9 10.3 8.6 11.1 12.8 14.7 15.6 15.5 12.1 10.9 9.6 8.6
04/09/08 7.7 7.4 7.1 7 8.1 9.5 11.2 9.9 11.1 11.6 13.1 13.2 11.6 10.3 10.2 10.6 12.1 14.6 15.9 15 12.5 11.2 9.4 8.6
05/09/08 7.7 7.4 7.2 7.2 7.7 9.3 11 10 10.8 11.4 12.8 12.9 11.3 9.9 10.1 10.5 11.8 14.2 15.8 15.2 12.4 10.9 9.4 9
ANEXOS
68
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
06/09/08 7.6 8.1 7.8 7.8 8.2 9.8 10.1 11.5 12.1 12.3 13.1 14.1 13.1 10.9 7.4 12 14.2 16.2 14.7 13.2 11.3 10.2 8.5 8.3
07/09/08 7.8 7.6 7.4 7.3 7.6 8.1 9.8 11.4 11.9 12.1 13.7 14.6 13.4 11.6 11.5 12 13.3 15.1 15.6 14.8 12 10.3 9.3 8.5
08/09/08 7.7 7.4 7 7 7 7.6 10.1 8 8.6 8.6 5.6 3.1 0 1.3 0 0 0 0 0 0 0 0 0 0
09/09/08 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
10/09/08 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11/09/08 5.7 2.3 2.4 5.7 5.7 5.7 8.1 5.6 3.4 4.3 6.7 5.3 6.3 9.2 9.4 9.6 11.5 12 12 9.5 5.9 4.8 3.8 6.2
12/09/08 5.2 10.4 6.2 6 6.4 7.1 7.3 7.4 7.4 7.8 9.2 11.3 9.1 8 7.3 8.2 9.9 10.9 12.6 12.9 12.5 11.3 9.9 8.9
13/09/08 8.9 8 7.8 7.6 7.6 8.6 10.1 11.1 11.1 11.7 12.9 12.8 11.7 10 9.6 10.9 10.4 15.4 16 14.1 12 10.2 10 9.1
14/09/08 8.2 7.8 7.4 7.2 7.4 7.9 9.9 10.9 11.4 15.3 17.8 14.1 12.5 10.5 10.6 11.1 12.8 13.6 15.2 14.4 12.7 11.6 10.1 9.1
15/09/08 8.4 8.4 8.2 8.2 8.8 10.9 12.5 11 11.1 11.5 13.2 14.4 12.6 11.4 11.4 11.7 13.2 16 18.4 16.4 13.6 12.3 10.1 9.7
16/09/08 8.9 8.4 8 8 9.1 11.3 13 11.1 11.1 12.1 12 15.2 12.1 9.6 9.2 9.5 12.1 13.2 15.5 14.4 13.2 10.9 8.7 8.5
17/09/08 7.9 7.7 7.7 7.7 8.9 10.4 11.5 10.8 11.3 10.5 12.8 13.3 11.4 10.8 10.5 10.7 12 14.9 14.8 13.3 11.3 10.5 8.9 8.4
18/09/08 8 7.6 7.5 7.5 8.9 10.6 10.5 10 10.5 11 11.1 12.1 11.7 8.1 9 10 13.2 15.2 14.9 14.2 10.5 11 9.5 8
19/09/08 7.7 7.5 7.5 7.4 8.7 10.8 11.8 10.3 10.6 11.4 12.7 13.1 11.3 10.3 10.5 11.6 12.5 17.4 16.4 13.4 11.8 10.1 8.6 8
20/09/08 7 6.6 6.4 6.3 6.7 7.6 9.3 10.4 10.2 10.7 12.6 14.2 12.7 16.3 15.2 16.9 19.8 14.9 15.8 13.9 11.5 10.4 9.3 8.4
21/09/08 7.6 7.6 7.1 7.1 7.1 7.4 9.3 11.1 10.6 11.4 12.4 13.9 12.1 10 10 10.8 14 15.5 14.4 13.3 11.3 10 8.5 8.1
22/09/08 7.8 7.6 7.4 7.4 7.6 10 10.9 9.7 10 10.7 12.9 13.6 11.6 10.3 10.4 11.4 13.5 15.6 16.7 14.5 11.7 10.7 9 8
23/09/08 7.5 7 6.7 6.7 7.9 9.8 10.1 9.6 9.8 10.4 12.5 13.5 11.8 10.7 10.2 11.2 12.6 15 16.7 15.4 11.2 10.1 9.4 8.3
24/09/08 8 7.5 7.3 7 7.9 10.2 11.5 10.2 10.5 11.7 13.1 13.5 11.6 10.6 10.3 11.1 12.6 15.5 16.6 14.6 11.7 10.6 9.2 8.2
25/09/08 8.1 7.6 7.3 7.3 7.9 10.1 11.3 9.9 10.2 11.1 12.6 12.7 11.5 10.5 10.5 11 12.8 16 16.8 14.2 16.4 16.8 9.4 7.9
26/09/08 7.5 7.4 7.4 7.5 8.2 8.1 10.9 10.5 10.9 11.6 13.2 13.7 12.1 10.7 10.5 11.2 12.2 15.3 18.2 13.7 11 10.4 9 7.9
27/09/08 7.6 7.5 7 6.9 7 8.1 10.3 11.2 11 11.8 13.5 14.3 12.4 10.6 10.3 11.3 13 15.5 16 14 11.4 10.2 8.8 8
28/09/08 7.4 7 6.5 6.5 6.8 7.3 11.2 11.5 9.2 11.5 12.7 13.7 11.8 10.8 11.8 13.4 13.4 10.5 8.4 7.1 6.1 5.4 5.2 4.5
29/09/08 4.2 4.3 4 4 5.7 7.1 7.4 6.7 7.8 4.6 7.6 8.1 7.3 6.7 8.4 8.9 10.4 13 13.4 11.9 10 10.8 7.2 5.6
30/09/08 6.4 6 5.8 5.8 6.6 7.9 8.1 8.1 7.9 10.4 12.7 12.4 11.7 10.4 10.8 11.7 13.3 15.6 16.2 14.5 11.5 10 8 8.1
01/10/08 6.7 5.3 4.7 4.7 6.7 10.2 11.5 10 10.9 10.9 12.6 13.8 11.6 10.3 10.2 7.4 8.8 16.8 16.4 13.9 11.4 9.9 8.1 7.3
02/10/08 6.8 6.4 5.7 5.6 6.2 9.3 11.1 10 10.9 11.6 12.5 12.2 11.4 10.2 10.7 11.6 12.4 15.7 17.5 13.2 11.5 10 8.2 7.3
03/10/08 7.2 6.5 6.8 2.9 4.8 8.6 10.7 10 10.7 11.7 12.9 13.5 11.2 10.3 10.4 10.8 13.2 16 16.6 14.7 11.6 8.8 8.6 7.7
ANEXOS
69
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
04/10/08 7.1 7 6.8 6.6 7 8.6 8.5 8.8 8.5 11.9 12.8 13.8 12.8 11.8 10.1 11 14.3 16.6 16 13.9 11.9 9.6 8.9 7.7
05/10/08 7 6.5 6 6 6.7 7.2 8.8 10.4 10.6 11.7 13.9 14.5 12.6 10.5 11.2 12.3 15.2 16.2 15.7 13.3 11 10.1 8.5 7.2
06/10/08 7.2 6.7 6.5 6.5 7.7 9.6 11.2 10 10.5 11.4 12.4 13.3 11.3 9.9 10.1 10.6 12.4 15.5 17.2 14.8 11.8 10.6 8.9 8.2
07/10/08 8 7.8 7.5 7.5 7.4 9.8 11 9.8 10.5 10.8 12.1 14.1 11.7 10.7 10.6 11.3 13.6 16.9 16.8 14 11.2 10.5 9.5 8.2
08/10/08 8 7.6 7.4 7.5 8.6 10.1 9 10.2 10.1 10.8 12.1 12.6 11.6 9.8 8.8 10.3 11.8 13.3 17.6 15.2 11.9 10.8 9.8 8.3
09/10/08 7.7 7 6.7 6.7 7.7 7.9 8.9 8.1 6.8 4.1 6.8 10.6 9.8 8.8 9.1 9.7 14.9 10.9 10.7 7.5 7.7 9.8 8.9 5.6
10/10/08 6.6 6.2 6 5.9 6.7 8.3 9.9 11.6 11.8 6.4 7.1 8 5.3 3.2 6.5 12.1 14.7 15.7 15.6 13.4 10.6 9.6 8.3 7.6
11/10/08 7.2 6.7 6.7 6.7 6.7 7.8 9.3 10.4 10.5 11.2 11.3 13 11 9.5 10 10.4 12.8 15.8 15.4 12.1 10.2 9.3 8.9 8.1
12/10/08 7.8 7.4 7.4 7.2 7.2 7.9 9.9 11.2 11.2 11.8 13.9 14.6 12.1 10.5 11.3 9.4 14.6 16 15.6 7.5 11.1 11 7.7 7.8
13/10/08 7.5 7 6.8 6.8 7.7 9.5 11.1 10.1 10.7 11 12.5 13.7 11.3 10.6 10.4 11.6 13.9 16.6 17.6 14.4 11.6 10.4 9 8.1
14/10/08 7.5 7 6.7 6.5 7.2 9.7 8.5 8.3 10.6 11.4 12.5 12.6 10.2 9.2 9.1 10 11.9 15.8 16.5 13.6 10.9 9.9 8.2 7.2
15/10/08 6.3 6.1 6.3 6.1 7.2 8.3 10.4 9 9.2 10.1 11.7 12.6 10.1 9 9.3 10.3 13.5 16.2 0 4.2 0 0 3.6 5.5
16/10/08 6.2 6 7 7 6.1 7.4 7.8 7.1 7.3 7.3 8.9 9.5 9.1 7.8 8.2 8.8 10.5 13.3 13.8 11.1 9.1 8.4 7 6
17/10/08 5.7 5.5 5.1 5.1 5.5 7 10.4 10 11.1 10.2 12 12.5 10.5 9.4 8.8 9.2 11 17 17.9 15.2 11.8 10.2 8.7 7.7
18/10/08 7.1 6.5 6.2 6 6.5 7.7 9.5 10.8 12.9 13.3 12.6 14.7 15.3 10.3 9.8 11.2 13 15.5 16.8 14 11.4 9.9 8.6 7.8
19/10/08 7.4 6.9 6.9 6.7 6.9 7.3 9.1 11.1 10.8 11.9 13.2 15 11.7 10.6 10.8 12 14.6 16.6 15.9 12.8 11 9.8 8 7.3
20/10/08 6.9 8 6.8 6.6 7.2 9.8 9.9 9.9 10.4 11 12.9 13 11.2 10.2 9 9.3 14.5 17 17.3 13.5 11.5 10.1 8.1 7.7
21/10/08 6.7 6 6 6 7.7 9.6 10.4 9.8 10.2 0 1.2 1.2 4.8 10.4 10.1 11.6 14.3 17.8 17.3 13.6 10.2 9.5 8.3 6.7
22/10/08 7 6.5 6 6 7.5 9.5 11.5 9.5 10.7 4.1 6.3 6.4 6.8 6.4 5.8 6.2 13.8 18 17.4 14.5 11.7 10.1 8.7 7.8
23/10/08 7.4 7.2 6.9 5 7 8.9 11 9.2 11.1 10.6 12.4 13.9 11.5 10.3 10.9 12.1 13.8 17.3 17.7 14.7 12 10.6 8.4 7.4
24/10/08 7.3 7 6.5 6.4 7.2 9.9 10.6 10.3 10.6 9.7 13.3 14 11.6 10.6 10.9 11.3 15.5 16.9 17.8 14.6 12.1 10.9 9 8
25/10/08 7.7 6.8 6.3 6.3 7.7 9.7 10.2 11.3 11.6 12 13.9 14.6 12.7 10.4 10.5 11.2 13.1 15.6 17.4 14.2 11.9 10.5 9.2 8.5
26/10/08 7.7 7.3 7 6.5 7.4 8.9 11.6 11.6 12.3 13.1 14.6 14.1 11.4 10.8 11.6 13.7 16.2 18.4 14.2 11.8 10.7 9.8 8.5 7.6
27/10/08 7.6 7.6 7.6 7.6 8.2 11 11.5 10.3 11.3 12.3 13.6 13.7 11.8 9.4 10.8 13.4 17.1 18.5 14.6 12.3 9.9 8.5 6.2 7.2
28/10/08 6.4 6.1 5.8 5.5 6.3 9.1 9.2 9.1 9.5 10.5 11.7 11.4 10.1 9.1 10.2 12.5 15.8 18.5 14.5 11.9 9.1 8.1 6 5.5
29/10/08 5 4.7 4.7 4.7 6.7 9.5 10.6 9.9 10.4 9.6 12.3 12.5 10.1 9 10 11.9 13.3 18.8 14.7 10.2 9.7 8.1 6.7 6.1
30/10/08 5.8 5.3 5 5 6.2 9.2 6.6 9.7 10.7 11.4 11 11.1 9.1 9.5 10.1 12.2 15.5 18.6 16.6 11.5 9.6 8.3 8.2 6.2
31/10/08 6 5.9 5.7 5.8 6.8 9.7 11.4 10.2 10.6 10.6 12.3 12.7 9.8 9.3 10.2 12.6 15.3 18.6 16 11.7 9 7.8 6.9 6.2
ANEXOS
70
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
01/11/08 6 5.5 5.5 5.8 7.2 8.9 10.5 10.6 10.9 11.8 13.3 14 11.2 9.2 9.4 11.9 15.2 19.7 15.2 11.4 9.6 8.4 7.1 6.2
02/11/08 5.5 4.9 4.5 4.5 5.3 6.7 9.8 10.6 11.2 11.9 13.8 13.8 10.8 9.6 11 12.8 16.8 17.9 14 11 9.1 7.9 6.7 6.4
03/11/08 6 5.4 5 5 6.2 9.4 10.6 9.5 10.4 11.8 13.3 13.4 10.9 9.8 10.8 12.2 15.6 18.3 15.4 12.1 10.4 9.2 7.2 6
04/11/08 6.9 6.8 6.5 6.6 7.4 9.6 10.5 10.4 10.6 11.7 13.1 12.8 10.6 9.7 10 11.6 15.4 17.6 15.4 11.7 9.8 8.9 7.1 6.7
05/11/08 6.5 6 6 6.5 7.3 9.4 10.8 10.1 10.8 11.6 13.9 13 9.9 9.8 11.9 12.2 16.2 18.9 12.8 13.2 10.9 8.9 7.9 6.9
06/11/08 6 5.7 5.7 5.7 6.9 9.8 11.3 10.2 11 11.9 13.1 13.5 11.1 9.8 10.9 12.9 15.9 19.8 14.2 12.4 10.5 9.5 8 6.8
07/11/08 6.3 5.9 5.7 5.7 6.9 9.7 11.4 11.7 12.2 12.5 14.3 14.2 11.8 10.5 10.9 12.5 15.5 19.2 17 12.2 10.5 9.2 7.8 7.1
08/11/08 6.8 6.4 6.4 6.5 7 8.3 11.4 11.8 12.1 13.1 13.2 13.2 11.2 11.2 10.1 13 16.1 18.8 13.4 10.7 8.9 7.7 7.1 6.6
09/11/08 6.1 5.1 5.8 6.3 6.5 7.1 10 11.6 12 13 14.8 14.9 13.9 9.9 12.3 15.7 16.6 16.9 13.5 9.8 8.8 7.9 6.9 6.4
10/11/08 5.7 5 5 5 7.7 9.1 10.5 9.6 10.4 11.4 10.3 12.6 10.1 9 9.1 10.6 15.2 18.5 16.3 12.6 10.4 9.2 7.3 6.8
11/11/08 6.2 6.1 5.9 5.8 7 9.3 14.2 10.4 11 11.6 13.1 13.1 11 9.7 10.2 12.2 15.7 18.1 16.6 12.9 10.4 9.3 7.6 6.8
12/11/08 6.7 6.1 6.1 6.1 6.6 9.1 11.5 9.8 10.9 11.8 13.1 13.3 11.5 9.5 10.8 12 14.6 18.1 17.3 12.9 10.9 9.7 8 7.2
13/11/08 6.9 6.7 6.5 6.7 6.7 9.5 11 9.8 9.8 11 13 13.5 10.5 9.7 10.6 11.8 15 18.1 17.2 12.7 10.8 9.8 8.8 7.5
14/11/08 6 6 6 7.2 8 11 12.2 10.9 10.7 11.5 13.2 12.7 11.1 10.1 10.7 12 15.1 18.6 16.7 12.2 10.6 9.6 7.4 7.2
15/11/08 6.6 6 5.7 5.7 6.1 8.2 11 11 11 11.4 13.5 14.5 11.7 9 9.1 7.5 15.3 18.2 15.9 11.9 10.6 9.5 8.6 7.4
16/11/08 7.3 6.9 6.5 6.5 6.5 7.6 10.5 11.1 11.2 12.1 14.1 14.5 12.3 10.5 11.7 14.3 16.9 17.8 13.9 10.7 8.6 7.3 6.2 5.7
17/11/08 5.6 5.3 5.1 5.2 6 8.6 10.9 9.7 10.7 11.7 11.7 12.5 12.3 9.7 10.2 12 17 19 15.9 11.6 10.6 7.9 6.6 6
18/11/08 5.7 5.5 5 5 6.8 9 11.4 9.9 10 10.3 12.5 12.5 10.2 8.8 9.7 11.2 15 19.7 16.7 11.9 10 8.1 6.2 5.4
19/11/08 5 4.8 4.7 4.8 5.7 8.2 11.1 9.6 10.2 10.8 12.2 12.8 10.8 9.4 10.1 12.7 16.1 19.3 15.7 11.2 9.7 7.6 6 5.2
20/11/08 4.9 4.7 4.7 5 5.1 8 11.4 10.4 10.7 11.5 13 13 10 9.2 9.8 10.9 13.8 17.7 15.4 11.1 8.9 7.6 5.7 5.5
21/11/08 5.1 5 5 5 6.3 8.6 8.2 9.2 9.2 10.5 11.1 12.1 9.4 9.2 10 11 16 20 15.9 10.8 8.9 7.1 6.4 5.4
22/11/08 5 4.7 4.5 4.5 5.7 7.6 10.3 10.5 10.5 11.4 13.4 14 11.8 9.6 10.6 12.9 16.4 19.1 14.8 11.1 9.2 7.7 6.3 5.6
23/11/08 5 4.6 4.3 4.1 5 6.8 9.5 11 11.9 12.2 14 14.8 12.9 10.5 11 14 16.4 17.7 13.2 10.3 8.9 7.7 5.8 5.2
24/11/08 5.2 5 4.9 4.9 5.8 9.7 11.3 9.3 10 10.3 11.5 12.5 10.2 8.8 8.9 10 14 16.9 16.7 12.4 9.7 7.9 6.3 5.7
25/11/08 5.5 5 4.8 4.9 6 9 11.5 9.5 9.9 10.5 12.8 12.8 10.8 9.5 10.5 12.4 15.6 17.9 17 11.8 9.8 8 6.4 5.4
26/11/08 5 4.7 4.7 4.7 6.2 8.6 11.3 9.8 10 11.1 12.5 13.1 10.8 9.3 10.1 12.1 15.6 18.8 16.6 12.3 9.6 8 6.1 5.6
27/11/08 5.3 5.1 5.1 5.1 5.8 8.9 12.2 10.2 10.5 11.1 13 13.2 11.3 10 10.6 12.2 15.5 18.9 16.8 12.3 9.7 7.8 5.9 5.3
28/11/08 5.2 5 4.8 4.8 5.8 8.3 12.1 10.4 9.4 10.8 11 11.5 9.5 8.4 9.2 10.4 14.5 17 18 12.3 9.1 7.6 7.7 5.7
ANEXOS
71
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
29/11/08 5.3 5 4.6 5.6 5.7 8.2 10.8 11.3 11 11.3 13.3 14.1 11.5 11.3 12.3 12.8 17.2 19 16.4 12.3 10 8.3 6.9 5.9
30/11/08 5.5 4.7 4.5 4.5 5.3 7.5 9.8 10.9 11.5 12.8 14.8 15.4 12.8 10.7 11.3 13.4 16.7 18.5 14.8 11.4 9.4 6.6 6.8 6.2
01/12/08 5.7 5.5 5.5 5 6.5 9.2 11.3 9.7 10.5 11.8 13.4 13.8 11.4 9.2 10.5 12.6 16.5 18.5 15.8 11.9 9.8 8.3 8.3 6.6
02/12/08 5.9 5.8 5.7 5.6 6.4 8.5 11.3 10.5 10.6 11.2 13 13.6 11 9.7 10.4 13 16.5 18.8 16.8 12.3 9.8 8.4 8.2 6.1
03/12/08 5.8 5.5 5.1 5.1 6.4 9.5 11.7 9.4 9 10 11 12.1 10.9 9.5 9.4 12.1 16.5 17.5 15.7 11.5 9.5 7.7 7.1 5.8
04/12/08 4.7 4.3 4.2 4.5 6.7 8.9 11.7 9.9 10.8 11.1 12.2 12.4 10.4 9.3 10.6 11.3 16.1 19.8 17 11.3 10.4 8.9 6.8 6
05/12/08 5.7 5.3 5 5 6.7 9.1 5.7 5.6 6.2 6.6 7.3 7.8 6.7 5.7 5.9 6.7 8.4 18.7 16.9 12.3 10 8.7 7.1 6.2
06/12/08 6.2 5.9 5.4 5.4 5.4 7.7 10.5 11 10.4 10.4 10.9 11.5 11 9.2 10.7 12.3 15.4 18.2 15.8 12.8 10.5 8.8 6.8 6.1
07/12/08 5.5 5 4.8 4.8 5.6 6.8 9.7 11.5 12 12.1 14.1 15.4 12.4 10.5 10.7 13.9 16.8 14.8 15.1 11.3 9.3 7.9 6.6 5.5
08/12/08 5.4 5.1 5 5.1 5.6 8.8 11.6 9.7 9.5 10 11.7 12.1 10.4 9.4 10 11.8 15.7 20.5 16.8 12.4 10.2 8.2 6.7 5.9
09/12/08 5.6 5.2 5 5.1 6.2 9.4 12.2 10.4 10.4 11 9.9 9.7 6.8 8.2 9.9 10.1 14.3 20.1 17.4 13.1 10.8 8.9 7.5 6.5
10/12/08 6.4 5.9 5.9 5.8 6.7 8.2 12.3 10.3 10.9 11.3 12.8 13.5 11.3 10.1 10.9 11.8 15.6 20 16.8 13.7 10.4 9.5 7.8 7
11/12/08 6.6 6.2 6 6 7.2 10.9 11.8 10.5 10.8 11.7 12.9 13.5 11.2 10.5 9.8 11.3 16.1 19.7 17.2 13 11 9.4 7.9 6.8
12/12/08 6.8 6.3 6.1 6.1 6.8 9.8 11.7 10.5 10.6 11.2 12.8 13.1 11.2 9 10.2 12.2 15.4 19.8 18.2 12.6 10.3 8.6 7.1 6.4
13/12/08 5.7 5.5 5.3 5 5.5 7.6 10.7 11.4 11.1 11.6 13.1 14.2 11.1 10.2 10.9 13.3 16.5 17.8 14.6 11.5 8.9 7.4 6.3 5.6
14/12/08 5.2 5 4.8 4.8 5.4 6.5 9.9 11.6 11.5 11.9 14 15.5 12.8 10.5 10.6 13 16 18.4 15.1 11.6 9.8 7.5 7.4 6.2
15/12/08 6 5.6 5.5 5.5 6.4 9.1 11.3 10.2 10.4 11.1 12.3 13.2 10.9 9.8 10.2 12.3 15.3 19.7 17.6 12.9 10.4 8.5 7.2 6.5
16/12/08 6 5.9 5.7 5.9 6.6 9.3 11.9 10.3 10.8 11.5 12.7 13.1 11.1 10.2 10.2 12.2 14.9 18.4 18 13 10.7 8.5 7.5 6.1
17/12/08 5.8 5.3 5.2 5.3 6 8.7 11.8 10.3 6.2 5.6 5 5.1 4.6 4.3 5.5 6.3 9.2 19.3 18.4 12.8 10.6 8.6 6.4 6.3
18/12/08 6.1 5.4 5.3 5.3 6.5 9.5 11.9 10.9 11.4 11.8 13.5 13.1 11.2 9.7 10.6 12.1 16.1 20 18 13.3 11.1 9.1 6.9 6.3
19/12/08 6 5.8 5.7 6.1 6.3 9.3 11.7 10.5 11 11.3 11.7 13.4 11 9.7 10.4 12.3 13.9 19.3 17.7 13.8 10.8 8.7 6.9 5.9
20/12/08 5.5 5 4.7 4.7 5.7 8 9.5 10.5 10.7 11.5 11.9 12.4 9.9 9.7 9.7 11.5 15.1 19.7 17 11.5 9 7.6 6.3 5.4
21/12/08 4.6 4.4 4.1 4.1 4.5 5.9 8.6 11 11.4 12.1 13.6 14.7 11.2 9.8 10.2 12.2 14.9 17.7 15.5 11.1 8.8 7.3 6.2 5.4
22/12/08 5 4.5 4.5 4.7 5.2 8.7 10.2 9.8 9.5 9.8 11.4 12.2 10.3 8.8 9.9 11.9 14.9 19.1 17.2 12.1 9.8 8.5 5.9 2.4
23/12/08 2.1 2.1 2.1 2.1 2.1 3.4 4.4 4.4 4.7 4.9 5.7 5.7 4.9 3.9 10.3 11.8 15.1 19.3 17.7 13.4 10.3 8.9 7.9 5.8
24/12/08 5.2 5 4.7 4.7 6.7 8.7 10.8 10.6 10.5 9.7 11.3 12.4 10.8 9.2 10.5 12.2 14.5 18 16.2 12.1 9.3 7.8 6.8 6.2
25/12/08 5.6 5.2 5 4.7 5.3 8.5 9 11 11.4 11.7 14.2 14.8 11.3 10 10.6 12.2 15.5 16.8 15.5 11.6 9.5 8.4 6.4 6.6
26/12/08 5.6 5.5 5 5 5.9 8.1 10.4 10.8 10.9 11.2 12.7 13.9 11.4 10.1 10.2 11.6 14.7 17.7 16.4 12.1 9.6 7.4 6.1 5.8
ANEXOS
72
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
FECHA
27/12/08 5 5.7 5.5 6.2 6.2 7.6 9.8 10.9 10.1 11.7 14 14.5 11 10 10.7 10 15.8 18.4 0 0 10.5 8.5 7.7 6
28/12/08 5.7 5.5 5.2 5.2 5.7 6.7 9.3 10.3 10.7 11.4 12.7 13.6 12.8 10.4 10 12.3 16.1 17.7 14.4 10.6 8.5 7.4 6.5 5
29/12/08 5.6 5.4 5.2 5.2 6 7.5 9.8 10.2 10.6 11.3 12.6 12.9 11.2 9.2 9.6 11.1 14.7 18.7 17.3 12.3 9.8 8.3 7 6.1
30/12/08 5.8 5.2 5.1 5.4 5.6 7.3 9.5 10.3 10.7 10.5 12.4 13 8.5 7.6 10 10 13.8 17.4 16.2 12.3 10.4 8 6 4.7
31/12/08 4.5 4.2 4 4 4.6 6.3 9.3 11.5 11 11.1 13.1 14.1 12.2 10.6 10.6 11.7 13.2 13.9 10.4 8.7 8.4 7.6 7.1 6
ANEXOS
73
net = newff (PR, [S1 S2KSn ], {TF1 TF2 KTFn}, BTF, BLF, PF)
newff : Crea una red tipo Backpropagation, requiere que le sean especificados los
siguientes parámetros
• TFi : Función de transferencia a utilizar en cada una de las capas (por defecto utiliza
'tansig' )
• PF : Función para evaluar el desempeño de la red (por defecto utiliza ' mse' )
trainlm : Algoritmo que actualiza los pesos y las ganancias de acuerdo a la optimización de
Levenberg-Marquardt. Es el algoritmo más rápido para redes Backpropagation y tiene la
desventaja de requerir de un set de entrenamiento lo más estándar posible, pues de otra
forma solo aproximará correctamente valores que se encuentren dentro de los patrones de
aprendizaje. Si el set de entrenamiento es muy extenso, se recomienda reducir el Jacobiano.
La sintaxis de este algoritmo es la siguiente: