Métodos basados en los modelos ARIMA estacional y Holt-Winters para la previsión de la demanda eléctrica a ultra corto plazo
Resumen
Resumen La alta variabilidad del consumo de electricidad presenta una dificultad para los operadores del sistema eléctrico, quienes deben enfrentarse a cambios rápidos e impredecibles en la demanda para asegurar un suministro continuo y estable. Por lo que en este trabajo, se presentan varios métodos prácticos destinados a modelar y pronosticar la demanda el´ectrica en el ultracorto plazo. Los métodos propuestos son: ARIMA estacional y Holt-Winters, que se utilizan para la predicción de la demanda del día futuro, se evalúan algunas consideraciones prácticas para las ventanas de tiempo de ultracorto plazo. Para la implementación se utilizan datos de la demanda de electricidad del Sistema Nacional Interconectado
del Ecuador con granularidad de 30 minutos. También se realiza una evaluación de los dos métodos de previsión en dos contextos temporales diferentes para determinar su efectividad y precisión en cada escenario. El método ARIMA estacional ha demostrado ser altamente eficaz, ya que ha obtenido resultados exitosos en ambos contextos temporales evaluados.
Palabras clave: Previsión energética, demanda eléctrica, SARIMA, Holt-Winters
Citas
Retrieved from https://doi.org/10.1007/s42452-021-04667-5.
2. Brockwell, P. J., & Davis, R. A. (2002). Introduction to Time Series and Forecasting.
3. Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting. Retrieved from https://doi.org/10.1007/978-3-319-29854-2.
4. Cowpertwait, P. S., & Metcalfe, A. V. (2009). Introductory Time Series with R. Retrieved from https://doi.org/10.1007/978-0-387-88698-5.
5. Guo, Y.-h., Shi, X.-p., & Zhang, X.-d. (2010). A study of short-term forecasting of the railway freight volume in China using ARIMA and Holt-Winters models. In 2010 8th International Conference on Supply Chain Management and Information (pp. 1–6).
6. Haben, S., Voss, M., & Holderbaum, W. (2023). Core Concepts and Methods in Load Forecasting: With Applications in Distribution Networks. Retrieved from https://doi.org/10.1007/978-3-031-27852-5.
7. He, Y., Xiao, J., An, X., Cao, C., & Xiao, J. (2022). Short-term power load probability density forecasting based on GLRQ-stacking ensemble learning method. International Journal of Electrical Power and Energy Systems, 142. Retrieved from https://doi.org/10.1016/j.ijepes.2022.108243.
8. Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. Retrieved from https://doi.org/10.1016/j.ijforecast.2006.03.001.
9. Ingdal, M., Johnsen, R., & Harrington, D. A. (2019). The Akaike information criterion in weighted regression of immittance data. Electrochimica Acta, 317, 648–653. Retrieved from https://doi.org/10.1016/j.electacta.2019.06.030.
10. Li, H., Liu, H., Ji, H., Zhang, S., & Li, P. (2020). Ultra-short-term load demand forecast model framework based on deep learning. Energies, 13(18). Retrieved from https://doi.org/10.3390/en13184900.
11. Liu, X., Yang, J., Wang, L., & Wu, J. (2022). Bayesian information criterion based data-driven state of charge estimation for lithium-ion battery. Journal of Energy Storage, 55. Retrieved from https://doi.org/10.1016/j.est.2022.105669.
12. Matsuda, T., Uehara, M., & Hyv¨arinen, A. (2021). Information criteria for nonnormalized models. Journal of Machine Learning Research, 22(1), 1–33. Retrieved from http://jmlr.org/papers/v22/20-1366.html.
13. Shao, Q., Aldhafeeri, A., Qiu, S., & Khuder, S. (2023). A multiplicative Holt–Winters model and autoregressive moving-average for hyponatremia mortality rates. Healthcare Analytics, 4. Retrieved from https://doi.org/10.1016/j.health.2023.100262.
14. Wang, L., Zhang, Z., & Chen, J. (2017). Short-term electricity price forecasting with stacked denoising autoencoders. IEEE Transactions on Power Systems, 32(4), 2673–2681. Retrieved from https://doi.org/10.1109/TPWRS.2016.2628873.
15. Zeng, W., Li, J., Sun, C., Cao, L., Tang, X., Shu, S., & Zheng, J. (2023). Ultra short-term power load forecasting based on similar day clustering and ensemble empirical mode decomposition. Energies, 16(4), 1–15. Retrieved from https://doi.org/10.3390/en16041989.
16. Zhao, X., Li, Q., Xue, W., Zhao, Y., Zhao, H., & Guo, S. (2022). Research on ultra-short-term load forecasting based on real-time electricity price and window-based XGBoost model. Energies, 15(19), 1–11. Retrieved from https://doi.org/10.3390/en15197367.