Pronóstico de demanda eléctrica de corto plazo usando redes neuronales y reglas de asociación

Introducción

El pronóstico de la demanda eléctrica es una herramienta importante para los tomadores de decisiones. La mayoría de las decisiones de planificación y operaciones para la gestión del sistema de energía deben tomarse en función de los pronósticos de demanda eléctrica, por lo que la falta de precisión en la estimación de la demanda eléctrica conduce a un proceso de toma de decisiones poco eficiente.

Específicamente, la falta de precisión en el pronóstico puede causar una sobreestimación o subestimación de la demanda de carga. La sobreestimación provoca un suministro eléctrico excesivo al sistema de eléctrico, es decir, una cantidad excesiva de compra de electricidad. Además, un suministro de electricidad excesivo provoca perturbaciones en el equilibrio de energía que pueden dañar los equipos de generación de energía. Por otro lado, la subestimación conduce a una operación arriesgada. La subestimación significa que la carga de electricidad será mayor de lo esperado. Por lo tanto, el sistema de energía restringirá la producción de electricidad y, si no se suministra suficiente electricidad, se utilizarán cortes de carga para mantener la estabilidad de la red eléctrica.

Hay tres horizontes principales para la previsión de la demanda de carga: a corto, medio y largo plazo. El pronóstico de carga a mediano y largo plazo juega un papel importante en la planificación y mantenimiento del sistema eléctrico, mientras que el pronóstico de carga a corto plazo es una pieza clave de información para el funcionamiento diario del sistema eléctrico.

En la literatura existen diversas metodologías en relación con el pronóstico de demanda eléctrica de corto plazo. La mayoría de estas metodologías se basan en inteligencia artificial o métodos estadísticos. Aunque los métodos estadísticos fueron los primeros que se utilizaron para pronosticar la carga eléctrica, en los últimos años se han utilizado ampliamente las metodologías de inteligencia artificial.

La mayor parte de la investigación en el pronóstico de carga se centra en el pronóstico de puntos. El pronóstico puntual produce el valor esperado o más probable de la demanda de electricidad. La desventaja de la previsión puntual es que ofrece solo un punto de previsión de carga sin proporcionar ninguna otra información sobre la calidad de la previsión. Por otro lado, en la literatura se han propuesto intervalos de predicción (PI, por sus siglas en inglés) de los métodos probabilísticos Short Term Load Forecasting (STLF). Estos métodos proporcionan más información al cuantificar el nivel de incertidumbre asociado a los pronósticos puntuales. Sin embargo, para ser útiles, los intervalos de predicción deben ser lo suficientemente estrechos para asegurar la precisión, pero demasiado estrechos conducirán al usuario a un proceso de decisión defectuoso.

Por lo que la pregunta de investigación es: ¿Cómo estimar un PI más estrecho pero preciso?

Para responder a esta pregunta, surge la siguiente hipótesis: Se puede obtener un PI más estrecho utilizando un método de reglas de asociación para modelar el comportamiento estacional de la serie de tiempo de carga eléctrica, sin sacrificar la precisión del modelo de predicción.

Metodología

De esta hipótesis se propone la siguiente solución: Una metodología para generar modelos de pronóstico que generen PI. Esta metodología está diseñada para crear un modelo probabilístico mediante la realización de una serie de tareas. Primero, se generarán modelos de predicción utilizando un método de predicción y un conjunto de datos de series de tiempo segmentado en subconjuntos. Después, se utilizarán modelos de predicción para producir estimaciones de pronóstico puntual y se registrarán los errores para cada subconjunto. Al mismo tiempo, se realizará un análisis de reglas de asociación en el mismo subconjunto de datos de series de tiempo segmentado para modelar patrones estacionales. Luego, con los errores registrados y la información obtenida por el análisis de reglas de asociación se crean los PI. Finalmente, el rendimiento de los PI se mide utilizando métricas de error específicas. En la figura 1 se muestra un diagrama de la metodología.

Una de las dos piezas clave de esta metodología es la generación de un modelo de predicción por periodo. Es decir, si el conjunto de datos está construido con datos horarios, se tienen 24 datos para cada día, por lo que se generarán 24 modelos, uno para cada hora (periodo del día). En la figura 2 se muestra una representación de este proceso.

La segunda pieza clave de esta metodología es la modelación del componente estacional de la serie de tiempo mediante reglas de asociación. El análisis por reglas de asociación se conduce en tres pasos: el primer paso es obtener el conjunto de elementos (Itemset), el segundo paso es formar el conjunto de datos simbólico usando el Itemset (Dataset) y el último paso es obtener las reglas del conjunto de datos (Rule sets). En la figura 2 se muestra una representación de este proceso.

Se dice que se realiza la modelación estacional debido a que las reglas de asociación capturan los patrones más frecuentes en la serie de tiempo. La serie de tiempo de la carga eléctrica es influenciada por diversos factores estacionales, como el clima, el día de la semana y el comportamiento humano. La expectativa de usar este método es que se capturen estos patrones en forma de reglas.

Experimentación y resultados

Para probar la metodología se utilizó el conjunto de datos del Consejo de Confiabilidad Eléctrica de Texas (ERCOT), la cual es una base de datos pública y disponible para la comunidad científica.

Con este conjunto de datos se establece un experimento, en el cual se busca el mejor modelo para el conjunto de datos en términos de método de predicción, método de selección de variables autorregresivas. Para este experimento, se utilizaron dos de los métodos más utilizados para pronóstico de carga eléctrica: Redes Neuronales Artificiales (ANN, por sus siglas en inglés) y Máquinas de Soporte Vectorial (SVM, por sus siglas en inglés). Y como métodos de selección de variables autorregresivas se utilizaron dos de los métodos más utilizados para este fin: la Función de Autocorrelación (ACF, por sus siglas en inglés) y la Función de Autocorrelación Parcial (PACF, por sus siglas en inglés).

Para evaluar la calidad de los métodos se utilizaron dos métricas muy utilizadas para evaluar la calidad de pronósticos probabilistas: Porcentaje de Cobertura del Intervalo de Predicción (PICP, por sus siglas en inglés) y el Ancho Medio Normalizado del Intervalo de predicción (PINAW, por sus siglas en inglés). Cabe mencionar que, de estas métricas, mientras más alto el PICP mejor y mientras más bajo el PINAW, mejor. En la literatura, los valores de PICP superiores al 93% y de PINAW menores a 12 se consideran buenos. En la tabla 1 se muestra el resumen de resultados.

De acuerdo con la tabla 1, el mejor método fue ANN+PACF, es decir, la red neuronal artificial usando la función de autocorrelación parcial como selector de variables autorregresivas.

Aportaciones del INEEL

En el Instituto Nacional de Electricidad y Energías Limpias (INEEL) se tiene planeado para este año participar en algunas aplicaciones que incluyen pronóstico de número de accidentes por mes para un sistema de seguridad industrial de la CFE y pronóstico de precio de combustibles para un sistema relacionado con el mercado eléctrico mayorista.

Conclusiones

Se propone un método de pronóstico probabilista de demanda eléctrica. El método propuesto utiliza reglas de asociación para modelar la parte estacional de la serie de tiempo de carga. Para probar la metodología se usaron dos métodos de pronóstico: ANN y SVM. Aunque el método demostró tener buenos resultados en todas las combinaciones, la mejor combinación resultó ser la ANN+PACF. Como trabajo a futuro se propone estudiar otros métodos de pronóstico y utilizar otras métricas de evaluación.

Agradecimientos

Esta investigación es resultado del Proyecto 266632 ?Laboratorio Binacional para la Gestión Inteligente de la Sustentabilidad Energética y la Formación Tecnológica?, financiado por el Fondo de Energía CONACYT SENER Sostenibilidad (Acuerdo: S0019201401).

Se agradece el apoyo de:
Dr. Gustavo Arroyo Figueroa (INEEL).
Dr. Guillermo Santamaría Bonfil (CONACYT-INEEL).
Dr. Rafael Batres Prieto (Tecnológico de Monterrey).

Autor:
Miguel Ángel Zúñiga García, miguel.angel.zuniga@ineel.mx