Modelos híbridos basados en datos para la predicción de carga eléctrica a corto y mediano plazo

Abstract

El consumo eléctrico ha ido aumentando en los últimos años. Se requieren estrategias para gestionar eficientemente esa energía. Los modelos de predicción de carga eléctrica aportan a ello permitiendo mejorar la planificación y operación de sistemas eléctricos. En la actualidad, modelos híbridos basados en datos, son investigados con el fin de conseguir pronósticos más precisos. El presente proyecto propone el desarrollo de tres modelos híbridos con el propósito de abordar problemas de subestimación y sobreestimación, así como para mejorar las prestaciones de desempeño. El primero, consiste en la combinación no convexa entre el método de análisis de componentes principales (PCA) con modelamiento autorregresivo (AR) y mínimos cuadrados parciales ortonormales (OPLS), a través de un sistema difuso. El segundo, combina PCA y modelos basados en redes neuronales. Finalmente, el tercero agrega una variable al segundo modelo mediante un sistema difuso. Para evaluar la hipotética mejora, se comparó las prestaciones entre los modelos híbridos y los individuales. Para este fin, se utilizaron datos de dos centros de cuidado de salud y se analizó en los horizontes de tiempo de corto y mediano plazo. Además, se consideró al error porcentual absoluto medio (MAPE), raíz del error cuadrático medio (RMSE) y al porcentaje de sesgo (PBIAS) como principales indicadores de desempeño. En general, los resultados presentaron que los indicadores disminuyeron para la mayoría de los casos. Esto evidenció que la integración de modelos permitió mejorar la precisión de la predicción, con un consecuente aumento en su complejidad computacional.