Proyección de la demanda eléctrica: clasificación, variables y métodos

1 Introducción

Actualmente, la energía eléctrica juega un rol importante en el desarrollo de la sociedad, debido a la necesidad de energía eléctrica en hogares, comercio e industria. A esta necesidad de energía eléctrica se le denomina demanda de electricidad. La demanda de electricidad tiene un comportamiento variable, es por ello que es medida en variables de energía y potencia eléctrica.

La proyección de la demanda eléctrica es uno de los procesos más importantes en el sector eléctrico. Este primer paso es crucial para cualquier análisis operacional o estudios de planificación. Esta importancia se debe a que análisis o estudios posteriores se basarán en la proyección de la demanda. Es necesario realizar la proyección de la demanda eléctrica para en el futuro próximo suministrar energía eléctrica de manera continua, económica y confiable.

La proyección de la demanda eléctrica es la estimación de energía y potencia eléctrica requerida en el futuro durante un determinado periodo. Esta proyección nos permite conocer la cantidad de energía y potencia eléctrica para los siguientes días, semanas, meses o años. Para realizar la proyección de la demanda de eléctrica se emplean una variedad de variables y métodos. En este artículo, voy explicar la clasificación, variables y métodos conocidos para realizar la proyección de la demanda eléctrica.

2 Clasificación

Típicamente la proyección de la demanda eléctrica es clasificada de acuerdo a la duración del horizonte de planificación. En la literatura científica, la proyección de la demanda eléctrica está clasificada en:

• "Short-Term Load Forecasting (STLF)", la proyección de la demanda es horaria y el horizonte de proyección es de un día a una semana.
• "Medium-Term Load Forecasting (MTLF)", la proyección de la demanda es diaria y el horizonte de proyección es de varias semanas a meses.
• "Long-Term Load Forecasting (LTLF)", la proyección de la demanda es mensual o estacional. El horizonte de proyección es anual.

La proyección de demanda eléctrica de corto y mediano plazo es empleada para estudios operativos. Mientras que la proyección de demanda de largo plazo es empleada en estudios de planificación. Sin embargo, se entiende que una proyección de la demanda a corto plazo es significativamente diferente de la de largo plazo utilizada en los estudios de planificación. En la figura 1, se muestra la clasificación desarrollada por Sei y Sepasian (2011), se observa las variables y su relación con los horizontes de tiempo de proyección de la demanda.

Figura 1. Relación entre variables y horizonte de planificación en la proyección de la demanda eléctrica

Fuente: Sei y Sepasian (2011)

En una proyección de demanda eléctrica de corto plazo, se emplea para pronosticar la demanda del día a la semana siguiente. Las variables empleadas son la demanda histórica, precios de electricidad, condiciones meteorológicas, tipo de día (normal o festivo), eventos especiales. En la figura 2 se muestra la proyección realizada por el Comité de Operación Económica del Sistema Interconectado Nacional (COES), para el día lunes 17 de abril del 2017 en la red eléctrica del Perú.

Figura 2. Comparación entre la proyección y el valor real de demanda eléctrica de corto plazo en Perú

​

Fuente: COES (2017)

En una proyección de demanda eléctrica de mediano plazo, se emplea para pronosticar los picos de demanda de la siguientes semanas y meses. Es empleada frecuentemente en países donde la estación del año juega un rol importante. En la figura 3 se muestra un ejemplo de proyección de mediano plazo para el periodo 2010 a 2014 en Algeria.

Figura 3. Proyección de la demanda eléctrica de mediano plazo en Algeria, periodo mensual entre 2010 a 2014

​

Fuente: Laouafi (2015)

En una proyección de demanda eléctrica de largo plazo, se emplea para estimar la demanda máxima de los próximos años. Las variables determinantes son la población, el “Producto Bruto Interno”, tendencias de consumo y otras variables macroeconómicas. En la figura 4 se muestra la proyección realizada por el COES para el periodo 2015 a 2028 en la red eléctrica del Perú.

Figura 4. Proyección de la demanda eléctrica de largo plazo en Perú

​

Fuente: COES (2017b)

3 Variables necesarias

Como se observa en la figura 1, en la proyección de la demanda eléctrica intervienen diferentes variables. A continuación, explico brevemente cada variable y las razones por las que son empleadas.

3.1 Demanda histórica

Es el resultado de la medición de potencia entre intervalos de tiempo. La medición de potencia se realiza en tiempo real en diferentes componentes de un sistema eléctrico (Por ejemplo, bornes de las unidades de generación, subestaciones). Sin embargo, debido a la gran cantidad de información, la información se registra cada 5, 10 o 15 minutos. Este registro de información es importante porque nos permite conocer los valores máximos, mínimos, tendencias en una determinada región para una hora, día, semana o año específico.

3.2 Tiempo

El tiempo (hora del día, el día de la semana o mes del año) influyen en la proyección de la demanda eléctrica. Los perfiles de carga son diferentes entre días, semanas o estaciones. Por ejemplo, el comportamiento de la demanda es diferente entre día de semana y un sábado, domingo o un día festivo. Los días festivos influyen significativamente en la proyección de demanda eléctrica de corto plazo, son los más difíciles de pronosticar debido a que tienen poca frecuencia y alta incertidumbre.

3.3 Condiciones Climáticas

3.3.1 Temperatura

En la mayoría de países, la temperatura ambiente juega un rol importante en la proyección de demanda eléctrica de corto plazo. Los efectos de la temperatura no son uniformes y juega diferentes roles de una estación a otra. En invierno, un decremento de temperatura significa un incremento de carga por el uso de calefacción. En verano, un incremento de temperatura significa un incremento de carga por el uso de aire acondicionado.

3.3.2 Velocidad de viento

Una alta velocidad de viento, tiene como consecuencia el enfriamiento de la temperatura del medio ambiente. Los efectos de la velocidad de viento son significativos en el invierno, este efecto es pequeño en otras estaciones.

3.3.3 Humedad

El nivel de humedad en la atmósfera es una variable meteorológica que influye en gran medida en el uso de aire acondicionado y otras cargas de refrigeración durante el verano. Los efectos de la alta humedad generalmente se perciben cuando la temperatura es bastante alta, por lo general por encima de la temperatura ambiente.

3.4 Tipo de clientes

La demanda tiene comportamiento diferente de acuerdo al tipo de cliente. Es posible proyectar la demanda para cada tipo de cliente y luego agregarla en la proyección global. Es usual clasificarlo en clientes urbanos, rurales y grandes consumidores. Dentro de los clientes urbanos, los usos de la energía pueden ser residenciales, comercial, público y pequeñas industrias.

3.5 Eventos Especiales

Los eventos especiales tales como programas especiales de TV (por ejemplo, la final de la copa mundial de fútbol), días festivos (por ejemplo, año nuevo, navidad, día del trabajador), eventos sociales (por ejemplo, la hora del planeta). De acuerdo a estos eventos especiales se puede dar un incremento o reducción de la demanda en pequeños intervalos de tiempo. Esta variable es considerada en modelos de proyección de demanda eléctrica de corto plazo.

3.6 Producto Bruto Interno

La tasa de crecimiento del producto bruto interno y el crecimiento de la demanda están altamente relacionadas. Numerosas investigaciones han demostrado la relación de causalidad en el corto y largo plazo.

3.7 Población

El crecimiento poblacional está ligado con el consumo energético del sector urbano y rural. Por lo cual tienen una relación directamente proporcional a la demanda de electricidad.

4 Modelos y métodos empleados

En esta sección voy a listar los métodos más conocidos para realizar la proyección de la demanda eléctrica. El nombre del método lo escribo en inglés, debido a que en ciertos casos no tiene una traducción exacta al español.

Srivastava (2016), realiza una revisión de métodos para la proyección de la demanda de corto plazo. Revisa un total de 83 investigaciones referentes a proyecciones de corto plazo, las cuales las agrupa del siguiente modo:

• Statistical Technique
  • Multiple regression method
  • Exponential smoothing
  • Iterative reweighted least square
  • Adoptive load forescasting
  • Stochastic time series
• Autoregressive Moving-Average (ARMA) Model
• Autoregressive Integrated Moving-Average
• Artificial Intelligent (AI) Techniques
  • Fuzzy logic
  • Neural networks
  • Genetic algorithms

Laouafi (2015), realiza una evaluación de métodos convencionales e inteligencia artificial para proyecciones de la demanda eléctrica de mediano y largo plazo. Los métodos que emplea para la proyección de mediano y largo plazo son:

• Holt’s exponential smoothing technique (HWES)
• Autoregressive integrated moving average model (ARIMA)
• Holt-Winters method
• Seasonal autoregressive integrated moving average (SARIMA)
• Artificial neural network model
• Adaptive neuro-fuzzy inference system

En nuestro país, la proyección de la demanda de corto plazo es realizada a diario por el COES. En la cual se emplea el método de media móvil. El detalle de la metodología la encontramos en el procedimiento No 3 - Pronóstico de la demanda a corto plazo del sistema eléctrico interconectado nacional.

Cada año Osinergmin, desarrolla el procedimiento de fijación de precios en barra. En este procedimiento se emplea un modelo ARIMA y un modelo de corrección de errores (MCE). Ambos métodos se vienen empleando desde el año 2006.

5 Conclusiones

La proyección de la demanda eléctrica es muy importante para la decisión de procesos en el sector eléctrico. Estos procesos pueden ser programar la operación de corto plazo, una base para la compra y venta de energía eléctrica, planificación de proyectos de generación y transmisión.

En cuanto a las variables empleadas están fuertemente ligadas al horizonte de tiempo que deseamos proyectar. Mientras que en los métodos empleados están basados en técnicas estadísticas, de regresión e inteligencia artificial.

Finalmente, en nuestro país posiblemente se pueda mejorar los métodos de proyección de la demanda eléctrica que son empleados actualmente. En particular para la operación diaria, en la revisión literaria podemos encontrar métodos recientes que proponen un menor error de pronostico en comparación al método de media móvil.

Referencias

Seifi, H., & Sepasian, M. S. (2011). Electric power system planning: issues, algorithms and solutions. Springer Science & Business Media.

Laouafi, A., Mordjaoui, M., & Laouafi, F. (2015). An evaluation of conventional and computational intelligence methods for medium and long-term load forecasting in Algeria. In Control, Engineering & Information Technology (CEIT), 2015 3rd International Conference on (pp. 1-6). IEEE.

Srivastava, A. K., Pandey, A. S., & Singh, D. (2016). Short-term load forecasting methods: A review. In Emerging Trends in Electrical Electronics & Sustainable Energy Systems (ICETEESES), International Conference on (pp. 130-138). IEEE.

Comité de Operación Económica del Sistema Interconectado Nacional [COES] (2017). Informe de evaluación de la operación diaria, lunes 17 de abril del 2017. IEOD No. 107/2017.

Comité de Operación Económica del Sistema Interconectado Nacional [COES] (2017b). Informe de diagnóstico de las condiciones operativas del SEIN, periodo 2019 – 2028. Informe COES/DP-01-2017.