Modelo de demanda mejoraría predicción de consumo de energía

En su investigación, el ingeniero electrónico, José Fernando Montoya Cardona, magíster en Ingeniería Analítica de la Universidad Nacional de Colombia (UNAL) Sede Medellín, apuesta por optimizar la precisión de modelos de pronóstico que en la actualidad tiene el CND.

Señala que, “la energía eléctrica es un bien intangible muy importante para el desarrollo sostenible de los sectores económicos de un país y por esto la relevancia de mantener la confiabilidad del sistema eléctrico. Una de las principales características de este, es mantener la frecuencia dentro de unos límites estrictos para que el suministro se realice en condiciones de calidad aceptables, y por esto, se debe garantizar el equilibrio entre la generación y la demanda”.

Debido a esto, agrega, “la precisión de los modelos de pronóstico de la demanda es un factor relevante para asegurar la estabilidad del sistema eléctrico mediante la programación de los recursos de generación”.

Para mantener la confiabilidad, seguridad y economía en el sistema eléctrico, hay un proceso denominado despacho económico, realizado por el CND, en el que empresas del sector reciben ofertas de venta y disponibilidad.

El ente, debe contar con información del consumo de energía para conocer cuántos generadores se deben usar en el país. “No podemos comenzar una operación a ciegas, sin saber qué cantidad se requiere producir o generar”, dice.

Anota que, el estudio que realizó, surgió para mantener la estabilidad del sistema y para asegurar que la generación se desvíe menos de su programa, lo que también reduce costos, pues si esa situación se da, a las empresas las podrían penalizar.

El aporte principal del mismo es que permite realizar un pronóstico a corto plazo, es decir para unas dos semanas máximo, teniendo en cuenta que se hace la predicción, por lo general, es a nivel horario.

Procesamiento y análisis

El investigador menciona que, en la actualidad, para pronosticar la demanda de energía se predicen consumos agregados de usuarios que pertenecen a un mismo mercado de comercialización. Es decir, aquellos que están conectados al mismo operador de red y que pertenecen al mercado regulado (viviendas, por ejemplo) y no regulados (grandes industrias). Las que no, forman parte de otro, así se hace para determinar el consumo del país completo.

“Lo que se quiso hacer con el trabajo que realicé fue detectar cambios de comportamientos de consumo que pueden existir en los usuarios”, dice. Para ello, aplicó una técnica de agrupamiento denominada K-means, algoritmo de aprendizaje automático o machine learning.

“Entonces, por ejemplo, en lugar de pronosticar una serie de consumo para el mercado de comercialización de Antioquia, con esta metodología se generan grupos que representan los diferentes patrones de consumo y se combinan los resultados para obtener el pronóstico para toda una región. Es la diferencia principal”, añade.

Así mismo, la metodología tiene en cuenta 4 tipos de días: comerciales, sábados, domingos y festivos, dado que cada uno tiene un patrón de comportamiento diferente. Además, es un modelo híbrido, pues “antes de aplicar un algoritmo de pronóstico se utiliza una técnica de agrupamiento”, explica.

El método propuesto se comparó con el del CND, que usa múltiples modelos de pronósticos, fue utilizado para pronosticar la demanda horaria desde el 13 de enero de 2020 hasta el 15 de marzo de 2020. Luego del estudio, se obtuvo un 50 % de reducción de diferentes métricas de error con respecto a los del ente planea para supervisar y controlar la operación de recursos de generación y transmisión del Sistema Interconectado Nacional de Colombia.

La investigación, expone, es importante porque es necesario conocer la demanda de energía para realizar la programación de la operación. El estudio contribuye en la vida real desde su ejercicio profesional, aunque su gusto por los circuitos y la curiosidad por ellos y por cómo se construían comenzó cuando era un niño y jugaba videojuegos.