Load forecasting based on ANN

La predicción de demanda eléctrica hoy en día, es requerida en la planeación, operación y control de los sistemas de potencia. Así como también es de interés para los comercializadores de la energía ya que contar con el valor de la demanda al término de un plazo puede disminuir el riesgo de comprar energía a altos precios y, además aumenta la confiabilidad del sistema pues se mitigaría la demanda no abastecida. En este proyecto se presenta un modelo de predicción de demanda mensual a través de los métodos estadísticos: promedios móviles y suavizado exponencial; con un ajuste realizado mediante ANN (Artificial Neural Network). En primera instancia, los criterios para la selección de las comercializadores fueron: fuerte concentración industrial teniendo en cuenta que el mercado en estudio es el No Regulado el cual aborda las industrias; además, el comercializador tiene una cantidad de usuarios no regulados mayor que el 20% del total del país; y por último, datos históricos completos. Por lo anterior, los comercializadores en estudio son: Electricaribe, EPM, ISAGEN y Electrificadora de Cali. En segunda instancia, se utilizó como información las auto-correlaciones de las series de demanda eléctrica de cada comercializador, donde la significancia de hasta cinco meses anteriores sobre el mes a pronosticar es alta y la del mes en los dos años anteriores para establecer el modelo matemático de promedios móviles ponderados. Debido que los perfiles de carga son por comercializador, se diseñaron cuatro redes neuronales cuyas variables exógenas fueron elegidas luego del análisis de correlación que poseían las variables con la demanda eléctrica histórica. El entrenamiento se realizó estableciendo como salida la diferencia entre serie de predicción y serie histórica desde el año 2012 al 2016. Los datos de validación del sistema son las demandas de 2017 y el rendimiento ha sido evaluado a través del MAPE (Mean Absolut Percentage Error).Today power consumption forecasting is required in power systems planification and control. Forecasting is also important for electric utilities in electricity markets, thus having an estimate for power consumption the risks involved in purchasing energy at high prices can be diminished in a high margin, also it helps to improve the system reliability by diminishing non-supplied power in the users. This project presents a forecasting model that uses statistical model as backbone and using ANN (Artificial Neural Networks) as an adjustment factor. The criteria used for the selection of electric utilities were: high concentration of industrialized users considering the non-regulated market in the Colombian electric system and complete data over historic demand from these utilities. Therefore, the studied electric utilities are: Electricaribe, Epm, Isagen and Electrificadora de Cali. Furthermore, autocorrelation studies were made using the demand time series, a high significance over five months prior to the forecasted-month was found and a factor of the same month over two past years was used, all of these to build the statistical model of moving averages. Due to having load profiles for each utility, four ANN were built. Each network uses different exogenous variables that were chosen after a correlation analysis with the historical demand. The output of each network was the difference between the original time series and the time statistical model time series, training was carried over a time window of 60 month from year 2012 to 2016. For validation the consumption data of year 2017 was used evaluating the performance through MAPE( Mean Absolut Percentage Error)