Acceso usuarios
[1]
Venezuela
Al realizar el pronóstico de la demanda eléctrica, se espera no sólo que los resultados estén cerca de la demanda real, sino que también sean iguales o superior a esta demanda. Entonces, el objetivo de esta investigación es desarrollar una metodología multicriterio para la escogencia del mejor modelo de pronóstico de la demanda eléctrica máxima diaria considerando la previsión de satisfacción de la demanda real como criterio de decisión. Se generaron modelos de pronóstico con resolución diaria y horizonte semanal, utilizando la metodología Box-Jenkins, la técnica Prophet, y la red LSTM, durante diez semanas. En cada semana se evaluaron los modelos, tanto en la etapa de prueba como al comparar el pronóstico con la demanda real, utilizando las métricas MAE, RMSE y MAPE. Para la selección del modelo óptimo de pronóstico, se utilizó la técnica multicriterio SAW, siendo las alternativas de decisión los modelos de pronósticos generados, y los criterios de decisión el MAPE global, la cantidad de veces en la que un modelo respectivo tuvo el valor mínimo del MAPE y la cantidad de días en los que la demanda pronosticada fue igual o superior a la demanda real. El mejor modelo resultó ser el correspondiente a la red LSTM con un valor de 0.926, y el modelo ARIMA fue el siguiente con un valor de 0.814.
When forecasting electricity demand, it is expected not only that the results are close to the actual demand, but also that they are equal to or greater than this demand. Therefore, the objective of this research is to develop a multi-criteria methodology for the selection of the best forecast model for the maximum daily electricity demand considering the satisfaction of the real demand as a decision criterion. Forecast models were generated with daily resolution and weekly horizons, using the Box-Jenkins methodology, the Prophet technique, and the LSTM network, for ten weeks. In each week the models were evaluated, both in the testing stage and by comparing the forecast with actual demand, using the MAE, RMSE and MAPE metrics. The SAW multicriteria technique was used to select the optimal model, with the decision alternatives being the generated forecast models, and the decision criteria were the global MAPE, the number of times in which a respective model had the minimum MAPE value, and the number of days in which the forecasted demand was equal to or greater than the actual demand. The best model turned out to be the one corresponding to the LSTM network, with a value of 0.926, and the ARIMA model was next with a value of 0.814.
