IEEE PES 2017 Conferencia Innovadora de Tecnologías de Redes Inteligentes - América Latina (ISGT América Latina).
Quito, Ecuador
Desarrollo de un modelo ANN para el pronóstico de carga a
corto plazo multirregional basado en el reconocimiento de
patrones de demanda de energía
Leonardo N. Silva, Alzenira R. Abaide, Iuri C. Figueiró, Drean Martinuzzi y Jonas Rigodanzo
Universidad Federal de Santa María, UFSM
Santa maria, brasil
leo.nogueirafs@gmail.com
Resumen - El estudio de pronóstico de carga a corto
plazo se caracteriza por una estimación del patrón de
consumo que va desde un día hasta algunos meses
antes, en relación con la planificación de la operación.
En los conceptos de redes inteligentes, este estudio
también es importante, pero la calidad de los métodos
de pronóstico de carga real debe mejorarse, debido a
nuevos aspectos como la DG y las cargas
intermitentes. El objetivo de este trabajo es
desarrollar un modelo para el pronóstico de carga a
corto plazo en varias regiones, al día siguiente, en base
a la hora y durante los próximos 7 días. Se
considerarán los efectos de la aplicación del promedio
ponderado en las variables meteorológicas, para
corregir la gran extensión de las Multi regiones, y un
nuevo enfoque del reconocimiento de patrones de
demanda de energía, como una variable de entrada
del modelo de pronóstico. Se propondrá un modelo
basado en redes neuronales artificiales. Los resultados
de la correlación se presentarán entre las variables de
entrada y una comparación de MAPE con el
pronóstico de carga.
Términos de índice: -ANN, Patrones de demanda,
Sistemas de distribución, Planificación de operaciones,
pronóstico de carga a corto plazo, Ponderado
Variables Climáticas.
I. I NTRODUCCION
Los estudios de planificación de sistemas de energía
eléctrica representan una herramienta fundamental para
la confiabilidad del servicio brindado por los agentes de
operación, a través de la definición de las inversiones y
acciones a realizar en la red [1]. En este sentido, en la
planificación de la operación se definen algunos aspectos
de la gestión operativa de los recursos energéticos y el
despacho de generación, el flujo de potencia óptimo en
las líneas de transmisión, la reducción de pérdidas y la
gestión de la carga, más allá del análisis de confiabilidad
en los sistemas de distribución [1] - [2].
En términos de planificación operativa, el estudio de
pronóstico de carga (LF) es muy importante, para
preceder a las ocurrencias y patrones de demanda de
energía, acciones predeterminadas a realizar. Por lo tanto,
la precisión en la planificación de la operación está
directamente relacionada con la precisión del modelo de
pronóstico de carga en el horizonte de estudio [3].
Actualmente, el horizonte de pronóstico principal que se
incluye en la planificación de la operación es LF a corto
plazo, con una variación
entre un día y un mes por delante, en una hora de
estratificación. En el escenario brasileño, por ejemplo,
NSO (Operador del Sistema Nacional) aplica horizontes a
corto plazo para definir un estudio fundamental, el DOP
(Programación de Operación Diaria), con un impacto
directo en los agentes de generación de energía, sistemas
de transmisión y servicios públicos de distribución. [4].
Incluso con los conceptos más recientes de Smart
Grids en el contexto del sistema de distribución, donde
es posible aplicar tecnología avanzada para monitorear
y administrar el transporte de energía e información en
tiempo real, aumentando la capacidad de control del
sistema, el pronóstico de carga sigue siendo un paso
fundamental en el proceso de planificación y gestión
de operaciones, incluidos los nuevos desafíos [5].
Por ejemplo, aunque la generación distribuida se
beneficia como la reducción de pérdidas y el uso de
fuentes de energía renovables, tiene un gran impacto
en el perfil de la curva de carga del consumidor,
influyendo en el tratamiento de los servicios públicos
y, a gran escala, en la puesta en servicio centralizada
diaria de la generación y el flujo de energía en el
sistema. [6] –[7]. Otros factores, como el vehículo
eléctrico, que son una vez que un consumidor y otra
vez un elemento de almacenamiento y un inyector de
potencia, introducen una estacionalidad dura en el
modelo de pronóstico. Por lo tanto, es fundamental
desarrollar nuevas técnicas y cargar modelos de
pronóstico, garantizando la fiabilidad de los resultados
y reduciendo los errores de pronóstico [8].
Se ha desarrollado un número relevante de técnicas y
modelos matemáticos en los últimos años para mejorar
el pronóstico de carga a corto plazo. Inicialmente, se
aplicaron las técnicas matemáticas y estadísticas, como
la regresión múltiple y los modelos ARIMA,
considerando principalmente la descomposición del
historial de la demanda en series temporales [2] - [9] -
[10]. Los principales problemas de estos métodos se
deben a la complejidad algebraica y la inercia a las
variaciones rápidas de la serie temporal [11]. En este
sentido, se aplica la alternativa de la Inteligencia
Artificial (IA).
Entre los métodos de IA más representativos para LF
están las Redes Neuronales Artificiales (ANN), debido
a la capacidad de reconocimiento de patrones. La
referencia [12] aplica ARN, en una
 IEEE PES 2017 Conferencia Innovadora de Tecnologías de Redes Inteligentes - América Latina (ISGT América Latina). Quito, Ecuador

El modelo Perceptrón Multi-Layer, para propósitos de LF Sin embargo, el tratamiento de las variables
a corto plazo para 4 multi-regiones de Taiwán, obtuvo meteorológicas en un modelo multirregional no es trivial.
resultados de error diario promedio (MAPE) de 2.15%. No solo hay uno, sino varios centros de medición del
Otros estudios presentan análisis similares del clima en la región de predicción, y determinar el valor
rendimiento del ARN, principalmente en relación con los del clima que mejor represente
ajustes de los modelos de entrenamiento, pero aplicados a las condiciones de la región pueden ser difícil [17]. En
microrregiones, que no muestran una mayor variación de este trabajo se propone obtener el índice ponderado de
los patrones de entradas del modelo [13] - [14]. estas variables climáticas, ponderado por la población
total alrededor del centro de medición del clima. Para el
El presente documento tiene como objetivo presentar una caso base de este modelo presentado
metodología de pronóstico de carga a corto plazo, con
aplicación ANN, para una multi-región, correspondiente
a una región de operación de utilidad, localizada en el sur
de Brasil, considerando las variaciones entre los patrones
de consumo de esta área. Las entradas consideradas se
basan en diferentes enfoques, como características
climáticas de la región, y una propuesta de entrada
correspondiente al patrón de la curva de demanda típica,
estimada en días laborables, sábados y domingos. Esta
propuesta puede ser el primer paso para desarrollar una
metodología para cargar pronósticos en el escenario de
Smart Grid. Los resultados del pronóstico se realizarán
considerando el año de operación 2013 -2014.
II. PARA CONSIDERACIÓN EN LA PREDICCIÓN DE
CARGA MODELO
En una evolución histórica de la metodología de
pronóstico de carga, se pueden definir tres generaciones
de pronosticadores. El primero se refiere a un análisis
heurístico de series de tiempo, identificando el patrón
histórico y, por decisión de un experto, definiendo la
carga en el horizonte de pronóstico. Las segundas son las
aplicaciones de los métodos estadísticos, como ARIMA,
en un enfoque causal, donde las series de tiempo se
descomponen y analizan, mejorando la calidad de los
resultados. Finalmente, el tercero se basa en una
aplicación en Inteligencia Artificial, que favoreció la
inclusión de nuevas variables de entrada a los modelos
de pronóstico, relacionando las entradas con
diferentes enfoques, asegurando el reconocimiento de Hay 15 centros de medición del clima. Por lo tanto, el
patrones y optimizando la calidad de los resultados más valor de la variable ponderada tiende a aproximarse al
que en los métodos matemáticos [2] - [11] - [15]. valor del centro de medición con la mayor población,
una vez que la mayor población puede representar un
En el campo de pronóstico de carga a corto plazo, algunas mayor centro de demanda de energía.
variables tienen un gran impacto en el patrón de consumo,
principalmente las variables meteorológicas.
Entre ellos, la temperatura, la humedad relativa del aire y Sobre la base de la ponderación de las variables
la velocidad del viento representan una mayor influencia meteorológicas, es fundamental, en la definición del
en la demanda de potencia [13]. Un gran número de modelo de pronóstico, establecer las correlaciones entre
estudios proponen diferentes enfoques para estas variables las variables de entrada. Las figuras 1 a 2 presentan, en
en los modelos de pronóstico de carga. En términos de un diagrama de dispersión, el historial de datos del
temperatura, por ejemplo, a menudo se usan entradas de
temperatura por hora [14], pero en algunos enfoques la macrorregión del caso base estudiado. La Fig. 1
temperatura considera que los modelos y los efectos de representa el efecto de la temperatura del escape, en el
escape se consideran, el último caracterizado por un que la demanda aumenta hacia los extremos de
problema de demanda en temperaturas extremas, debido temperatura, en Brasil, caracterizado por el uso de la
al uso de Aire acondicionado y calefactores [2]. Para la ducha eléctrica, a bajas temperaturas, y el aire
humedad y la velocidad del viento, no hay una gran acondicionado, a altas temperaturas. La figura 2 define
cantidad de metodologías que las consideren como una relación entre la humedad y la demanda en una
entradas directas al modelo de predicción, especialmente
la segunda, que se aplican con modelos de temperatura, tendencia decreciente. Cuanto más alta sea la humedad,
como Wind-Chill, para viento e Índice de calor, para más baja será la demanda en la macroregión estudiada.
humedad [12] - [16]. El diagrama de dispersión de la velocidad del viento no
se muestra, porque no hay una relación visible con la
demanda.
 IEEE PES 2017 Conferencia Innovadora de Tecnologías de Redes Inteligentes - América Latina (ISGT América Latina). Quito, Ecuador
A partir del diagrama de dispersión presentado, se definen
algunas curvas de tendencia y se calcularon los
coeficientes de determinación (R²). Este coeficiente varía
en una escala de 0 a 1, y define el grado de relación entre
dos variables, donde al estar más cerca de una, mayor es
la relación causa - efecto entre ambas [18]. La Tabla I
presenta los resultados del coeficiente de determinación
para las tres variables climáticas en relación con la
demanda de energía.
Como se puede analizar en la Tabla I, los mejores
resultados de correlación se verifican con la temperatura y
la humedad, cuyos índices se encuentran entre el 9% y el
11%. Como se mencionó, la relación entre el viento y la
demanda es muy leve, 0. 0042.Sobre esta base, las dos
primeras variables se determinaron según el modelo de
pronóstico, considerando esto de manera independiente.
La Tabla II muestra los coeficientes de determinación
(R²), descompuestos en estaciones climáticas. Aunque el
índice de humedad general es más alto, como se muestra
en la Tabla I, el análisis descompuesto indica una
prevalencia de correlación de la temperatura,
especialmente en verano y otoño. Para la primavera, los
coeficientes de temperatura y humedad están muy cerca, y
en invierno, la humedad tiene un gran impacto. Esta
relación tiende a tener un impacto en las tasas de error de
pronóstico, como se verificará en las siguientes secciones.
BI. SHORT- TERM LOAD FORECASTING
MODELO DE ORIENTACIÓN PROPUESTO
Los métodos de inteligencia artificial (IA)
proporcionaron, en un campo de estudio de pronóstico de
carga, la consideración de diferentes enfoques de
variables, sin relación directa entre ellos, como datos del
mismo modelo de pronóstico. Uno de los mejores
métodos en la IA para cargar problemas de pronóstico son
las redes neuronales artificiales (ANN) [19].
La ANN se distingue de otros métodos de IA basados en
la capacidad de reconocer patrones de entrada de una base
de datos insertada. Además, en función de las entradas,
adapta los pesos y sesgos de las sinapsis de las neuronas
internas, para reconocer estos patrones, aprender de ellos,
a través del error introducido en el paso de entrenamiento
y replicar esta experiencia adquirida para generar nuevos
productos, basados en estados actuales de las entradas
[20] - [21]. Debido a esta capacidad, se justifica la
consideración de ANN como un método para el modelo
propuesto.
El modelo de previsión de carga a corto plazo ANN
propuesto tiene en cuenta una red Perceptron multicapa.
Esta red está compuesta por una capa de entrada, se
refieren a las variables de entrada y una capa de salida,
compuesta por una neurona responsable por el resultado.
Además, se determinó el uso de una capa entre la entrada
y la salida, la capa oculta [21] - [22]. En los aspectos
formativos, una serie de distintos aprendizajes.
Se pueden aplicar algoritmos. En este trabajo, se definió
el uso de Levenberg-Marquardt (LM), junto con la
corrección de errores y la actualización de pesos y
sinapsis por Backpropagation. El algoritmo utilizado, LM,
tiene uno de los mejores rendimientos, en términos de
procesamiento. Basado en una matriz jacobiana que
relaciona la evolución del error en relación con los pesos
y sesgos de las interacciones entre las neuronas, converge
los valores más rápido al error mínimo global, además de
ser adecuado para el número de variables de entrada
definidas [22].
El establecimiento de algunos parámetros de
entrenamiento es importante para la calidad de
reconocimiento de patrones ANN. El uso del algoritmo
LM introduce el aspecto de la tasa de convergencia (µ).
Para valores bajos de µ, el sistema de actualización de
peso tiene un comportamiento similar al método
interactivo de Newton. Cuando el valor es alto, la
actualización de los pesos se produce como un descenso
del degradado. Se aplicó un valor inicial de µ de 0.01
[23]. Otros aspectos están dados por los criterios de
parada del entrenamiento. Se definieron una cantidad de
épocas de 800, un valor de gradiente mínimo de 1 x 10 -5
y una parada temprana de 5. Con los datos de
entrenamiento separados al azar en 80% de
entrenamiento, 10% de validación y 10% de prueba,
cuando el crecimiento de error de validación durante 5
épocas consecutivas, ANN detiene el entrenamiento con
Early Stop.
Finalmente, la rutina de procesamiento viene dada por un
ciclo de entrenamiento. Una función objetivo, cuyo
objetivo es reducir el error MAPE desde el día anterior a
la aplicación del día de pronóstico. El número de
neuronas en la capa oculta aumenta, después de cada
entrenamiento de red, para satisfacer la condición de
reducción de errores de la función objetivo. Cuando se
encuentra la mejor topología ANN, la red capacitada se
aplica al día de pronóstico y para una proyección de los
próximos 7 días. Teniendo en cuenta la planificación
diaria de la operación, cada día se ejecuta una nueva
rutina, y los días subsiguientes, ya previstos, se
actualizan gradualmente.
 IEEE PES 2017 Conferencia Innovadora de Tecnologías de Redes Inteligentes - América Latina (ISGT América Latina). Quito, Ecuador
Una vez que se establecen la topología ANN y los
aspectos de procesamiento, se determinan las variables
de entrada del modelo. A partir de una serie de análisis,
tanto la heurística como la información de expertos, se
asignaron 8 variables de entrada, relacionadas con el
historial de la demanda, los enfoques climáticos y las
variables ficticias que introducen características típicas
del sistema [21]. Así, las variables son:
A. Mes del año
La variable numérica ficticia, con variación entre 1 y 12,
representa cada mes del año, de enero a diciembre.
Importante debido a la estacionalidad anual inducida por
las estaciones climáticas.
B. Hora del día
Variable numérica ficticia, con variación entre 0 y 23,
considerada para describir la estacionalidad diaria, como
el pico de demanda, las horas de trabajo y el amanecer.
C. Día de la semana
Variable numérica ficticia, con variación entre 1 y 7, de
domingo a sábado. Relativo a la estacionalidad de la
semana.
D. Demanda de la misma hora de pronóstico con 7 días
de retraso.
Variable continua que representa la demanda 7 días atrás,
a la misma hora de la hora de pronóstico.
E. Demanda de Pronósticos Hora-1 y Hora-2
Dos variables distintas que representan la demanda de las
dos últimas horas de la hora de pronóstico. Relevante
para determinar los eventos de demanda más cercanos a
la hora de pronóstico.
F. Temperatura ponderada o humedad ponderada.
Estas variables se aplican en dos estudios de pronóstico
independientes, como una información meteorológica del
modelo. Según el estudio de correlación, ambos
presentaron índices similares en el análisis general de la
base de datos y la demanda tiende a responder a
variaciones de ellos.
G. Patrón de demanda de potencia
La última entrada del modelo de pronóstico corresponde
a una de las principales contribuciones de este trabajo.
Esta variable se aplica para reconocer el patrón de
variación de la demanda por hora a lo largo del día según
las curvas típicas de carga que representan la base de
datos.
Las curvas típicas representan el patrón de demanda de
una región dada. Se utilizan ampliamente en varios
estudios, planes de operación o expansión, estudios de
voltaje, calidad de servicio, confiabilidad del sistema,
entre otros [24].
Por lo tanto, el reconocimiento del patrón de variación de
la demanda, una hora en relación con el anterior, actúa en
el modelo ANN propuesto para reconocer el perfil de la
curva de carga e indicar que el modelo siga un patrón
similar. Esta variación propuesta viene dada por el
derivado local dentro de las 24 horas de la curva típica de
carga.
Por lo tanto, se produce un procesamiento previo de la
base de datos de entrada, para obtener las curvas típicas
de carga para días laborables, sábado y domingo, debido
a las distintas topologías de patrones de demanda para
esos días. La figura 3 presenta la curva típica para la base
de datos del historial de utilidades. Al analizar las curvas,
existen diferencias en el perfil y la ocurrencia de picos de
demanda, entre estos días.
Para propósitos de entrada del modelo de pronóstico de
carga, esta es una variable ficticia que determina a cada
hora un valor diferente según la variación obtenida en la
derivada local de la curva típica. Por lo tanto, hay 72
valores distintos, que corresponden a los 3 tipos de días
posibles. En este análisis, las vacaciones fueron
consideradas como un modelo dominical.
IV.RESULTADOS Y DISCUSIONES
Esta sección presenta los resultados del modelo de
pronóstico de carga a corto plazo para las múltiples
regiones. Como se mencionó, las pruebas se propusieron
en el modelo de acuerdo con los datos de operación del
sistema desde 2013-2014 de una empresa brasileña de
servicios públicos. Con el propósito de validar la
metodología se intentó homogeneizar el estudio,
realizando un análisis de una semana del desempeño del
modelo a las 4 estaciones climáticas de 2014. Se
considerarán las semanas del 14 al 20 de enero (verano),
del 1 al 7 de abril (otoño), del 1 al 7 de julio (invierno) y
del 23 al 29 de septiembre (primavera), definidos como
días no especiales y separados por intervalos similares
(aprox. 90 días). Para la capacitación, a cada estudio se
aplicó un año histórico, en relación con el día de
pronóstico. Por ejemplo, a la semana de otoño, los datos
históricos de la capacitación corresponden al 01/04/2013
al 31/03/2014.
La región está localizada en una región de clima
subtropical, caracterizada por temporadas bien definidas,
mostrando estacionalidades anuales, semanales y diarias
en el pronóstico de carga. Además, se propuso verificar
el impacto del error de predicción de acuerdo con la
variable meteorológica aplicada, la temperatura
ponderada o la humedad ponderada, en conflicto con los
resultados de correlación de la Sección II.
 IEEE PES 2017 Conferencia Innovadora de Tecnologías de Redes Inteligentes - América Latina (ISGT América Latina). Quito, Ecuador

La Tabla III presenta los resultados del mejor caso de la
capa oculta y el porcentaje promedio de error (MAPE)
obtenidos en 8 pronósticos diferentes. Como se
mencionó, la capa oculta es adaptable de acuerdo con una
función objetivo. Por lo tanto, como se esperaba, se
obtiene una red distinta para cada pronóstico. Sin
embargo, según la Tabla III, los pronósticos de
temperatura mantuvieron el número de neuronas entre 16
y 21, en la columna "Capa oculta", lo que demuestra la
estabilidad y la humedad, excepto en la semana de
invierno, con 28 neuronas en la capa oculta.
pronóstico, se realizó un análisis de los errores de
pronóstico de cada hora por hora a los cuatro días de
diferentes estaciones climáticas. La Tabla IV resume los
errores de la hora de pronóstico, complementados por el
MAPE diario respectivo. Al analizar la Tabla IV, la
calidad de los resultados del pronóstico se verifica
nuevamente. Se debe enfatizar que el día presentado en la
tabla comprende un día laboral, con picos de consumo
principales entre las 9:00 am y las 11:00 am y las 2:00

Para el análisis de errores, la Tabla III demuestra la

calidad de los resultados de pronóstico encontrados
MAPE para todos los estudios de validación siempre fue
inferior al 1.4%, en la columna "Val _Err", y para la
prueba de la semana de la temporada, considerando el
pronóstico por hora para todos los días de la semana,
siete días antes, este valor fue inferior al 1.8%, en la
columna "Week _ Err". Además, hay un predominio de
errores menores en la consideración de la temperatura
como entrada, en comparación con la humedad.

TABLA III. PARÁMETROS Y MAPA DE

PRONÓSTICOS REALIZADOS.

La última columna de la Tabla III presenta el MAPE para pm y 4:00 pm. Con excepción de una hora en el otoño (10
el pronóstico del día siguiente, principalmente objetivo de am) y una en la primavera (4 pm), los resultados para el
este modelo, ya que tiene un impacto directo en la período pico fueron inferiores al 1%.
definición de la planificación diaria de la operación. El
error medio para las previsiones fue inferior a 1.2% para
todos los casos, y para primavera y otoño, menos del 1%.
A efectos comparativos, estos errores están muy por
debajo del umbral del 5%, que aumenta
significativamente en los costos de error, y por debajo del
1,5%, resultados de otros modelos de ARN [12] - [13] -
[14] - [25] - [26].

En la sección II se discutió la temperatura y humedad

aplicada. Con los coeficientes de correlación obtenidos, se
verificó que la temperatura puede ser más representativa.
Al análisis de errores, se puede observar lo mismo. Solo
en invierno, la humedad presentaba un mejor desempeño,
incluso ocurría en las correlaciones. La Fig. 4 presenta la
curva de carga de la semana en el mejor de los casos, la
semana de primavera, con un MAPE de 1.154% y 1.238%
para temperatura y humedad, respectivamente.
Principalmente en martes y domingo se pueden observar
algunas diferencias de la curva de pronóstico con la
humedad y la curva de demanda real.

Por lo tanto, considerando los mejores resultados de la

temperatura ponderada como entrada del modelo de
 IEEE PES 2017 Conferencia Innovadora de Tecnologías de Redes Inteligentes - América Latina (ISGT América Latina). Quito, Ecuador
En general, los errores más grandes se produjeron en el
período temprano en la noche, por la rápida caída de la
demanda observada en la curva típica de la jornada
laboral de la Fig. 3. En el caso del día de invierno, aunque
los resultados satisfactorios de la previsión de carga son
mayores que los verificado para los otros análisis,
indicando un posible cambio de patrón solo para ese día
específico, y difícil de considerar en el modelo de
pronóstico.
La Fig. 5 presenta el perfil de demanda de pronóstico,
considerando tanto la temperatura ponderada (TW) como
la humedad ponderada (HW), para el mejor resultado de
pronóstico, del día anterior a la temporada de primavera,
24 de septiembre de 2014, con un MAPE de 0.674%. y
0.715%, respectivamente.
Al analizar la Fig. 5, se observa que la principal
atribución del error de diferencia a la temperatura o la
humedad como variable de entrada es en 8:00 pm, donde
la demanda de pronóstico, según el modelo que considera
la humedad, no se ajustó a un pequeño local. pico, siendo
la demanda pronosticada menos que la demanda real, en
alrededor de 2.28%. Sin embargo, para las otras horas, el
patrón fue seguido por las demandas pronosticadas.
CONCLUSIONES
La planificación es muy importante para la operación
continua del sistema, para anticipar los casos de demanda
y para adaptar la generación, transmisión y distribución a
un consumidor confiable. En este contexto, la previsión
de carga representa un papel clave para los estudios de
planificación de operaciones.
Por lo tanto, este trabajo presentó una metodología de
pronóstico de carga, a un horizonte que varía de 1 a 7 días
por delante, con enfoque de reducción de errores al primer
día por delante, con el propósito de su aplicación en el
contexto de la planificación de operaciones diarias a la
macroeconomía. Región en la que opera una utilidad.
Para esto, se aplicó un modelo de predicción basado en
ANN, debido al mejor comportamiento de este modelo en
el reconocimiento de patrones y la posibilidad de
interrelaciones entre variables con distintos enfoques. Se
verifica en la heterogeneidad de los insumos. Se utilizaron
variables ficticias para identificar los patrones de día, mes
del año y día de la semana. Además, los insumos que
representan el historial de la demanda, la consideración
del clima, vinculados a través de estudios de correlación
con la demanda, y la consideración del patrón típico de
curvas de demanda.
En cuanto al modelo de entrenamiento, se utilizó un
algoritmo LM. Los parámetros principales se definieron
según el análisis del comportamiento del modelo en
relación con el tiempo de procesamiento y la calidad de
los resultados, en términos de error de pronóstico. De este
modo, se definió un coeficiente inicial de µ de 0.01, un
número de épocas de 800, un gradiente mínimo de
1 x 10 -5 y una detención temprana de 5. Para la
definición de capa oculta, se propuso un método
interactivo basado en la función objetivo para reducir la
validación de errores.
Los resultados de las pruebas demostraron la calidad del
sistema, con errores por debajo del umbral del 5% del
costo x error de predicción y otros modelos de referencia.
En general, en el análisis de los días en las cuatro
temporadas anuales, el MAPE diario para el día siguiente
estuvo por debajo del 1.15%, y cuando se estimó para los
próximos 7 días, por debajo del 2%. Para esta utilidad,
otra conclusión importante es que la temperatura
ponderada tiene más impacto en el modelo de pronóstico,
en términos de correlación de la demanda y reducción de
errores.
Con la introducción de los conceptos de redes
inteligentes, la previsión de carga y la planificación
siguen teniendo el mismo grado de importancia. Sin
embargo, el desafío de considerar nuevas variables, como
el aumento de la generación distribuida, especialmente la
relacionada con la baja tensión, y la aparición de cargas
intermitentes, como los vehículos eléctricos, dificultan
este análisis y dependen de los aspectos imponderables
del consumidor.
Principalmente, considerando el patrón de curva típico
como una entrada del modelo, puede ser crítico en una
perspectiva de Smart Grid, para introducir, por ejemplo,
en el modelo de pronóstico de carga, las diferencias entre
la carga y la generación distribuida. Por lo tanto, el
siguiente paso de este trabajo es adaptar el modelo para
recibir nuevos insumos relacionados con Smart Grid,
enfoque de la metodología con el objetivo de micro grids.
RECONOCIMIENTOS
Los autores reconocen el apoyo técnico y financiero de la
Coordinación de Capacitación de Personal de Nivel
Superior (CAPES) y la Universidad Federal de Santa
María (UFSM), instituciones brasileñas.
REFERENCIAS
[1] B. Sant’Anna, "Distribution Systems Expansion
Planning – Methodology to Small Hydraulic Generators
Consideration," Master dissertation, PPGEE - UFMG,
Federal Univ. of Minas Gerais, 2009.
[2] A. Clements, A. Hurn, Z. Li, " Forecasting day-ahead
electricity load using a multiple equation time series
approach," European Journal of Operational Research,
vol. 251, pp. 522-530, 2015.
[3] Y. Wi, S. Joo, K. Song, " Holiday Load Forecasting
Using Fuzzy Polynomial Regression With Weather
Feature Selection and Adjustment," IEEE Trans. Power
Systems, vol. 27, n. 2, pp. 596-603, 2012.
[4] ONS – National System Operator, “Sub-module 8.1.
Electro energetic Daily Operation Programming”,
Legislation, Brasília, Brazil, 2017.
[5] CGEE, “Smart Grids: National Context”, Science and
Tech. Brazilian Ministry, Brasília, Brazil, 2012.
 IEEE PES 2017 Conferencia Innovadora de Tecnologías de Redes Inteligentes - América Latina (ISGT América Latina). Quito, Ecuador

[6] Z. Wang, B. Chen, J. Wang, J. Kim, M. Begovic, [22] H. Demuth, M. Beale, “Neural Network Tollbox for
"Robust Optimization Based Optimal DG Placement in use with MATLAB," MathWorks Users’s Guide, Version
Microgrids," IEEE Transactions on Smart Grid, vol. 5, n. 4, 2002.
5, pp. 2173 - 2182, 2014. [23] M. Hagan, M. Menhaj, “Training Feedforward
[7] P. Sotkiewicz, J. Mario Vignolo, "Allocation of Fixed Networks with the Marquardt Algorithm”, IEEE Trans.
Costs in Distribution Networks With Distributed Neural Networks, vol.5, n.6, 1994.
Generation," IEEE Trans. Power Systems, vol. 21, n. 2, [24] N. Kagan, C. Oliveira, E. Robba, “Introduction to
pp. 639-652, 2006. Distribution Electrical Systems”, 1st ed., vol. 1, Ed.
[8] E. Valsera-Naranjo, et Al., " Electrical vehicles: State Edgard Blucher, p.328, 2010.
of art and issues for their connection to the network," in [25] M. Ortega-Vazquez, D. Kirschen, “Economic Impact
2009 10th International Conference on Electrical Power Assessment of Load Forecast Errors Considering the Cost
Quality and Utilisation, EPQU’09, pp. 2-4, 2009. of Interruptions," Power Engineering Society General
[9] S. Ruzic, A. Vuckovic, N. Nikolic, “Weather Sensitive Meeting, 2006. IEEE, pp. 1-8, 2006.
Method for Short Term Load Forecasting in Electric [26] D. Ranaweera, G. Karady, R. Farmer, “Economic
Power Utility of Serbia," IEEE Trans. Power Systems, impact analysis of load forecasting," IEEE Trans. Power
vol. 18, n. 4, pp. 1581–1586, 2003. Systems, vol. 12, n. 3, pp. 1388 – 1392, 1997.
[10] J. Cancelo, A. Espasa, R. Grafe, “Forecasting the
electricity load from one day to one week ahead for the
Spanish system operator”, International Journal of
Forecasting, v.24, n.4, pp. 588-602, 2008.
[11] C. Guirelli, "Short Term Load Forecasting in
Electrical Areas Using Artificial Intelligence," Doctor
dissertation, Polytechnic S., Univ. São Paulo, 2005.
[12] W. Chu, et Al., “Multiregion short-term load
forecasting in consideration of HI and load/weather
diversity," IEEE Trans. Industry Applications, v. 47, n. 1,
pp. 232–237, 2011.
[13] A. Bashir, M. El-Hawary, "Applying wavelets to
short-term load forecasting using PSO-based neural
networks," IEEE Trans. Power Systems, vol. 24, n. 1, pp.
20-27, 2009.
[14] H. Mori, A. Yuihara, “Deterministic annealing
clustering for ANNbased short-term load forecasting,"
IEEE Trans. Power Systems, vol. 16, n. 3, pp. 545-551,
2001.
[15] N. Hobbs, B. Kim, K. Lee, “Long-Term Load
Forecasting Using System Type Neural Network
Architecture,” Intelligent Systems Applications to Power
Systems, 2007. ISAP 2007. International Conference on,
pp. 1-6, 2007.
[16] N. Bluestein, “Basic Atmospheric Structure and
Concepts,” Reference Module on Earth Systems And
Environmental Sciences, Elsevier Ltd., pp. 7-11, 2015.
[17] W. Guan, K. Chung, K. Cheung, et Al.,“ Advanced
Load Forecast With Hierarchical Forecasting Capability,”
Power and Energy Society General Meeting (PES), 2013
IEEE, pp. 1-5, 2013.
[18] G. Bunchaft, S. Rubino, "Estatística sem Mistérios,"
2nd ed., vol. 2, Ed. Vozes, 1997, pp. 113-143.
[19] B. Ye, et Al., “Identification of Fuzzy Model for
Short-Term Load Forecasting Using Evolutionary
Programming and Orthogonal Least Squares,” Power and
Energy Society General Meeting (PES), 2006 IEEE, pp.
1-8, 2006.
[20] A. Khotanzad, R. Afkhami-Rohani, D. Maratukulam,
“ANNSTLF – Artificial Neural Network Short-Term
Load Forecaster – Generation Three," IEEE Trans. Power
Systems, vol. 13, n. 4, pp. 1413-1422, 1998.
[21] S. Haykin, “Neural Networks: a comprehensive
foundation" 2nd ed., vol. 1, trad. P. Engel, Ed. Bookman,
p.900, 2007.