Modelo de predicción de demanda de energía eléctrica mediante técnicas Set-Membership

• Diaz, Jimena ^[1] ; Vuelvas, Jose ^[1] ; Ruiz, Fredy ^[1] ; Patiño, Diego ^[1]
  1. [1] Pontífica Universidad Javeriana

     Pontífica Universidad Javeriana

     Colombia

     
• Localización: Revista iberoamericana de automática e informática industrial ( RIAI ), ISSN-e 1697-7920, Vol. 16, Nº. 4, 2019, págs. 467-479
• Idioma: español
• Títulos paralelos:
  • A Set-Membership approach to short-term electric load forecasting
• Enlaces
  • Texto completo
• Resumen
  • español

    En este artículo se propone un modelo para la predicción de demanda de energía eléctrica a corto plazo empleando técnicas de estimación Set Membership. El modelo está compuesto por una componente periódica y una componente no-lineal auto-regresiva generada por un modelo no-paramétrico adaptable que incorpora datos recientes al conjunto de identificación en cada iteración del algoritmo. El modelo es evaluado en un caso de estudio con mas de 13,000 muestras de demanda horaria a lo largo de tres años, registradas en un municipio rural de Colombia. El desempeño del estimador se compara con un modelo lineal auto-regresivo y un modelo Set Membership con conjunto de identificación fijo. Los resultados muestran que el estimador propuesto logra predecir la demanda de energía con un error RMS inferior al 2.5 % en datos de validación, empleando solo un 5 % de los datos disponibles para la construcción del modelo.

  • English

    This work presents a model for the short-term forecast of electric load, based on Set-Membership techniques. The model is formed by a periodic component and an adaptive non-linear autoregressive component. The identifications set of the non-linear model is increased at each estimation step.  The model is evaluated in a case study with more than 13.000 samples of hourly sampled energy demand, registered during three years at a rural town in Colombia. The performance of the estimator is evaluated and confronted to a linear autoregressive model and a standard Set-Membership model with fixed identification set. Results show that the proposed estimator is able to predict demand with an RMS error below 2.5% for validation data, using just a 5% of the available dataset for the model identification.