¹Universidad del Valle, Facultad de Ingenierías, Escuela de Ingeniería Industrial y Estadística, Cali, Colombia. Profesor auxiliar. Email: anfebar@pino.univalle.edu.co
²Universidad del Valle, Facultad de Ingenierías, Escuela de Ingeniería Industrial y Estadística, Cali, Colombia. Profesor titular. Email: olaya@univalle.edu.co
³Universidad del Valle, Facultad de Ingenierías, Escuela de Ingeniería Industrial y Estadística, Cali, Colombia. Profesor auxiliar. Email: vmgonzal@pino.univalle.edu.co

El propósito de este trabajo es modelar, con fines de pronóstico, la demanda diaria de energía eléctrica en una región del suroccidente colombiano, mediante la implementación de modelos de regresión no paramétrica teniendo en cuenta factores de influencia tales como hora del día, día de la semana, mes y año, entre otros. Los datos empleados en el desarrollo de este proyecto provienen de una compañía local de distribución de energía eléctrica y se tomaron de Valencia (2005). La información disponible va desde enero de 2001 hasta noviembre de 2004. Estos datos muestran un comportamiento complejo, difícil de modelar con la teoría básica de los métodos paramétricos. Dado que un análisis exploratorio de la información sugiere la existencia de una curva típica diaria de demanda, se eligió estimarla utilizando modelos de regresión no paramétrica. Para efectos comparativos, se propuso la aplicación de otras metodologías que involucran modelos ARIMA y variables macroeconómicas. Todo el procesamiento estadístico se ejecutó con R.

Palabras clave: suavización, regresión no paramétrica, modelos ARIMA.

Our goal is to model, with forecasting aims, the daily electricity demand in a southeast colombian region through a non-parametric regression model implementation. We consider some "calendar variables" such as time of the day, day of the week, month, and year, among others, on the estimation process. Data come from an electricity distribution local company and are taken from Valencia (2005). Available data go from January 2001 to November 2004. These data show such a complicated behavior that it becomes hard to model using classical parametric models. Since exploratory analysis suggested the existence of an electricity demand daily typical curve, we used non-parametric models instead. For comparison purposes, we made use of some other methodologies including ARIMA models and the insertion of macroeconomic variables. Statistical processing was run using R.

Key words: Smoothing, Non-parametric regression, ARIMA models.

Texto completo disponible en PDF

Referencias

1. Blaconá, M. T. & Abril, J. C. (2000), Modelo estructural de espacio de estado para la demanda diaria promedio de energía eléctrica en la república Argentina, 'Trabajo Presentado en la Reunión de la Asociación Argentina de Economía Política (AAEP)', Asociación Argentina de Economía Política. *         [ Links ]http://www.aaep.org.ar/espa/anales/

2. Currie, I. & Durban, M. (2002), 'Flexible Smoothing with P-splines: An Unified Approach', Statistical Modelling 4, 333-349.         [ Links ]

3. Eilers, P. & Marx, B. (1996), 'Flexible smoothing with B-splines and Penalties', Statistical Science 11, 89-121.         [ Links ]

4. Eubank, R. L. (1999), Nonparametric Regresión and Spline Smoothing, Marcel Dekker Inc., New York, United States.         [ Links ]

5. Fernández, L. (2006), La demanda residencial de electricidad en España: un análisis microeconométrico de la demanda eléctrica residencial de corto plazo en España, Trabajo de Doctorado en Teoría Económica y Métodos Cuantitativos, Universidad de Vigo, Facultad de Economía. Departamento de Teoría Económica y Econometría, Vigo, España. *http://webs.uvigo.es/viijpe/pdf/FERNANDEZ.pdf         [ Links ]

6. Green, P. J. & Silverman, B. W. (2000), Nonparametric Regression and Generalized Linear Models, Chapman and Hall, New York, United States.         [ Links ]

7. Harris, J. & Liu, L. (1993), 'Dynamic Structural Analysis and Forecasting of Residential Electricity Consumption', International Journal of Forecasting 9(4), 437-455.         [ Links ]

8. Harvey, A. & Koopman, S. J. (1993), 'Forescasting Hourly Electricity Demand using Time-Varying Splines', Journal of American Statistics Association 88(424), 1228-1236.         [ Links ]

9. Hendricks, W. & Koenker, R. (1992), 'Hierarchical Spline Models for Conditional Quantiles and the Demand for Electricity', Journal of the American Statistical Association 87(417), 58-68.         [ Links ]

10. Krivobokoa, T. & Kauermann, G. (2007), 'A Note on Penalized Smoothing with Correlated Errors', Journal of the American Statistical Association. (en prensa).         [ Links ]

11. Murillo, J., Trejos, Á. & Carvajal, P. (2003), 'Estudio del pronóstico de la demanda de energía eléctrica, utilizando modelos de series de tiempo', Scientia et Technica 23, 37-40.         [ Links ]

12. Olaya, J. (2002), Suavización y regresión no paramétrica, '', Universidad del Valle, Facultad de Ingenierías, Escuela de Ingeniería Industrial y Estadística, Cali, Colombia. *         [ Links ]http://pino.univalle.edu.co/jolaya/Seminario/Suynopar2.pdf

13. Poirier, D. L. (1973), 'Piecewise Regression using Cubic Splines', Journal of the American Statistical Association 68(343), 514-524.         [ Links ]

14. Poirier, D. L., Hendricks, W. & Koenker, R. (1979), 'Residential Demand for Electricity: An Econometric Approach', Journal of Econometrics 9, 33-57.         [ Links ]

15. R Development Core Team, (2006), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Viena, Austria. ISBN 3-900051-07-0. *http://www.R-project.org         [ Links ]

16. Smith, M., Wong, C. & Kohn, R. (1998), 'Additive Nonparametric Regression with Autocorrelated Errors', Journal of the Royal Statistical Society 60(2), 311-331.         [ Links ]

17. Valencia, A. L. (2005), Diagnóstico del modelo de pronóstico de demanda de potencia y energía eléctrica de EPSA, Tesis de pregrado, Ingeniería Eléctrica, Universidad del Valle, Facultad de Ingenierías. Escuela de Ingeniería Eléctrica y Electrónica.         [ Links ]

18. Wegman, E. J. & Wrigth, I. W. (1983), 'Splines in Statistics', Journal of American Statistical Association 78(382), 351-365.         [ Links ]

19. Wood, S. (2006), Generalized Additive Models: An introduction with R, Chapman & Hall, Florida, United States.         [ Links ]

Este artículo se puede citar en LaTeX utilizando la siguiente referencia bibliográfica de BibTeX: