Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia

Jimenez, Maritza; Lotero, Laura; Arango, Adriana; Mariño, Maria D.

doi:10.24050/reia.v18i35.1458

Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia

Pronosticar la demanda eléctrica es de suma importancia para la planeación estratégica de una nación. La literatura ofrece múltiples acercamientos para el desarrollo de modelos de pronóstico enfocados principalmente en la demanda nacional agregada, dejando de lado los análisis sectoriales, en particular a los sectores no residenciales. En este artículo, utilizando la metodología de análisis de Series de Tiempo, se ajustan, validan y comparan tres diferentes modelos para pronosticar la demanda eléctrica del sector minas y canteras, uno de los más representativos en el consumo eléctrico colombiano. Los modelos ajustados incluyen un modelo de componentes aditivo, un SARIMA y un Holt Wiatednters. Los resultados indican que el modelo que present... Ver más

Guardado en:

Revista

Revista EIA

ISSN

1794-1237

EISSN

2463-0950

Autores

Editor

DOI

10.24050/reia.v18i35.1458

Volumen

Año de publicación

2020-12-31

Pagina inicial

35007 pp. 1

Pagina final

Pais

Palabras claves

Modelo de Componentes

Holt Winters

Minas y Canteras

Modelos de Pronóstico

Series de Tiempo

Estrategia

SARIMA

Licencia

Revista EIA - 2020

http://purl.org/coar/access_right/c_abf2

info:eu-repo/semantics/openAccess

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

id	a11c4656ddc59a0cc97602ed0b8a5c65
record_format	ojs
spelling	Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia Holt, C. C. (1957) Forecasting seasonals and trends by exponentially weighted moving averages. Pittsburgh, Pa.: Carnegie Institute of Technology, Graduate school of Industrial Administration. Pérez Osorno, M. and Betancur Vargas, A. (2017) ‘Gestión del sector minero en el ámbito nacional y su relación entre el accionar gubernamental y empresarial’, Recerca. Revista de pensament i anàlisi., 0(20), pp. 157–184. https://doi.org/10.6035/Recerca.2017.20.8. Percy, S. D., Aldeen, M. and Berry, A. (2018) ‘Residential demand forecasting with solar-battery systems: A survey-less approach’, IEEE Transactions on Sustainable Energy. IEEE, 9(4), pp. 1499–1507. https://doi.org/10.1109/TSTE.2018.2791982. Mohandes, M. (2002) ‘Support vector machines for short-term electrical load forecasting’, International Journal of Energy Research, 26(4), pp. 335–345. doi: 10.1002/er.787. Nunes Da Silva, I. and Carli Moreira De Andrade, L. (2016) ‘Efficient neurofuzzy model to very short-term load forecasting, IEEE Latin America Transactions, 14(2), pp. 721–728. https://doi.org/10.1109/TLA.2016.7437215. Kubli, M., Loock, M. and Wüstenhagen, R. (2018) ‘The flexible prosumer: Measuring the willingness to co-create distributed flexibility’, Energy Policy, 114(August 2017), pp. 540–548. https://doi.org/10.1016/j.enpol.2017.12.044. Jiménez, J., Donado, K. and Quintero, C. G. (2017) ‘A methodology for short-term load forecasting’, IEEE Latin America Transactions, 15(3), pp. 400–407. https://doi.org/10.1109/TLA.2017.7867168. Jimenez, J. et al. (2019) ‘Multivariate Statistical Analysis based Methodology for Long-Term Demand Forecasting’, IEEE Latin America Transactions, 17(01), pp. 93–101. https://doi.org/10.1109/TLA.2019.8826700. Islam, M. A. et al. (2020) ‘Energy demand forecasting’, in Energy for Sustainable Development. Elsevier, pp. 105–123. https://doi.org/10.1016/B978-0-12-814645-3.00005-5. IEA (2017) Electricity information overview, IEA Statistics. https://www.iea.org/publications/freepublications/publication/ElectricityInformation2017Overview.pdf. Gulay, E. (2019) ‘Forecasting the Total Electricity Production in South Africa : Comparative Analysis to Improve the Predictive Modelling Accuracy’, 7(November 2018), pp. 88–110. https://doi.org/10.3934/energy.2019.1.88. Rahman, A. and Ahmar, A. S. (2017) ‘Forecasting of primary energy consumption data in the United States: A comparison between ARIMA and Holter-Winters models’, in AIP Conference Proceedings, p. 020163. https://doi.org/10.1063/1.5002357. Goodarzi, S., Perera, H. N. and Bunn, D. (2019) ‘The impact of renewable energy forecast errors on imbalance volumes and electricity spot prices’, Energy Policy. Elsevier Ltd, 134(March), pp. 110827. https://doi.org/10.1016/j.enpol.2019.06.035. Gil, D. (2016) ‘Pronóstico de la demanda mensual de electricidad con series de tiempo’, Revista EIA, 13(26), pp. 111–120. https://doi.org/10.24050/reia.v13i26.749. Garzón Medina, D. O. and Marulanda García, G. A. (2017) ‘Estimación del consumo eléctrico colombiano en el corto y largo plazo empleando regresión multivariable y series temporales’, AVANCES Investigación en Ingeniería, 14, p. 155. https://doi.org/10.18041/1794-4953/avances.1.1294. Franco, C. J., Velásquez, J. D. and Olaya, I. (2008) ‘Caracterización de la demanda mensual de electricidad en Colombia usando un modelo de componentes no observables’, Cuadernos de Administración, 21(36), pp. 221–235. http://www.scielo.org.co/pdf/cadm/v21n36/v21n36a10.pdf. EEA (2017) Final energy consumption of electricity by sector, Final energy consumption by sector and fuel. Available at: https://www.eea.europa.eu/data-and-maps/indicators/final-energy-consumption-by-sector-9/assessment-1. Deb, C. et al. (2017) ‘A review on time series forecasting techniques for building energy consumption’, Renewable and Sustainable Energy Reviews. Elsevier Ltd, 74(February), pp. 902–924. https://doi.org/10.1016/j.rser.2017.02.085. Box, G. E. P. and Jenkins, G. M. (1976) Time series analysis: forecasting and control. Revised Ed. San Francisco : Holden-Day. Barreto, C. and Campo, J. (2012) ‘Relación a largo plazo entre consumo de energía y PIB en América Latina : Una evaluación empírica con datos panel using panel data’, Ecos de Economia, (35), pp. 73–89. R Core Team (2017) ‘R: A Language and Environment for Statistical Computing’. Vienna, Austria: R Foundation for Statistical Computing. https://www.r-project.org/. Rocha, H. R. O. et al. (2018) ‘Forecast of distributed electrical generation system capacity based on seasonal micro generators using ELM and PSO’, IEEE Latin America Transactions, 16(4), pp. 1136–1141. https://doi.org/10.1109/TLA.2018.8362148. Revista EIA - 2020 info:eu-repo/semantics/article Text http://purl.org/coar/access_right/c_abf2 info:eu-repo/semantics/openAccess http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/publishedVersion http://purl.org/redcol/resource_type/ART http://purl.org/coar/resource_type/c_2df8fbb1 http://purl.org/coar/resource_type/c_6501 Yang, Y. et al. (2016) ‘Modelling a combined method based on ANFIS and neural network improved by DE algorithm: A case study for short-term electricity demand forecasting’, Applied Soft Computing, 49, pp. 663–675. https://doi.org/10.1016/j.asoc.2016.07.053. Romero, F. T., Hernandez, J. D. C. J. and Lopez, W. G. (2011) ‘Predicting electricity consumption using neural networks’, IEEE Latin America Transactions, 9(7), pp. 1066–1072. https://doi.org/10.1109/TLA.2011.6129704. XM (2018) Información inteligente. http://informacioninteligente10.xm.com.co/demanda/paginas/default.aspx. Winters, P. R. (1960) ‘Forecasting Sales by Exponentially Weighted Moving Averages’, Management Science, 6(3), pp. 324–342. https://doi.org/10.1287/mnsc.6.3.324. Wang, Y. et al. (2012) ‘Application of residual modification approach in seasonal ARIMA for electricity demand forecasting: A case study of China’, Energy Policy. (Special Section: Frontiers of Sustainability), 48, pp. 284–294. https://doi.org/10.1016/j.enpol.2012.05.026. Velásquez, J. D., Franco, C. J. and García, H. A. (2009) ‘Un modelo no lineal para la predicción de la demanda mensual de electricidad en colombia’, Estudios Gerenciales, 25(112), pp. 37–54. https://doi.org/10.1016/S0123-5923(09)70079-8. SUI (2016) Sistema Único de Información de Servicios Públicos (SUI), Consolidado Energía. Available at: http://reportes.sui.gov.co/fabricaReportes/frameSet.jsp?idreporte=ele_com_094. Stoffer, D. (2012) ‘astsa: Applied Statistical Time Series Analysis’. Shyh-Jier Huang and Kuang-Rong Shih (2003) ‘Short-term load forecasting via ARMA model identification including non-gaussian process considerations’, IEEE Transactions on Power Systems. IEEE, 18(2), pp. 673–679. https://doi.org/10.1109/tpwrs.2003.811010. Rueda, V. M., Velásquez, J. D. and Franco, C. J. (2011) ‘Avances recientes en la predicción de la demanda de electricidad usando modelos no lineales’, Dyna, 167, pp. 36–43. http://www.scielo.org.co/pdf/dyna/v78n167/a04v78n167.pdf. Azadeh, A., Ghaderi, S. F. and Sohrabkhani, S. (2008) ‘A simulated-based neural network algorithm for forecasting electrical energy consumption in Iran’, Energy Policy, 36(7), pp. 2637–2644. https://doi.org/10.1016/j.enpol.2008.02.035. Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0. https://creativecommons.org/licenses/by-nc-nd/4.0 Demanda Eléctrica Planeación Colombia Modelo de Componentes Español Holt Winters Minas y Canteras Modelos de Pronóstico 18 Series de Tiempo Jimenez, Maritza Lotero, Laura Arango, Adriana Mariño, Maria D. Pronosticar la demanda eléctrica es de suma importancia para la planeación estratégica de una nación. La literatura ofrece múltiples acercamientos para el desarrollo de modelos de pronóstico enfocados principalmente en la demanda nacional agregada, dejando de lado los análisis sectoriales, en particular a los sectores no residenciales. En este artículo, utilizando la metodología de análisis de Series de Tiempo, se ajustan, validan y comparan tres diferentes modelos para pronosticar la demanda eléctrica del sector minas y canteras, uno de los más representativos en el consumo eléctrico colombiano. Los modelos ajustados incluyen un modelo de componentes aditivo, un SARIMA y un Holt Wiatednters. Los resultados indican que el modelo que presenta un menor error de pronóstico es el modelo Holt Winters. Estrategia SARIMA 35 Fondo Editorial EIA - Universidad EIA Artículo de revista https://revistas.eia.edu.co/index.php/reveia/article/view/1458 Revista EIA Publication application/pdf SARIMA Time series forecasting for Colombian mining and quarrying electricity demand Demand forecasting is of utmost importance for strategic decision making of a nation. Literature offers multiple approaches to the development of forecast models focused in aggregate demand, also, little attention has been paid to non-residential sector demand forecasts. In this paper, using Time Series Analysis approach, three different models are fitted, tested and compared to forecast electricity demand in mining and quarrying sector, one of the most representative non-residential sector for colombian electricity demand. Fitted models include an additive model, a SARIMA and a Holt Winters model. Results indicate that better accuracy is provided the by Holt Winters model. Time Series Forecasting Models Electricity Demand Holt Winters Mining and Quarrying Journal article Colombia Planning Strategy Additive Model 2020-12-31 https://revistas.eia.edu.co/index.php/reveia/article/download/1458/1378 2020-12-31 14:30:36 2463-0950 10.24050/reia.v18i35.1458 https://doi.org/10.24050/reia.v18i35.1458 23 35007 pp. 1 1794-1237 2020-12-31 14:30:36
institution	UNIVERSIDAD EIA
thumbnail	https://nuevo.metarevistas.org/UNIVERSIDADEIA/logo.png
country_str	Colombia
collection	Revista EIA
title	Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia
spellingShingle	Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia Jimenez, Maritza Lotero, Laura Arango, Adriana Mariño, Maria D. Demanda Eléctrica Planeación Colombia Modelo de Componentes Holt Winters Minas y Canteras Modelos de Pronóstico Series de Tiempo Estrategia SARIMA SARIMA Time Series Forecasting Models Electricity Demand Holt Winters Mining and Quarrying Colombia Planning Strategy Additive Model
title_short	Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia
title_full	Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia
title_fullStr	Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia
title_full_unstemmed	Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia
title_sort	modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en colombia
title_eng	Time series forecasting for Colombian mining and quarrying electricity demand
description	Pronosticar la demanda eléctrica es de suma importancia para la planeación estratégica de una nación. La literatura ofrece múltiples acercamientos para el desarrollo de modelos de pronóstico enfocados principalmente en la demanda nacional agregada, dejando de lado los análisis sectoriales, en particular a los sectores no residenciales. En este artículo, utilizando la metodología de análisis de Series de Tiempo, se ajustan, validan y comparan tres diferentes modelos para pronosticar la demanda eléctrica del sector minas y canteras, uno de los más representativos en el consumo eléctrico colombiano. Los modelos ajustados incluyen un modelo de componentes aditivo, un SARIMA y un Holt Wiatednters. Los resultados indican que el modelo que presenta un menor error de pronóstico es el modelo Holt Winters.
description_eng	Demand forecasting is of utmost importance for strategic decision making of a nation. Literature offers multiple approaches to the development of forecast models focused in aggregate demand, also, little attention has been paid to non-residential sector demand forecasts. In this paper, using Time Series Analysis approach, three different models are fitted, tested and compared to forecast electricity demand in mining and quarrying sector, one of the most representative non-residential sector for colombian electricity demand. Fitted models include an additive model, a SARIMA and a Holt Winters model. Results indicate that better accuracy is provided the by Holt Winters model.
author	Jimenez, Maritza Lotero, Laura Arango, Adriana Mariño, Maria D.
author_facet	Jimenez, Maritza Lotero, Laura Arango, Adriana Mariño, Maria D.
topicspa_str_mv	Demanda Eléctrica Planeación Colombia Modelo de Componentes Holt Winters Minas y Canteras Modelos de Pronóstico Series de Tiempo Estrategia SARIMA
topic	Demanda Eléctrica Planeación Colombia Modelo de Componentes Holt Winters Minas y Canteras Modelos de Pronóstico Series de Tiempo Estrategia SARIMA SARIMA Time Series Forecasting Models Electricity Demand Holt Winters Mining and Quarrying Colombia Planning Strategy Additive Model
topic_facet	Demanda Eléctrica Planeación Colombia Modelo de Componentes Holt Winters Minas y Canteras Modelos de Pronóstico Series de Tiempo Estrategia SARIMA SARIMA Time Series Forecasting Models Electricity Demand Holt Winters Mining and Quarrying Colombia Planning Strategy Additive Model
citationvolume	18
citationissue	35
publisher	Fondo Editorial EIA - Universidad EIA
ispartofjournal	Revista EIA
source	https://revistas.eia.edu.co/index.php/reveia/article/view/1458
language	Español
format	Article
rights	Revista EIA - 2020 http://purl.org/coar/access_right/c_abf2 info:eu-repo/semantics/openAccess Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0. https://creativecommons.org/licenses/by-nc-nd/4.0
references	Holt, C. C. (1957) Forecasting seasonals and trends by exponentially weighted moving averages. Pittsburgh, Pa.: Carnegie Institute of Technology, Graduate school of Industrial Administration. Pérez Osorno, M. and Betancur Vargas, A. (2017) ‘Gestión del sector minero en el ámbito nacional y su relación entre el accionar gubernamental y empresarial’, Recerca. Revista de pensament i anàlisi., 0(20), pp. 157–184. https://doi.org/10.6035/Recerca.2017.20.8. Percy, S. D., Aldeen, M. and Berry, A. (2018) ‘Residential demand forecasting with solar-battery systems: A survey-less approach’, IEEE Transactions on Sustainable Energy. IEEE, 9(4), pp. 1499–1507. https://doi.org/10.1109/TSTE.2018.2791982. Mohandes, M. (2002) ‘Support vector machines for short-term electrical load forecasting’, International Journal of Energy Research, 26(4), pp. 335–345. doi: 10.1002/er.787. Nunes Da Silva, I. and Carli Moreira De Andrade, L. (2016) ‘Efficient neurofuzzy model to very short-term load forecasting, IEEE Latin America Transactions, 14(2), pp. 721–728. https://doi.org/10.1109/TLA.2016.7437215. Kubli, M., Loock, M. and Wüstenhagen, R. (2018) ‘The flexible prosumer: Measuring the willingness to co-create distributed flexibility’, Energy Policy, 114(August 2017), pp. 540–548. https://doi.org/10.1016/j.enpol.2017.12.044. Jiménez, J., Donado, K. and Quintero, C. G. (2017) ‘A methodology for short-term load forecasting’, IEEE Latin America Transactions, 15(3), pp. 400–407. https://doi.org/10.1109/TLA.2017.7867168. Jimenez, J. et al. (2019) ‘Multivariate Statistical Analysis based Methodology for Long-Term Demand Forecasting’, IEEE Latin America Transactions, 17(01), pp. 93–101. https://doi.org/10.1109/TLA.2019.8826700. Islam, M. A. et al. (2020) ‘Energy demand forecasting’, in Energy for Sustainable Development. Elsevier, pp. 105–123. https://doi.org/10.1016/B978-0-12-814645-3.00005-5. IEA (2017) Electricity information overview, IEA Statistics. https://www.iea.org/publications/freepublications/publication/ElectricityInformation2017Overview.pdf. Gulay, E. (2019) ‘Forecasting the Total Electricity Production in South Africa : Comparative Analysis to Improve the Predictive Modelling Accuracy’, 7(November 2018), pp. 88–110. https://doi.org/10.3934/energy.2019.1.88. Rahman, A. and Ahmar, A. S. (2017) ‘Forecasting of primary energy consumption data in the United States: A comparison between ARIMA and Holter-Winters models’, in AIP Conference Proceedings, p. 020163. https://doi.org/10.1063/1.5002357. Goodarzi, S., Perera, H. N. and Bunn, D. (2019) ‘The impact of renewable energy forecast errors on imbalance volumes and electricity spot prices’, Energy Policy. Elsevier Ltd, 134(March), pp. 110827. https://doi.org/10.1016/j.enpol.2019.06.035. Gil, D. (2016) ‘Pronóstico de la demanda mensual de electricidad con series de tiempo’, Revista EIA, 13(26), pp. 111–120. https://doi.org/10.24050/reia.v13i26.749. Garzón Medina, D. O. and Marulanda García, G. A. (2017) ‘Estimación del consumo eléctrico colombiano en el corto y largo plazo empleando regresión multivariable y series temporales’, AVANCES Investigación en Ingeniería, 14, p. 155. https://doi.org/10.18041/1794-4953/avances.1.1294. Franco, C. J., Velásquez, J. D. and Olaya, I. (2008) ‘Caracterización de la demanda mensual de electricidad en Colombia usando un modelo de componentes no observables’, Cuadernos de Administración, 21(36), pp. 221–235. http://www.scielo.org.co/pdf/cadm/v21n36/v21n36a10.pdf. EEA (2017) Final energy consumption of electricity by sector, Final energy consumption by sector and fuel. Available at: https://www.eea.europa.eu/data-and-maps/indicators/final-energy-consumption-by-sector-9/assessment-1. Deb, C. et al. (2017) ‘A review on time series forecasting techniques for building energy consumption’, Renewable and Sustainable Energy Reviews. Elsevier Ltd, 74(February), pp. 902–924. https://doi.org/10.1016/j.rser.2017.02.085. Box, G. E. P. and Jenkins, G. M. (1976) Time series analysis: forecasting and control. Revised Ed. San Francisco : Holden-Day. Barreto, C. and Campo, J. (2012) ‘Relación a largo plazo entre consumo de energía y PIB en América Latina : Una evaluación empírica con datos panel using panel data’, Ecos de Economia, (35), pp. 73–89. R Core Team (2017) ‘R: A Language and Environment for Statistical Computing’. Vienna, Austria: R Foundation for Statistical Computing. https://www.r-project.org/. Rocha, H. R. O. et al. (2018) ‘Forecast of distributed electrical generation system capacity based on seasonal micro generators using ELM and PSO’, IEEE Latin America Transactions, 16(4), pp. 1136–1141. https://doi.org/10.1109/TLA.2018.8362148. Yang, Y. et al. (2016) ‘Modelling a combined method based on ANFIS and neural network improved by DE algorithm: A case study for short-term electricity demand forecasting’, Applied Soft Computing, 49, pp. 663–675. https://doi.org/10.1016/j.asoc.2016.07.053. Romero, F. T., Hernandez, J. D. C. J. and Lopez, W. G. (2011) ‘Predicting electricity consumption using neural networks’, IEEE Latin America Transactions, 9(7), pp. 1066–1072. https://doi.org/10.1109/TLA.2011.6129704. XM (2018) Información inteligente. http://informacioninteligente10.xm.com.co/demanda/paginas/default.aspx. Winters, P. R. (1960) ‘Forecasting Sales by Exponentially Weighted Moving Averages’, Management Science, 6(3), pp. 324–342. https://doi.org/10.1287/mnsc.6.3.324. Wang, Y. et al. (2012) ‘Application of residual modification approach in seasonal ARIMA for electricity demand forecasting: A case study of China’, Energy Policy. (Special Section: Frontiers of Sustainability), 48, pp. 284–294. https://doi.org/10.1016/j.enpol.2012.05.026. Velásquez, J. D., Franco, C. J. and García, H. A. (2009) ‘Un modelo no lineal para la predicción de la demanda mensual de electricidad en colombia’, Estudios Gerenciales, 25(112), pp. 37–54. https://doi.org/10.1016/S0123-5923(09)70079-8. SUI (2016) Sistema Único de Información de Servicios Públicos (SUI), Consolidado Energía. Available at: http://reportes.sui.gov.co/fabricaReportes/frameSet.jsp?idreporte=ele_com_094. Stoffer, D. (2012) ‘astsa: Applied Statistical Time Series Analysis’. Shyh-Jier Huang and Kuang-Rong Shih (2003) ‘Short-term load forecasting via ARMA model identification including non-gaussian process considerations’, IEEE Transactions on Power Systems. IEEE, 18(2), pp. 673–679. https://doi.org/10.1109/tpwrs.2003.811010. Rueda, V. M., Velásquez, J. D. and Franco, C. J. (2011) ‘Avances recientes en la predicción de la demanda de electricidad usando modelos no lineales’, Dyna, 167, pp. 36–43. http://www.scielo.org.co/pdf/dyna/v78n167/a04v78n167.pdf. Azadeh, A., Ghaderi, S. F. and Sohrabkhani, S. (2008) ‘A simulated-based neural network algorithm for forecasting electrical energy consumption in Iran’, Energy Policy, 36(7), pp. 2637–2644. https://doi.org/10.1016/j.enpol.2008.02.035.
type_driver	info:eu-repo/semantics/article
type_coar	http://purl.org/coar/resource_type/c_2df8fbb1
type_version	info:eu-repo/semantics/publishedVersion
type_coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content	Text
publishDate	2020-12-31
date_accessioned	2020-12-31 14:30:36
date_available	2020-12-31 14:30:36
url	https://revistas.eia.edu.co/index.php/reveia/article/view/1458
url_doi	https://doi.org/10.24050/reia.v18i35.1458
issn	1794-1237
eissn	2463-0950
doi	10.24050/reia.v18i35.1458
citationstartpage	35007 pp. 1
citationendpage	23
url3_str_mv	https://revistas.eia.edu.co/index.php/reveia/article/download/1458/1378
_version_	1797159374165114880

Modelos de series temporales para pronóstico de la demanda eléctrica del sector de explotación de minas y canteras en Colombia

Código QR

Estadísticas y Métricas Alternativas

Títulos similares