PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO
Objetivo: Implementar modelos con series de tiempo para el pronóstico de la demanda mensual de electricidad (Gwh).Materiales y Métodos: Para el desarrollo y validación de los modelos se tomaron como base los valores de la demanda de energía eléctrica en el Sistema Interconectado Nacional (SIN) de Colombia en el período 2008-2014. Se emplearon series de tiempo aditivas con tendencias lineal, cuadrática y cúbica en el software estadístico R. Resultados: De los tres modelos desarrollados el modelo cuadrático es el que mejor ajuste presenta (R² ajustado =0.95), AIC = 954,54, BIC = 991,00).Conclusiones: Con este trabajo se concluye que las series de tiempo aplicadas al pronóstico de la demanda de electricidad permiten predecir con un alto grado... Ver más
1794-1237
2463-0950
13
2017-03-05
111
120
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Revista EIA - 2017
id |
c21786cb21814d8a66c6a76f27e45f34 |
---|---|
record_format |
ojs |
spelling |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO Sandoval, A.M., 2004. Monografía del sector de electricidad y gas colombiano: Condiciones actuales y retos futuros. , pp.27–45. Available at: https://colaboracion.dnp.gov.co/CDT/Estudios Econmicos/272.pdf. Botero, S.B. et al., 2008. Análisis de series de tiempo para la predicción de los precios de la energía en la bolsa de colombia. Cuadernos de Economía, 48, pp.174–207. Brillinger, D.R., 2015. Time Series: General. International Encyclopedia of the Social & Behavioral Sciences, 2, pp.341–346. Available at: http://www.sciencedirect.com.ezproxy.unal.edu.co/science/article/pii/B9780080970868420842. Contreras, C. & López, M., 2014. Ceramide sensing in the hippocampus: The lipostatic theory and Ockham’s razor. Molecular Metabolism, 3(2), pp.90–91. Available at: http://www.sciencedirect.com/science/article/pii/S2212877813001440. Diebold, F., 2001. Elements of forecasting 2nd ed. South & W. C. Publishing., eds., Australia. Dyner, I., Franco, C.J. & Arango, S., 2012. El mercado mayorista de electricidad colombiano 1st ed. C. F. de Minas, ed., Medellín: Universidad Nacional de Colombia. Giraldo, N., 2011. Modelado y Pronóstico de la Tendencia. , pp.17–29. Kelly, K.T., 2008. OCKHAM’S RAZOR, TRUTH, AND INFORMATION. In P. Adriaans & J. van Benthem, eds. Philosophy of Information. Handbook of the Philosophy of Science. Amsterdam: North-Holland, pp. 321–359. Available at: http://www.sciencedirect.com/science/article/pii/B9780444517265500145. Nagaraja, C.H., 2014. Chapter 1 - Introduction to R. In M. B. Rao & C. R. Rao, eds. Computational Statistics with R. Handbook of Statistics. Elsevier, pp. 1–48. Available at: http://www.sciencedirect.com/science/article/pii/B9780444634313000012. R Cran Project, 2015. The Comprehensive R Archive Network. , p.1. Available at: https://cran.r-project.org/. Rendón, J.G., Hinestroza, A.G. & Moreno, L.S., 2011. DETERMINANTES DEL PRECIO DE LA ENERGÍA ELÉCTRICA EN EL MERCADO NO REGULADO EN COLOMBIA. Revista Ciencias Estratégicas., 19(26), pp.225–246. UPME, 2004. Una visión del mercado eléctrico colombiano. , pp.1–110. https://creativecommons.org/licenses/by-nc-sa/4.0/ Velásquez, J.. & Souza, R., 2007. or qué es tan difícil obtener buenos pronósticos de los precios de la electricidad en mercados competitivos ? , 20(34), pp.259–282. info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1 http://purl.org/redcol/resource_type/ART info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text Arango, S., 2007. Simulation of alternative regulations in the Colombian electricity market. Socio-Economic Planning Sciences, 41(4), pp.305–319. Available at: http://www.sciencedirect.com/science/article/pii/S0038012106000255. Revista EIA - 2017 Español Artículo de revista Objetivo: Implementar modelos con series de tiempo para el pronóstico de la demanda mensual de electricidad (Gwh).Materiales y Métodos: Para el desarrollo y validación de los modelos se tomaron como base los valores de la demanda de energía eléctrica en el Sistema Interconectado Nacional (SIN) de Colombia en el período 2008-2014. Se emplearon series de tiempo aditivas con tendencias lineal, cuadrática y cúbica en el software estadístico R. Resultados: De los tres modelos desarrollados el modelo cuadrático es el que mejor ajuste presenta (R² ajustado =0.95), AIC = 954,54, BIC = 991,00).Conclusiones: Con este trabajo se concluye que las series de tiempo aplicadas al pronóstico de la demanda de electricidad permiten predecir con un alto grado de exactitud demandas futuras de energía eléctrica (GWh), información que puede generar ventajas a productores, distribuidores y grandes consumidores a la hora de establecer estrategias, optimizar su operación y realizar contratos bilaterales. Gil-Vera, Víctor Costeo mercados de energía teoría de pronóstico series de tiempo demanda de electricidad Series de Tiempo 13 26 Publication Fondo Editorial EIA - Universidad EIA application/pdf Revista EIA https://revistas.eia.edu.co/index.php/reveia/article/view/749 PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO Journal article 2017-03-05 00:00:00 2017-03-05 https://revistas.eia.edu.co/index.php/reveia/article/download/749/994 1794-1237 2463-0950 10.24050/reia.v13i26.749 https://doi.org/10.24050/reia.v13i26.749 120 111 2017-03-05 00:00:00 |
institution |
UNIVERSIDAD EIA |
thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADEIA/logo.png |
country_str |
Colombia |
collection |
Revista EIA |
title |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO |
spellingShingle |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO Gil-Vera, Víctor Costeo mercados de energía teoría de pronóstico series de tiempo demanda de electricidad Series de Tiempo |
title_short |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO |
title_full |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO |
title_fullStr |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO |
title_full_unstemmed |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO |
title_sort |
pronóstico de la demanda mensual de electricidad con series de tiempo |
title_eng |
PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO |
description |
Objetivo: Implementar modelos con series de tiempo para el pronóstico de la demanda mensual de electricidad (Gwh).Materiales y Métodos: Para el desarrollo y validación de los modelos se tomaron como base los valores de la demanda de energía eléctrica en el Sistema Interconectado Nacional (SIN) de Colombia en el período 2008-2014. Se emplearon series de tiempo aditivas con tendencias lineal, cuadrática y cúbica en el software estadístico R. Resultados: De los tres modelos desarrollados el modelo cuadrático es el que mejor ajuste presenta (R² ajustado =0.95), AIC = 954,54, BIC = 991,00).Conclusiones: Con este trabajo se concluye que las series de tiempo aplicadas al pronóstico de la demanda de electricidad permiten predecir con un alto grado de exactitud demandas futuras de energía eléctrica (GWh), información que puede generar ventajas a productores, distribuidores y grandes consumidores a la hora de establecer estrategias, optimizar su operación y realizar contratos bilaterales.
|
author |
Gil-Vera, Víctor |
author_facet |
Gil-Vera, Víctor |
topicspa_str_mv |
Costeo mercados de energía teoría de pronóstico series de tiempo demanda de electricidad Series de Tiempo |
topic |
Costeo mercados de energía teoría de pronóstico series de tiempo demanda de electricidad Series de Tiempo |
topic_facet |
Costeo mercados de energía teoría de pronóstico series de tiempo demanda de electricidad Series de Tiempo |
citationvolume |
13 |
citationissue |
26 |
publisher |
Fondo Editorial EIA - Universidad EIA |
ispartofjournal |
Revista EIA |
source |
https://revistas.eia.edu.co/index.php/reveia/article/view/749 |
language |
Español |
format |
Article |
rights |
https://creativecommons.org/licenses/by-nc-sa/4.0/ info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Revista EIA - 2017 |
references |
Sandoval, A.M., 2004. Monografía del sector de electricidad y gas colombiano: Condiciones actuales y retos futuros. , pp.27–45. Available at: https://colaboracion.dnp.gov.co/CDT/Estudios Econmicos/272.pdf. Botero, S.B. et al., 2008. Análisis de series de tiempo para la predicción de los precios de la energía en la bolsa de colombia. Cuadernos de Economía, 48, pp.174–207. Brillinger, D.R., 2015. Time Series: General. International Encyclopedia of the Social & Behavioral Sciences, 2, pp.341–346. Available at: http://www.sciencedirect.com.ezproxy.unal.edu.co/science/article/pii/B9780080970868420842. Contreras, C. & López, M., 2014. Ceramide sensing in the hippocampus: The lipostatic theory and Ockham’s razor. Molecular Metabolism, 3(2), pp.90–91. Available at: http://www.sciencedirect.com/science/article/pii/S2212877813001440. Diebold, F., 2001. Elements of forecasting 2nd ed. South & W. C. Publishing., eds., Australia. Dyner, I., Franco, C.J. & Arango, S., 2012. El mercado mayorista de electricidad colombiano 1st ed. C. F. de Minas, ed., Medellín: Universidad Nacional de Colombia. Giraldo, N., 2011. Modelado y Pronóstico de la Tendencia. , pp.17–29. Kelly, K.T., 2008. OCKHAM’S RAZOR, TRUTH, AND INFORMATION. In P. Adriaans & J. van Benthem, eds. Philosophy of Information. Handbook of the Philosophy of Science. Amsterdam: North-Holland, pp. 321–359. Available at: http://www.sciencedirect.com/science/article/pii/B9780444517265500145. Nagaraja, C.H., 2014. Chapter 1 - Introduction to R. In M. B. Rao & C. R. Rao, eds. Computational Statistics with R. Handbook of Statistics. Elsevier, pp. 1–48. Available at: http://www.sciencedirect.com/science/article/pii/B9780444634313000012. R Cran Project, 2015. The Comprehensive R Archive Network. , p.1. Available at: https://cran.r-project.org/. Rendón, J.G., Hinestroza, A.G. & Moreno, L.S., 2011. DETERMINANTES DEL PRECIO DE LA ENERGÍA ELÉCTRICA EN EL MERCADO NO REGULADO EN COLOMBIA. Revista Ciencias Estratégicas., 19(26), pp.225–246. UPME, 2004. Una visión del mercado eléctrico colombiano. , pp.1–110. Velásquez, J.. & Souza, R., 2007. or qué es tan difícil obtener buenos pronósticos de los precios de la electricidad en mercados competitivos ? , 20(34), pp.259–282. Arango, S., 2007. Simulation of alternative regulations in the Colombian electricity market. Socio-Economic Planning Sciences, 41(4), pp.305–319. Available at: http://www.sciencedirect.com/science/article/pii/S0038012106000255. |
type_driver |
info:eu-repo/semantics/article |
type_coar |
http://purl.org/coar/resource_type/c_6501 |
type_version |
info:eu-repo/semantics/publishedVersion |
type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
type_content |
Text |
publishDate |
2017-03-05 |
date_accessioned |
2017-03-05 00:00:00 |
date_available |
2017-03-05 00:00:00 |
url |
https://revistas.eia.edu.co/index.php/reveia/article/view/749 |
url_doi |
https://doi.org/10.24050/reia.v13i26.749 |
issn |
1794-1237 |
eissn |
2463-0950 |
doi |
10.24050/reia.v13i26.749 |
citationstartpage |
111 |
citationendpage |
120 |
url3_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/download/749/994 |
_version_ |
1797159280110993408 |