PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD CON SERIES DE TIEMPO

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

Guardado en:

Revista EIA

1794-1237

2463-0950

Gil-Vera, Víctor

UNIVERSIDAD EIA

10.24050/reia.v13i26.749

13

2017-03-05

111

120

Colombia

Costeo

mercados de energía

teoría de pronóstico

series de tiempo

demanda de electricidad

Series de Tiempo

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

Código QR

Estadísticas y Métricas Alternativas

Títulos similares