Análisis y formulación de un modelo de machine learning para mejorar el pronóstico de demanda de corto plazo multinodal en el sistema eléctrico peruano

Abstract

En esta tesis se analiza y formula un modelo de machine learning con el objetivo de mejorar la precisión del pronóstico de la demanda eléctrica para el día siguiente. Actualmente, este pronóstico es realizado diariamente por el operador del sistema eléctrico peruano mediante un procedimiento tradicional. Sin embargo, el enfoque global de la metodología de este procedimiento vigente y aprobado desde el 2011, no refleja con precisión la evolución diaria de la demanda en barra, un aspecto crítico para la operación de la red. Esta problemática es de interés tanto para el operador del sistema como para los agentes del mercado, especialmente debido a la aparición de congestiones en los equipos de transmisión y a la necesidad de optimizar la asignación de recursos a través del Programa Diario de Operación (PDO). Para abordar esta cuestión, se lleva a cabo una revisión exhaustiva del estado del arte, identificando los modelos más adecuados para el pronóstico diario en un esquema multinodal. A continuación, se recopilan y preprocesan datos de demanda obtenidos de la página web del operador del sistema, los cuales mediante permiten generar series de tiempo de demanda eléctrica. Posteriormente, se analizan las características de 16 series temporales con el objetivo de identificar patrones. Estas series son utilizadas para el entrenamiento y validación en hasta cinco modelos de machine learning. Finalmente, se selecciona el modelo con mejor desempeño (MAPE) y tiempo de procesamiento, obteniendo un pronóstico multinodal que supera significativamente al del Programa Diario de Operación del operador del sistema, no solo para un día, sino también para un periodo de entre 4 a 6 meses aproximadamente.

In this thesis, a machine learning model is developed and analyzed to improve the accuracy of next-day electricity demand forecasting. Currently, the Peruvian Power System Operator performs this forecast daily using a traditional method. However, the global approach of the methodology used in this officially approved procedure, which has been in place since 2011, does not accurately capture the daily evolution of nodal demand, a critical aspect for grid operation. This issue is of interest to both the system operator and market participants, particularly due to the emergence of congestion in transmission equipment and the need to optimize resource allocation through the Programa Diario de Operación (PDO). To address this issue, a comprehensive review of the state of the art is conducted to identify the most suitable models for daily forecasting within a multinodal framework. Next, demand data obtained from the system operator's website are collected and preprocessed to generate time series of electricity demand. Subsequently, the characteristics of 16 time series are analyzed to identify patterns. These series are then used for training and validation in up to five machine learning models. Finally, the best-performing model, in terms of MAPE and processing time, is selected, achieving a multinodal forecast that significantly outperforms that of the system operator’s Daily Operation Program, not only for a single day but also for a period of approximately 4 to 6 months.