Prognosis de la generación de potencia del SEIN para reducir costos de facturación de los usuarios libres

Abstract

La prognosis de la Máxima Demanda Coincidente (MDC) en el Sistema Eléctrico Interconectado Nacional (SEIN) es fundamental para la optimización de costos de los Usuarios Libres (UL). Esta investigación desarrolla un modelo basado en redes neuronales de memoria a largo plazo (LSTM) para la prognosis de la generación de potencia, con el fin de anticipar los momentos en los que ocurre la MDC y facilitar la implementación de estrategias de eficiencia como peak shaving y load shifting. El estudio analiza datos históricos del SEIN, considerando variables endógenas y exógenas como feriados y días de la semana, para evaluar su impacto en la demanda. Se probaron diversas arquitecturas de modelos predictivos y ventanas de entrada, utilizando métricas como MAE, RMSE, MAPE y R² para determinar el modelo más robusto. Los resultados muestran que el 92.7% de las MDC ocurren entre las 18:45 h y las 20:45 h, lo que permite reducir el rango de aplicación de estrategias de optimización de la demanda. Además, en un escenario de tres días en la predicción semanal, el modelo logró predecir correctamente la MDC en 10 de los 12 meses evaluados. El trabajo demuestra la viabilidad de aplicar modelos avanzados de machine learning para mejorar la gestión de la demanda eléctrica, optimizando los costos energéticos de los UL. Se recomienda explorar futuras mejoras mediante la incorporación de nuevas variables exógenas y la integración del modelo con sistemas de almacenamiento energético para una automatización efectiva de las estrategias de gestión de la demanda.

The accurate prediction of the Maximum Coincident Demand (MDC) in the Peruvian National Interconnected Electric System (SEIN) is crucial for optimizing energy management and reducing transmission and power tariff costs for free users (UL). This research proposes a predictive model based on Long Short-Term Memory (LSTM) neural networks to forecast power generation with a 15-minute granularity. The study evaluates different model architectures and incorporates exogenous variables, such as holidays and weekdays, to enhance prediction accuracy. The results demonstrate that machine learning techniques, particularly LSTM models, effectively identify patterns in power generation, allowing for a more precise prognosis of MDC occurrences. The findings indicate that MDC predominantly occurs between 18:45h and 20:45h, aligning with demand peaks. The study achieves a 10 out of 12-month prediction accuracy when implementing a strategy based on three weekly MDC probability days. Furthermore, the integration of MDC prediction into energy management strategies, such as peak shaving and load shifting, enables more efficient demand planning, reducing costs and improving grid stability. Although the model exhibits robust performance, challenges remain in accurately forecasting demand fluctuations during holidays and capturing peak and valley values. Future research should explore additional exogenous variables and hybrid approaches, such as convolutional neural networks (CNNs), to enhance model generalization and improve forecasting accuracy.