“Coordinar la operación de centrales generadores, interconexiones internacionales y líneas de transporte al mínimo costo…” es una de las funciones más importantes del Administrador del Mercado Mayorista, en la que resulta de gran relevancia la estimación de la demanda eléctrica. Perfeccionar las maneras de proyección merece todo tipo de esfuerzo, ya que de ello depende, entre otras cosas, el minimizar el costo operativo, el cálculo de reservas, la administración de los recursos de generación, los intercambios internacionales y una mejor seguridad operativa.

En el marco de las técnicas de predicción han resaltado en los últimos años las basadas en algoritmos de inteligencia artificial (IA), posicionándose por delante de las técnicas tradicionales debido a la capacidad de auto aprendizaje de sus modelos, y a su gran capacidad de procesamiento de datos en combinación con Big Data.  De esta manera, los modelos basados en IA son capaces de aprender en forma indefinida, adaptarse a nuevos datos, encontrar patrones y relaciones entre las variables involucradas.

En este orden de ideas, el Administrador del Mercado Mayorista impulsó en el año 2019 el proyecto de “Predicción de Demanda Eléctrica para el Corto Plazo con Inteligencia Artificial”, con la finalidad de no solamente mejorar sus pronósticos de demanda, sino introducir en sus distintos procesos técnicas de proyección con IA.  Dicho proyecto fue realizado internamente en el AMM y concluido con éxito a inicios del presente año, el cual ha servido para proyectar la demanda a partir del mes de febrero del año 2020.

El proyecto consiste en la elaboración de una herramienta de predicción de demanda en cada hora para la elaboración del Programa de Despacho Diario y Semanal, partiendo de una base de datos compuesta de registros históricos de la demanda, caracterizada según fecha y tipo de actividad (normal o día festivo), datos de temperatura ambiente, luz natural y la operación de cargas importantes como el Horno de Arco Eléctrico (HAE).

Como parte de la programación interna, la demanda es caracterizada para crear predictores a partir de ella en una amplia gama de datos, que van desde el tipo de día, número de mes, número de año, hora, demanda de la misma hora en los días previos, medias móviles y una clasificación especial por tipo de día festivo (24 y 25 de diciembre, Semana Santa, 1 de noviembre, etc).

Dos diferentes modelos Machine Learning y Deep Learning de la plataforma de Matlab se crean, según la elección del usuario, para predecir la demanda con gran precisión considerando la data del pasado y las proyecciones a futuro de temperatura, operación del HAE y posición del sol en grados respecto al plano terrestre.  De esta manera, cada vez que se ejecuta el programa se genera un nuevo modelo, el cual se entrena sobre la data de la base de datos más reciente, haciendo que la herramienta nunca caduque o se deteriore, sino por el contrario, cada vez que se utilice el modelo será más robusto y preciso.

 

A partir de su utilización, desde el mes de febrero de 2020, los resultados obtenidos han permitido reducir el error porcentual medio absoluto (MAPE) a 1.9% para las proyecciones del día siguiente y 2.1% para la proyección semanal, reduciendo en aproximadamente 1.7% el error que cuando se realizaban las proyecciones por medio de las técnicas tradicionales.  Este 1.7% de reducción de error implica valores alrededor de 20 MWh en promedio por cada hora.  Debe mencionarse que este periodo de medición contiene los días, en la demanda fue afectada por las restricciones de movilidad debido a la Pandemia COVID-19, por lo que se esperaría que los resultados mejoren aún más para el año 2021 sin no se presentan de nuevo dichas restricciones.

 

Relación Demanda – Temperatura ambiente.  Gran parte del éxito de la reducción del error radica en la consideración de la temperatura ambiente en la demanda, cosa que no podía hacerse con los métodos tradicionales. De análisis realizado pudo evidenciarse que la demanda zona nor-oriental del país es muy sensible a cambios de temperatura, de manera que, en temporadas de calor, como marzo y abril, la demanda es mayor que en temporadas con climas fríos, como enero y febrero.

La sensibilidad, por así decirlo, de la demanda a los cambios de temperatura se ejemplifica de la siguiente manera: 2 grados de diferencia en temperatura pueden significar hasta 60 MWh de diferencia en la demanda, y 4 o 5 grados de diferencia pueden significar hasta más de 150 MWh de diferencia en demanda.  Esto puede observarse en el ejemplo de la semana del 02 al 08 de agosto de 2020,  cuando en la misma semana se dieron cambios importantes de temperatura.

La figura muestra datos en la demanda máxima con temperaturas que iniciaron la semana en 24 grados a las 18 horas, y finalizaron en 19 grados. Para este caso, la diferencia en demanda fue de hasta 140 MWh en los días entre semana. Como se observa en la figura, dichos cambios de demanda fueron adecuadamente seguidos con la predicción de demanda realzada con la herramienta.

La relación temperatura y demanda ha sido muy útil para enfrentar cambios importantes de clima, como en el caso de frentes fríos, depresiones tropicales o los huracanes, tal como ocurrió recientemente tras el paso de los huracanes ETA e IOTA.

Utilización de la herramienta en tiempos del COVID-19. Durante las restricciones de movilidad derivadas de las disposiciones presidenciales relacionadas a la pandemia del COVID-19 la demanda eléctrica tuvo cambios importantes.  Muchas de estas disposiciones se dictaban hasta un día antes de su vigencia, por lo que debía proyectarse una demanda considerando las horas de restricción, que algunos casos era de hasta 24 horas.  Para estos casos, la herramienta de predicción de demanda fue modificada en su base de datos, a manera de orientar al modelo para encontrar una solución de predicción.  El resultado fue obtener un mejor control de estos cambios contribuyendo a optimizar los recursos de generación y conservar la seguridad operativa.

 

Nuevos retos. De la experiencia adquirida en estos primeros meses del uso de la herramienta, pueden obtenerse conclusiones positivas sobre el uso de la IA para proyectar la demanda en el corto plazo, y se ha abierto la puerta a otras soluciones. El AMM ya se encuentra investigando sobre nuevas variables que sirvan de predictores para realizar nuevos proyectos como las proyecciones de demanda de Largo Plazo, proyecciones de Demanda por Consumidores, entre otros.