TFG Pred

Universidad Privada del Este
Sede Central
Ciudad Presidente Franco.
Facultad de Ciencias y Tecnologías
Ingeniería Electromecánica.
Predicción de demanda de energía

eléctrica mediante regresión lineal
múltiple.
Por: Liz Aurora Lugo López 1 y

Mariela Elizabeth Acosta Aponte 2
Trabajo Final de Grado presentado a la Facultad de Ciencias y

Tecnologías como parte de los requisitos para optar al título Ingeniero
Electromecánico.
Realizado bajo la orientación de:
Ing. Luis Carmelo Ramírez Vergara
Ing. Liz Rossana Galeano
Ciudad Presidente Franco, Alto Paraná, Paraguay.

Septiembre 2019
Certifico que el presente trabajo de investigación titulado Predicción de Demanda de Energía
Eléctrica Mediante Regresión Lineal Múltiple, ha sido realizado por Liz Aurora Lugo López
y Mariela Elizabeth Acosta Aponte bajo mi supervisión. El mismo es producto del esfuerzo
personal y original de las alumnas, de lo que doy fe, y en mi opinión reúne los méritos para
su presentación y defensa ante la comisión de Trabajo Final de Grado de la Institución.
Ciudad Presidente Franco, XX de XX de 20XX
………………………………………. ……………………………………
Ing. Luis Carmelo Ramírez Vergara Ing. Liz Rossana Galeano
Orientador Temático Orientador Metodológico
Nosotros, los miembros de la comisión de Trabajo Final de Grado de la Facultad de Ciencias

y Tecnología, Universidad Privada del Este; sede Central, hacemos constar que el presente
trabajo titulado Predicción de demanda de energía eléctrica mediante regresión lineal
múltiple ha sido presentado en tiempo y forma, y evaluado por esta comisión, que resuelve
conceder la calificación “____” (_________)
……………………………………………….
Prof.
Presidente de la mesa examinadora.
……………………………………… ……………………………………
Prof. Prof.
Miembro de la mesa examinadora. Miembro de la mesa examinadora.
Escribir aquí la dedicatoria - opcional.
Su extensión no deberá exceder de una página.
3
<Escribir aquí los agradecimientos.>
<Su extensión no deberá exceder de una página.>
4
Intenta no volverte un hombre de éxito, sino volverte un hombre de valor.
Albert Einstein
5
Índice de Contenidos
Índice de Contenidos 6
Índice de Figuras 9
Índice de tablas 11
Resumen 13
Abstract 14
CAPÍTULO I 1
INTRODUCCION 1
1. Introducción 1
1.1. Definición del problema 1
1.2. Delimitación del Trabajo 2
1.3. Preguntas de la investigación 2
1.4. Objetivos 2
1.5. Hipótesis 3
1.6. Justificación. 3
1.7. Descripción de los contenidos por capítulo. 4
CAPÍTULO II 2
MARCO TEORICO 2
2. Conceptos fundamentales, teorías y antecedentes 3
2.1. Sistema Eléctrico de Potencia 3
2.1.1. Demanda de energía eléctrica y la curva de carga 7
2.1.2. Importancia de los pronósticos de la demanda de energía. 8
2.1.3. Predicción de demanda de energía eléctrica 8
2.1.4. Horizontes temporales de previsión. 9
2.1.5. Factores que influyen en el corto plazo de la demanda eléctrica. 10
2.1.6. Clasificación de los métodos de Predicción 12
2.1.7. Clases de predicciones 14
2.1.8. Regresión lineal 15
6
2.1.8.1. Método de Regresión lineal múltiple 17
2.1.9. Criterios de validación del método y análisis 19
2.1.9.1.MAPE (Mean absolute porcentage error-Porcentaje de error medio
absoluto) 19
2.2. Antecedentes de trabajos similares realizados 20
CAPÍTULO III 22
METODOLOGIA 22
3. Método 23
3.1. Enfoque 23
3.2. Alcance de la investigación cuantitativa 23
3.3. Diseño 23
3.4. Flujograma de trabajo 24
3.5. Población y muestra. 28
3.6. Perfil de inclusión y exclusión. 28
3.7. Técnicas de Procesamiento de datos. 29
3.8. Materiales y Métodos. 30
Recolección de la información de interés 34
Selección y limpieza de datos 36
CAPÍTULO IV 45
RESULTADO Y DISCUSIÓN 45
4. Resultados y Discusión 46
4.1. Puntos obtenidos con la ecuación de regresión lineal múltiple. 46
4.2. Validación de la predicción 62
CAPÍTULO V 66
CONCLUSIÓN Y RECOMENDACION 66
1.1. Conclusión 67
1.2. Recomendación 67
REFERENCIAS BIBLIOGRAFICAS 68
Referencias 68
ANEXOS 71
Anexo A. Datos en planillas 72
7
GLOSARIO 86
8
Índice de Figuras
Figura 1 Sistema Eléctrico de ANDE [2] ......................................................................... 3

Figura 2 Sistema Interconectado Nacional [3] ................................................................. 4
Figura 3 Curva de carga de demanda máxima (Demanda-Tiempo) [2] ........................... 7
Figura 4 Puntos importantes a considerar para construir un modelo de predicción [6] ... 9
Figura 5 Curva de demanda día hábil vs feriado [Fuente propia] .................................. 11
Figura 6 Clasificación de las técnicas matemáticas de los pronósticos de demanda de
energía eléctrica ................................................................................................................... 14
Figura 7 Regresión lineal [6]. ......................................................................................... 16
Figura 8 Proceso de estimación de curva de demanda [fuente propia] .......................... 24
Figura 9 Planilla de datos históricos ............................................................................... 25
Figura 10 Planilla de datos históricos ............................................................................. 26
Figura 11 Planilla de datos históricos ............................................................................. 26
Figura 12 Diagrama unifilar de la estación Presidente Franco ....................................... 33
Figura 13 Trazado de alimentadores de distribución de la Estación Presidente Franco 34
Figura 14 Trazado del alimentador FCO2 de la ES PFO ............................................... 35
Figura 15 Comportamiento de demanda para el mes de marzo del año 2018, alimentador
2 ............................................................................................................................................ 39
Figura 16 Comportamiento de la demanda para un dia del mes de marzo del año 2018,
alimentador 2 ........................................................................................................................ 40
Figura 17 Pruebas de valores atípicos por el método de Dixon correspondiente al día
01/12/2018. [Fuente propia] ................................................................................................. 43
Figura 18 Comportamiento del pronóstico de demanda del día lunes 15 de octubre de
2018, alimentador Franco 2.................................................................................................. 55
Figura 19 Modelo arrojado del pronóstico de demanda eléctrica del día lunes 15 de
octubre del 2018, alimentador Franco 2. .............................................................................. 55
Figura 20 Comportamiento del pronóstico de demanda del día martes 16 de octubre de
9
Figura 21 Modelo arrojado del pronóstico de demanda eléctrica del día martes 16 de
Figura 22Comportamiento del pronóstico de demanda del día miércoles 17 de octubre de
Figura 23Modelo arrojado del pronóstico de demanda eléctrica del día miércoles 17 de
Figura 24 Comportamiento del pronóstico de demanda del día jueves 18 de octubre de
Figura 25 Modelo arrojado del pronóstico de demanda eléctrica del día miércoles 17 de
Figura 26 Comportamiento del pronóstico de demanda del día viernes 19 de octubre de
Figura 27 Modelo arrojado del pronóstico de demanda eléctrica del día viernes 19 de
Figura 28 Comportamiento del pronóstico de demanda del día sábado 20 de octubre de
Figura 29 Modelo arrojado del pronóstico de demanda eléctrica del día sábado 20 de
Figura 30 Comportamiento del pronóstico de demanda del día domingo 21 de octubre de
Figura 31 Modelo arrojado del pronóstico de demanda eléctrica del día domingo 21 de
Figura 32 Coeficientes de determinación con mejores resultados. ................................ 63
Figura 33 Representación gráfica de MAPE .................................................................. 64
Figura 34 Comportamiento de demanda Real vs Predicha correspondiente a un día 30 de
marzo de 2018, alimentador FCO2. ..................................................................................... 65
Figura 35 Resultados arrojados por la predicción para un día 30 de marzo del año 2018.
.............................................................................................................................................. 65
10
Índice de tablas
Tabla 1 Feriados de Paraguay correspondiente al año 2018 [Fuente propia] ................. 10

Tabla 2 Datos ordenados de manera horaria [Fuente propia] ......................................... 27
Tabla 3 Datos históricos del alimentador utilizados del día 25 de marzo del año 2018
[Fuente propia]. .................................................................................................................... 29
Tabla 4 Se evidencia algunos casos de inconsistencias o baja calidad de datos (valores
cero, valores faltantes), esto puede deberse a un error de tipeo del operador o un fuera de
servicio del alimentador. ...................................................................................................... 35
Tabla 5 Base de Datos .................................................................................................... 36
Tabla 6 Variables utilizadas inicialmente como datos de entrada para la predicción .... 37
Tabla 7 Relación de tipos de días ................................................................................... 38
Tabla 8 Datos ordenados de manera ascendente, base de datos 2018 ............................ 40
Tabla 9 Resultado de la prueba de normalidad. ............................................................. 41
Tabla 10 Prueba de dixon [Fuente propia] ..................................................................... 41
Tabla 11 Coeficientes de la ecuación de regresión [Fuente propia]. .............................. 47
Tabla 12 comparación entre el valor real y predicho correspondiente a un día lunes. ... 47
Tabla 13 coeficientes de la ecuación de regresión ......................................................... 48
Tabla 14 comparación entre el valor real y predicho correspondiente a un día martes. 48
Tabla 15 Coeficientes de la ecuación de regresión. ....................................................... 49
Tabla 16 comparación entre el valor real y predicho correspondiente a un día miércoles.
.............................................................................................................................................. 49
Tabla 17 coeficientes de la ecuación de regresión. ........................................................ 50
Tabla 18 comparación entre el valor real y predicho correspondiente a un día jueves . 50
Tabla 20 Comparación entre el valor real y predicho correspondiente a un día viernes.51
11
Tabla 22 comparación entre el valor real y predicho correspondiente a un día sábado. 52
Tabla 23 coeficientes de la ecuación de regresión ......................................................... 53
Tabla 24 comparación entre el valor real y predicho correspondiente a un día domingo.
.............................................................................................................................................. 54
Tabla 25 Validación de los resultados de predicción. .................................................... 63
Tabla 27 Datos extraídos de los días de invierno de un alimentador de distribución. ... 72
Tabla 28 Feriados correspondientes al año 2018 ........................................................... 77
12
Resumen
El presente trabajo de investigación tiene como objetivo predecir la curva de

demanda a la que será sometido un alimentador de distribución utilizando
regresión lineal múltiple, esto será un importante aporte para la realización de
una adecuada operación del sistema de distribución, ya que permitirá realizar una
correcta configuración o reconfiguración en el sistema eléctrico, teniendo como
propósito la atención de la demanda con los criterios de seguridad, confiabilidad
y calidad.
Para la obtención de la curva de demanda fueron utilizados datos históricos
de demanda y temperatura, los días de la semana y las horas del día a la que fue
registrada dicha demanda y temperatura. El ajuste del trabajo fue realizado
mediante un software científico- técnico, con datos horarios de carga,
temperatura, tipo de día y las horas correspondientes.
Con el objeto de comprobar la validez del modelo utilizado, fueron utilizados
los datos históricos para comparar los datos pronosticados por la metodología
realizada, que resultaron eficientes en cuanto al margen de error y al
comportamiento, por lo que asumimos como efectivo el método de predicción
realizada.
Palabras Claves: regresión lineal, curva de demanda, alimentador
13
Abstract
Concise presentation of the grade research work, pointing out its most
relevant items. At most, it must be of one page long. The first paragraph should
state the subject being addressed. It must include main objectives, methods, most
remarkable results, as well as the most important conclusions. No cites or
references should be included here.
At the end of the abstract should be written the key words (words or phrases
that allow the work to be classified and located).
Key words: 1. <keyword1>, 2. <keyword2>, 3. <keyword3>.
14
CAPÍTULO I
INTRODUCCION
1. Introducción
En la actualidad el consumo de energía eléctrica es de vital importancia para sobrellevar

un nivel de vida confortable, tanto para las industrias, comercio, hogares, etc. Es por ello que
las empresas distribuidoras de energía eléctrica deben garantizar el servicio continuo del
suministro eléctrico para sus clientes. Un sistema de energía eléctrica debe abastecer de
energía a todos los puntos de carga con una buena calidad del servicio para evitar
incomodidad del usuario.
En el presente trabajo de investigación se emplea el método de regresión lineal múltiple

para realizar la predicción de demanda en alimentadores de distribución, dependiendo del
horizonte de tiempo, estas pueden ser de corto, mediano y largo plazo, pretendiendo una
mejor precisión en los resultados de predicción. Asimismo, el presente trabajo busca obtener
los mejores resultados de predicción de demanda de energía eléctrica con un horizonte de
tiempo de corto plazo, buscando el atendimiento en la demanda con los criterios de calidad,
seguridad y confiabilidad.
1.1. Definición del problema
El pronóstico de la demanda de electricidad es una herramienta fundamental para la toma

de decisiones operativas y estratégicas en los alimentadores de distribución, cuya falta de
precisión puede traer altos costos económicos.
Su importancia se incrementa en la medida que el cumplimiento de los objetivos trazados

dependa lo menos posible del azar, disminuyendo así la incertidumbre sobre los resultados
de las decisiones tomadas. Es de vital importancia conocer a priori el crecimiento de la
demanda de energía eléctrica, de una manera segura y confiable lo cual se aproxime lo más
cercano a la realidad, lo cual requiere de técnicas apropiadas que permitan realizar un buen
pronóstico de la demanda, ya que de esto depende garantizar el suministro de la energía
eléctrica.
1
Con la información proporcionada por el estudio de pronóstico de demanda de energía
eléctrica, los operadores pueden tomar mejores decisiones en la operación de red. Por lo tanto,
un buen estudio de pronóstico de demanda de energía eléctrica, es necesario para la operación
económica y segura del sistema.
1.2. Delimitación del Trabajo
La predicción de carga de los alimentadores conectados a la EE PFO será de corto plazo

con un horizonte de hasta una semana, utilizando el método estadístico de regresión lineal,
teniendo como datos de entrada para dicha estimación la relación entre la temperatura
ambiente, los días de la semana, la hora del día a la que se registra la carga real, para predecir
la demanda de alimentadores de distribución.
1.3. Preguntas de la investigación
Pregunta matriz
¿Cómo se predice la demanda energética en alimentadores de distribución en 23kv?
Preguntas específicas
● ¿Cuáles son las variables relacionados a la demanda eléctrica en alimentadores de

distribución de energía?
● ¿Cómo se realiza la predicción de la demanda de los alimentadores de

distribución?
● ¿Cuál es la precisión del método regresión múltiple elaborado?
1.4. Objetivos
General
Predecir la demanda de la energía eléctrica por medio de la regresión múltiple de

alimentadores de distribución perteneciente a la ES PFO.
Específicos
2
● Analizar las variables que influyen en la demanda de los alimentadores de la ES
PFO.
● Realizar un modelo de predicción de la demanda de energía eléctrica de

alimentadores de distribución perteneciente a la ES PFO.
● Determinar la precisión del modelo de predicción.
1.5. Hipótesis
Mediante la aplicación del método regresión múltiple, es posible predecir la demanda de

los alimentadores de distribución de energía de la ES PFO con una precisión aceptable para
el buen atendimiento de la demanda con los criterios de seguridad, confiabilidad y calidad.
1.6. Justificación.
El comportamiento de la demanda de energía eléctrica presenta parámetros característicos

que son necesarios determinar y especificar para el diseño, cálculo y control de los sistemas
eléctricos de distribución.
Estimar la demanda no es una tarea sencilla, debido a un gran número de variables

involucradas para el estudio: hora del día, día de la semana, temperatura y corriente, entre
otros. El problema de la estimación de la demanda consiste en obtener una metodología que
permita adquirir un modelo preciso que tenga en cuenta las variables mencionadas.
La predicción de la demanda de los alimentadores de distribución, será un importante

aporte para la realización de una adecuada operación del sistema de distribución, ya que
permitirá realizar una correcta configuración o reconfiguración en el sistema eléctrico,
teniendo como propósito la atención de la demanda con los criterios de seguridad,
confiabilidad y calidad.
3
1.7. Descripción de los contenidos por capítulo.
El capítulo I está conformado por la introducción, la definición de problemas, delimitación

y las preguntas de la investigación, así también de los objetivos del trabajo de investigación,
la hipótesis y la justificación del mismo.
En el capítulo II se puede apreciar el marco teórico , todos los conceptos relacionados al

sistema eléctrico de potencia, los alimentadores, demanda eléctrica, curva de demanda,
métodos de predicción de demanda eléctrica.
El capítulo III consta de la metodología empleada para la realización de la predicción de

demanda eléctrica.
El capítulo IV está conformado por los resultados obtenidos con la metodología de

predicción y discusiones sobre la metodología.
El capítulo V consta de las conclusiones a partir de los resultados obtenidos y las

recomendaciones para trabajos a futuro.
4
1
CAPÍTULO II
MARCO TEORICO
2. Conceptos fundamentales, teorías y antecedentes
2.1. Sistema Eléctrico de Potencia
Es el conjunto de centrales generadoras, de líneas de transmisión interconectadas entre sí

y de sistemas de distribución esenciales para el consumo de energía eléctrica. Está formado
de cuatro etapas principales: generación, transmisión, distribución y consumo. La principal
función del sistema eléctrico de potencia (SEP) es suministrar energía eléctrica a los usuarios,
con cantidad apropiada, en la medida en que esa sea solicitada, convirtiendo energía de
naturalezas diversas (hidráulica, mecánica, térmica, etc.) en energía eléctrica y así,
distribuyendo a los consumidores. En la figura 1 se pueden visualizar los subsistemas de
generación, transmisión y distribución de energía eléctrica, además de los consumidores. [1]
Figura 1 Sistema Eléctrico de ANDE [2]

La generación de energía eléctrica ocurre a partir de diferentes tecnologías y las
principales hacen uso de las máquinas rotativas, generadores síncronos o alternadores,
utilizando turbinas hidráulicas a vapor o eólicas.
Toda la energía generada por el sistema de generación necesita fluir a lo largo del territorio
nacional, y para eso la transmisión de energía eléctrica de Paraguay cuenta con el sistema
3
interconectado nacional (SIN) que abarca la mayor parte del territorio y se alimenta
principalmente de las centrales hidroeléctricas, la central Hidroeléctrica Itaipú (CH-IPÚ) con
un capacidad de generación de 14.000 MW, la Central Hidroeléctrica Yacyretá (CH-YAC)
con 3.200 MW de potencia y la central Hidroeléctrica Acaray (CH-ACY) con una generación
de 200 MW, las cuales son las principales fuente de energía del sistema Interconectado
Nacional Paraguayo, prácticamente en un 99,9 %, y una ínfima parte de 0,1 % es atribuida a
pequeñas centrales térmicas aisladas. [2] En la figura 2 se puede observar el Sistema
Interconectado Nacional paraguayo.
Figura 2 Sistema Interconectado Nacional [3]

El sistema de transmisión se interconecta al sistema de distribución a través de los puntos
fronterizos donde están las subestaciones en las que la tensión es rebajada a los niveles de
subtrasmisión. [1]
4
Los sistemas de distribución incluyen todos los elementos de transporte de energía
eléctrica comprendidos entre las subestaciones primarias, donde la transmisión de potencia
se reduce a niveles de distribución, y las bajadas de servicio a los abonados. Un sistema de
distribución normal consta de: redes de subtransmision, subestaciones de distribución, que
transportan la energía a una tensión más baja, adecuada para la distribución local,
alimentadores, los cuales alimentan un área bien definida. La función de los sistemas de
distribución es recibir la energía eléctrica de las centrales de producción o estaciones
primarias y distribuir a los usuarios a la tensión adecuada. [3]
El sistema de distribución es bastante importante para el sistema eléctrico, no sólo por el

gran volumen de inversiones exigidas, como también por la elevada responsabilidad de la
calidad, confiabilidad y garantía de servicio prestado al consumidor. La planificación
estratégica, esencial a cualquier sistema, es imprescindible para la distribución de forma a
atender al crecimiento de la carga, buscando optimizar la aplicación de los recursos
financieros disponibles, relativamente más escasos que en los sistemas de generación y
transmisión. Además, los sistemas de generación y transmisión cuentan con mejores y más
sofisticados sistemas de adquisición de datos y previsión de carga. El sistema de distribución
se puede dividir en tres segmentos: [1]
● Subtransmisión: tiene la función de recibir la energía de las líneas de trasmisión

(tensión igual o mayores a 220kV) y pasar, o para el sistema de distribución primaria, por
medio de subestaciones primarias o alimentar directamente consumidores conectados
directamente en tensión de subtransmisión como grandes instalaciones industriales, etc.
● Distribución primaria: redes de media tensión (23kV) que atienden consumidores
primarios como industrias de medio porte, conjuntos comerciales, etc. Pueden ser aéreas o
subterráneas.
● Distribución secundaria: redes de baja tensión (380/220) que tienen como función
suplir consumidores residenciales, la iluminación pública y pequeños comercios e industrias.
En la referencia [4] se describe lo siguiente:
Las estaciones que rebajan la tensión (220 kV a 66 kV) proveen energía eléctrica a la red
de distribución primaria y, se puede decir, que alimentan parte de la red junto con otras
estaciones. Por eso los circuitos de salida de estas estaciones son llamados alimentadores.
5
Los circuitos primarios constituyen la parte de un sistema de distribución que transportan
la energía desde la subestación receptora secundaria o punto de alimentación del sistema
donde el voltaje baja de niveles de subtransmisión 66 - kV a voltajes de distribución primarios
23 kV hasta los primarios de los transformadores de distribución.
Los circuitos primarios están conformados por los alimentadores principales y sus ramales
laterales y sublaterales.
Generalmente, los alimentadores principales están conformados en todo su recorrido por

las tres fases, mientras que los ramales laterales y sublaterales son trifásicos y monofásicos.
Al efectuar el diseño de circuitos primarios que alimentan cargas monofásicas y trifásicas,

debe efectuarse una distribución razonablemente balanceada de estas entre las fases,
admitiéndose un desequilibrio máximo del 10 % con la máxima regulación admisible.
Un sistema de distribución primario está compuesto principalmente por:
a. El alimentador principal:
También llamado troncal principal y se caracteriza por ser trifásico y de calibres grandes
(del orden de 2/0 a 4/0 AWG). Se protege a la salida de la subestación distribuidora con un
interruptor con recierre automático y promediando dicho alimentador se instala un
reconectador automático.
b. Derivaciones laterales:
Se derivan del alimentador principal mediante equipo de seccionamiento y protección
(cortacircuitos fusible) con conductores de calibre 1/0 y 2 AWG que dependiendo del tamaño
de la carga y del tipo de transformadores que alimenta llevarán las 3 fases.
c. Derivaciones sublaterales:
Salen de las derivaciones laterales mediante seccionador fusible para alimentar muy pocos
transformadores monofásicos. (Fase - neutro). El calibre mínimo por norma debe ser Nº 2
AWG aunque existen en calibres menores.
Un alimentador puede ser seccionado por dispositivos de reconexión, seccionadores

automáticos y cortacircuitos fusible con el fin de remover partes falladas y mediante adecuada
6
coordinación minimizar el número de usuarios afectados por fallas. Igualmente se pueden
disponer de interruptores de enlace N.A. (Normalmente Abiertos). [4]
2.1.1. Demanda de energía eléctrica y la curva de carga
Demanda: Es la cantidad de potencia que un consumidor utiliza en un periodo de tiempo.

La demanda de una instalación eléctrica en los terminales receptores, es tomada como un
valor medio en un intervalo determinado. El periodo durante el cual se toma el valor medio
se denomina intervalo de demanda. La duración que se fije en este intervalo dependerá del
valor de demanda que se desee conocer. Para establecer una demanda es indispensable indicar
el intervalo de demanda ya que sin él no tendría sentido práctico. La demanda se puede
expresar en kVA, kW, kVAR, A, etc. La variación de la demanda en el tiempo para una carga
dada origina el ciclo de carga que es una curva de carga (Demanda vs tiempo). [5]
Demanda o carga máxima: Corresponde a la carga mayor que se presenta en un sistema o

instalación en un período de trabajo previamente establecido. Para establecer la demanda
máxima se debe especificar el intervalo de demanda para medirla. La carga puede expresarse
en p.u. de la carga pico del sistema.
Curva de carga: Es la representación gráfica de cómo varía la carga eléctrica o la demanda

en el transcurso del tiempo. El intervalo de tiempo escogido para realizar el análisis, puede
ser diario, mensual o anual. La carga no es constante en el periodo analizado.
Figura 3 Curva de carga de demanda máxima (Demanda-Tiempo) [2]
7
Curvas de carga diaria: Las curvas de carga diaria están formadas por los picos obtenidos
en intervalos de una hora para cada hora del día. Las curvas de carga diaria dan una indicación
de las características de la carga en el sistema, para el sector residencial, comercial o
industrial y de la forma en que se combinan para producir el pico.
Curvas de carga anual: Las curvas de carga anual están formadas por los valores de la
demanda a la hora pico en cada mes, permiten una visualización de los crecimientos y
variaciones de los picos mensuales y anuales. El análisis de las causas de estas variaciones
debe conducir a conclusiones prácticas sobre el comportamiento del sistema y los factores
que lo afectan. [5]
2.1.2. Importancia de los pronósticos de la demanda de energía.
La importancia de los pronósticos de la demanda se evidencia en la operación de los

sistemas eléctricos. Dependiendo del horizonte de estudio, se diagnostican si existirá déficits
y superávit en la generación, necesidad de expandir el sistema de transmisión, incrementar la
capacidad de transformación o en su defecto promover políticas de ahorro energético.
Una correcta predicción de la demanda de energía juega un papel importante, ya que de

ella dependen las decisiones de las empresas eléctricas para realizar transacciones de cuanto
y cuando, en el mercado eléctrico.
Por lo tanto, pronósticos sobreestimados darían lugar a elevados costos de oportunidad,

ya que existirían fondos improductivos durante largos periodos de tiempos, y por el contrario
pronósticos subestimados evidenciarían un sistema eléctrico no preparado frente a los
incremento de demanda. [6]
2.1.3. Predicción de demanda de energía eléctrica
La predicción de la demanda de energía eléctrica es un procedimiento sistemático que

permite definir cuantitativamente la demanda futura y por ser de vital importancia debe
procurarse que dicha información sea lo más exacta posible, sin olvidar la presencia de
incertidumbres. Dependiendo del periodo de tiempo que se adopte en el análisis se podría
8
considerar dentro de la predicción tres técnicas de predicción: de corto, mediano y largo
plazo. [5]
Horizonte de Tipos de demanda Técnicas

tiempo eléctrica matemáticas
• Corto plazo • Energia (Wh) • Estadísticas
• Mediano Plazo • Potencia (W) • Inteligencia
• Largo plazo artificial
• Micro áreas
Figura 4 Puntos importantes a considerar para construir un modelo de predicción [6]
2.1.4. Horizontes temporales de previsión.
El primer paso antes de construir un modelo es elegir el horizonte temporal para el cual
se pretende realizar la previsión de la demanda de energía eléctrica. Los mismos pueden ser
de corto, mediano y largo plazo. [5]
Pronóstico a corto plazo: Previsión de carga futura en tiempo real para la hora siguiente y
con un horizonte de hasta una semana; el pronóstico se basa en los datos históricos de
demanda diaria y factores climáticos.
Este tipo de pronóstico es requerido por los encargados de planificar la operación diaria
de unidades de generación tal como lo dispone la entidad encargada de suministro de energía
eléctrica. Estos pronósticos consisten en proporcionar la demanda de energía eléctrica del
sistema sobre un intervalo de horas, días y la semana.
Pronóstico a mediano plazo: corresponde al pronóstico mensual con un horizonte de hasta

un año, se establece a partir de la demanda histórica de electricidad y la predicción de algunas
variables explicativas como el crecimiento de la economía, variaciones en el clima, periodos
vacacionales adición de nuevas cargas y los patrones de demandas de clientes no regulados.
9
Pronostico a largo plazo: abarca un horizonte de uno hasta diez años; la predicción de la
demanda de energía es utilizada para la planeación y expansión de la generación y la
transmisión. [5]
2.1.5. Factores que influyen en el corto plazo de la demanda eléctrica.
Es bien conocido que la energía eléctrica es variable en el tiempo cuando el horizonte

temporal es corto, las condiciones sociales y económicas no ejercen influencia, en este
horizonte el tiempo es importante ya que define patrones de consumo durante el fin de
semana, vacaciones y días festivos que difieren de los patrones durante los días ordinarios.
Otro aspecto a tomar en cuenta es el clima, normalmente la curva de demanda horaria sigue
el perfil de temperaturas diarias. [6]
● Temperatura: en el corto plazo las variaciones climáticas y los factores

medioambientales, son causas directas en los cambios de consumo de electricidad.
Esto se divide en la variación de la temperatura que va de la mano con la variación
de la demanda eléctrica.
Entonces al variar la temperatura, también afecta las acciones de los consumidores

que se verán obligados a usar los sistemas de calefacción o en su defecto los
sistemas de aire acondicionado. Por lo tanto la relación entre la demanda eléctrica
y la temperatura es de carácter no lineal.
● Calendario: Existen diferentes efectos relacionados con el calendario que inciden

sobre la curva de demanda eléctrica. [6]
Tabla 1 Feriados de Paraguay correspondiente al año 2018 [Fuente propia]
Fecha Dia Feriado Feriado Trasladado
1/1/2018 lunes Año nuevo - -

1/3/2018 jueves Día de los Héroes de la Patria 26-feb lunes
29/3/2018 jueves Semana Santa - -
30/3/2018 viernes Semana Santa - -
10
1/4/2018 domingo Semana Santa - -
1/5/2018 martes Día de los trabajadores - -
15/5/2018 martes Independencia Nacional - -
12/6/2018 martes Día de la Paz del Chaco 11-jun lunes
15/8/2018 miércoles Fundación de Asunción - -
29/9/2018 sábado Batalla de Boquerón - -
8/12/2018 sábado Virgen de Caacupe - -
25/12/2018 martes Navidad - -
En la figura 5 se puede observar el comportamiento de la demanda un día hábil vs un día

de feriado, naturalmente es conocido que la demanda eléctrica disminuye en los días feriados,
sobre todo si estos días son días hábiles. [6]
Figura 5 Curva de demanda día hábil vs feriado [Fuente propia]
11
2.1.6. Clasificación de los métodos de Predicción
Una primera clasificación de los métodos de predicción es la que se divide en los modelos
cualitativos y cuantitativos. Básicamente los métodos cualitativos son aquellos en los que el
pasado no proporciona información relevante sobre la variable que pretendemos investigar.
El enfoque del presente trabajo es cuantitativo, el objetivo principal es extraer información
útil y valida de los contenidos históricos, a partir de ellos predecir un futuro comportamiento.
[5]
A continuación, se mencionan algunas técnicas para realizar predicción:
12
Lineal
Regresión Simple
No lineal
Lineal
Regresión múltiple
Regresión No Lineal
Econométrico
(Regresión Lineal
multivariable
utilizando variables
económicas)
Estadísticas
Descomposición
AR,MA,ARMA
Series de tiempo
Promedios móviles
Suavizamiento
exponencial
Distribución de
probabilidad
13
Propagación hacia
Redes adelante
Neuronales
Propagación hacia
Sístemas atrás
Inteligencia expertos
Artificial
Lógica difusa
Tendencia
Microáreas
Utilización de
terrenos
Figura 6 Clasificación de las técnicas matemáticas de los pronósticos de demanda de

energía eléctrica
2.1.7. Clases de predicciones
Ante todo, se cree conveniente hacer un breve comentario sobre la utilización del término
de predicción, o de sus sinónimos pronósticos y previsión. En sentido estricto, la verdadera
predicción seria la realizada a partir de la última observación histórica. Sin embargo, puesto
que suele ser muy útil comprobar cómo se había comportado el modelo dentro del periodo
histórico si se hubiera utilizado dicho modelo para pronosticar observaciones históricas ya
conocidas con certeza (lo cual es importante para juzgar posteriormente la validez del
modelo), por extensión, es frecuente emplear también el termino predicción para lo que, en
realidad podría ser considerado como bondad de ajustes a valores históricos, siendo
numerosas las publicaciones que utilizan indistintamente el término de predicción tanto para
el ajuste de los periodos históricos como para el cálculo correspondiente a períodos futuros.
Se puede distinguir entre la predicción ex₋post y la predicción ex₋ante. Aunque no existe

uniformidad en la utilización de estos términos, se puede decir que en sentido estricto, la
primera es aquella predicción que se realiza para un periodo de datos reales que ya se
conocen, es decir, las observaciones en las variables endógenas y en las variables exógenas
14
del periodo pronosticado ya se conocen con certeza en el periodo en que se realiza el
pronóstico. Por el contrario, una predicción ex ante se refiere a un periodo respecto al cual
no se dispone de datos reales, es decir, el periodo en cuyo pronóstico se está interesado
pertenece al futuro.
También se puede distinguir entre una predicción condicional y otra incondicional. En

esta última se conocen con certeza las variables explicativas del modelo, mientras que en un
pronóstico condicional el valor de al menos una de las variables explicativas no se conoce,
por lo que hay que utilizar predicciones de las variables que sean desconocidas para realizar
el pronóstico de la variable endógena o dependiente. [7]
2.1.8. Regresión lineal
El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación
entre variables. Se adapta a una amplia variedad de situaciones.
El análisis de regresión lineal puede utilizarse para explorar y cuantificar la relación entre
variable dependiente y una o más variables llamadas independientes, así como para
desarrollar una ecuación lineal con fines predictivos. La ecuación que describe la línea recta
es la siguiente:
𝑌 = 𝑏0 + 𝑏. 𝑋 + 𝜀
Donde:
𝑏0 , es la intersección en eje Y cuando 𝑋 = 0
b, Pendiente de la recta, representa la cantidad de cambio en Y al incrementar X en una

unidad.
𝜀, Diferencia entre el valor real y el valor estimado o pronosticado.
La estimación de los parámetros supone encontrar la ordenada en el origen y la pendiente

de una recta que mejor se aproxime a los puntos. [8] En la figura 7 se puede observar un
ejemplo de regresión lineal.
15
Figura 7 Regresión lineal [6].
El análisis de regresión es un concepto de vital importancia para la estadística moderna,
de igual manera es trascendente para fines de predicción, siendo esta una herramienta muy
útil y poderosa para analizar la relación entre una variable dependiente y una o más
independientes, puede ser usada para: [8]
● Determinar si las variables independientes explican una variación significativa en

la variable dependiente: si existe relación.
● Determinar cuánto de la variación en la variable dependiente puede ser explicada

por las variables independientes: fuerza de relación.
● Determinar la estructura de la relación: la ecuación matemática que relaciona las

variables dependientes e independientes.
● Predecir los valores de la variable dependiente.
● Controlar a otras variables independientes cuando se evalúe las aportaciones de

una o más variables.
Los supuestos de un modelo de regresión lineal son los siguientes:
● Linealidad: los valores de la variable dependiente están generados por el siguiente

modelo lineal:
16
Y=X∗B+U (1)
● Homocedasticidad: todas las perturbaciones tienen la misma varianza:
V(ui ) = σ2 (2)
● Independencia: las perturbaciones aleatorias son independientes entre sí:
E(ui ∙ uj ) = 0; ∀i ≠ j (3)
● Normalidad: la distribución de la perturbación aleatoria tiene distribución

normal:
U ≈ N(0. σ2 ) (4)
● Las variables explicativas 𝑿𝒌 se obtienen sin errores de medida.
2.1.8.1. Método de Regresión lineal múltiple
El pronóstico de la demanda de electricidad considera no solo valores observados de

demanda de energía eléctrica durante un periodo de tiempo, sino también considera los
factores que influyen en la variación de dicha demanda, es decir, temperatura, días de la
semana, horas del día, entre otras. El método de regresión lineal múltiple permite agregar con
mucha facilidad la consideración de estas variables. [5]
Este método representa como variables independientes a las horas del dia, los días de la
semana y la temperatura horaria, pero determina la demanda futura extrapolando la tendencia
de la información pasada. El modelo de regresión lineal empleado es de la siguiente forma:
y = b0 + b₁X₁ + b₂X₂ + b₃X₃ + ⋯ + bₖXₖ + 𝜀

(5)
Donde 𝜀 es el valor del error aleatorio, que viene a representar la diferencia entre el valor
medido y el valor pronosticado de la variable dependiente.
𝜀 = y − ŷ (6)
Permite utilizar más de una variable independiente, por lo tanto, hay que utilizar más
información en la construcción del modelo y consecuentemente, realizar estimaciones más
17
precisas. Los coeficientes b van a indicar el incremento en la variable dependiente por el
incremento unitario de la correspondiente variable independiente. [9]
La ecuación 6 que se muestra se conoce como ecuación de la regresión múltiple estimada.
ŷ = b0 + b1 x1,1 + b2 xj + ⋯ + bk xk,j (7)

Utilizando notación matricial:
u1 y1 − ŷ1
u2 y2 − ŷ2
u= : = : = y − ŷn (8)
. .
[un ] [yn − ŷn ]
Y teniendo en cuenta la definición de 𝑦̂:..
y1 − b0 − b1 x1,1 − b2 x2,1 − b3 x3,1 − ⋯ − bk xk,1

u1
u2 y2 − b0 − b1 k1,2 + b2 x2,2 + b3 x3,2 + ⋯ + bk xk,2
u=[ : ]= : = y − ŷ (9)
. .
un
[ y3 − b0 − b1 x1,n − b2 x2,n − b3 x3,n −. . . −bk xk,n ]
Por lo tanto:
y1 1 x1,1 . . xk,1
y2 1 x1,2 . . xk,2
u= : − . =y−X∗b (10)
. .
[yn ]
[1 x1,k . . xk,n ]
Por lo tanto la varianza residual se puede expresar de la siguiente manera:
n ∗ σ2 = u´ ∗ u = (y − X ∗ b)´ ∗ (y − X ∗ b) (11)
Es decir:
2
ϕ(b) = ∑(yj − ŷj ) = uι ∗ u (12)
Por lo tanto, la varianza residual es una función del vector de parámetros b y la condición
para que tenga un mínimo será:
dϕ(b)
=0 (13)
db
Antes de derivar se efectúa una simplificación de la expresión de la varianza residual:
18
n ∗ σ2 = uι ∗ u = y ι ∗ y − y ι ∗ x ∗ b − bι ∗ x ι ∗ y + bι ∗ x ι ∗ x ∗ b (14)
Por lo tanto:
ϕ(b) = ∑(yj − ŷj )2 = uι ∗ u = y ι ∗ y − y ι ∗ x ∗ b − bι ∗ x ι ∗ y + bι ∗ x ι ∗ x ∗ b (15)

dϕ(b) d(y−x∗b)ι
= = −2 ∗ X ι ∗ Y + 2 ∗ X ι ∗ X ∗ B (16)
db db
Igualando a cero y despejando:
Xι ∗ Y = Xι ∗ X ∗ B (17)
Y si 𝑋 𝜄 ∗ 𝑋 es una matriz no singular y por lo tanto tiene inversa, tenemos:
Xι ∗ Y = Xι ∗ X ∗ B (18)
Multiplicando por (𝑋´ ∗ 𝑋)−1
(X´ ∗ X)−1 X ι ∗ Y = (X´ ∗ X)−1 X ι ∗ X ∗ B (19)

(X´ ∗ X)−1 X ι ∗ Y = I ∗ B (20)
Donde I es una matriz identidad y la ecuación (21) es la expresión del estimador de
parámetros B. [8]
2.1.9. Criterios de validación del método y análisis
2.1.9.1. MAPE (Mean absolute porcentage error-Porcentaje de error medio

absoluto)
En ocasiones, resulta más útil calcular los errores de pronóstico en términos de porcentaje
y no en cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando
el error absoluto en cada período, dividiendo éste entre el valor real observado para ese
período y después promediando estos errores absolutos de porcentaje. Este enfoque es útil
cuando el tamaño o magnitud de la variable de pronóstico es importante en la evaluación de
la precisión del pronóstico. El PEMA proporciona una indicación de qué tan grandes son los
errores de pronóstico comparados con los valores reales de la serie. También se puede utilizar
el PEMA para comparar la precisión de la misma u otra técnica sobre dos series
completamente diferentes. [5]
̂
𝑌𝑡−𝑌𝑡
∑𝑛
𝑖=0 𝑌𝑡
̂
𝑀𝐴𝑃𝐸 = (21)
𝑛
19
Donde:
Yt representa la demanda real
̂ representa la demanda pronosticada
𝑌𝑡
n es el número de periodos
2.2. Antecedentes de trabajos similares realizados
La predicción de la curva de carga de un alimentador de distribución es importante para

afianzar el correcto funcionamiento del sistema eléctrico, ya que nos permite conocer el
comportamiento futuro de la curva de carga y tomar las medidas necesarias en caso de que
se detecta anormalidades en la carga de un alimentador.
Conocer la demanda es importante en la operación y gestión de un sistema de transmisión

y distribución, ya que esta información se utiliza en estudios de cuantificación de pérdidas,
definición de ofertas en la bolsa de energía, establecimiento de tarifas que varían de acuerdo
con la hora del día en que ocurre el consumo, reducción del pico de la demanda (gestión de
carga), mejoramiento de la operación del sistema mediante el control en tiempo real y
optimización de la utilización de los transformadores. [9]
El comportamiento de la demanda de energía eléctrica presenta parámetros característicos

que son necesarios determinar y especificar para el diseño, cálculo y control de los sistemas
eléctricos de distribución. [7] El problema de la estimación de la demanda consiste en obtener
una metodología que permita adquirir un modelo preciso que tenga en cuenta las variables
mencionadas.
A continuación, se citan diversas investigaciones realizadas en el área de estudio:

● En el 2015, Paraguay - Ciudad del Este, Isabel Britez Fernández, Luis Barrientos
Mujica y Sebastián Arce Encina, publicaron un artículo denominado predicción
de carga de un transformador de potencia utilizando red neuronal artificial, en el
cual ajustaron un modelo de Redes neuronales artificiales que permitiera predecir
el comportamiento de carga de un transformador, con la simulación realizada se
ha obtenido un algoritmo aproximado para realizar la predicción, siendo ésta muy
eficiente para la realización de predicciones. [10]
20
● En 2016, Brasil-João Pessoa, Romero Álamo Oliveira de Medeiros presentó como
trabajo de maestría la previsión de demanda en medio plazo utilizando redes
neuronales en sistemas de distribución de energía eléctrica, el objetivo de este
trabajo fue realizar una predicción a medio plazo, concluyendo que la
metodología propuesta permite al equipo de planificación del sistema de
distribución un error aceptable abajo del 5%, siendo el algoritmo efectivo y
utilizable para el pronóstico temporal. [1]
● En 2013, Colombia-Pereira, Adriana Marcela Ariza Ramírez presentó como
trabajo de grado distintos métodos utilizados para el pronóstico de demanda de
energía eléctrica aplicados en sistema de distribución, que con la ayuda de
herramientas como los siguientes programas; Excel, Matlab V2012b, SPSS 20
presentó los métodos de redes neuronales artificiales (RNA), Micro áreas y
también el método de la regresión lineal múltiple, logrando diferenciar la
precisión de los distintos métodos en la predicción de demanda de energía
eléctrica. [5]
21
CAPÍTULO III
METODOLOGIA
3. Método
3.1. Enfoque
El trabajo de investigación realizado es de enfoque cuantitativo, considerando que está

basado en la recolección, el análisis y la vinculación de datos de forma cuantitativa para la
predicción de la demanda de alimentadores de distribución.
3.2. Alcance de la investigación cuantitativa
El modelo de predicción que pronostica la demanda real de un alimentador, fue proyectado

para un alcance descriptivo-explicativo, esta relación existente entre variables viene limitada
en sus resultados de predicción. Considerando la utilización de variables que intervienen en
el problema, como son, la temperatura, hora del día, días de la semana y la demanda del
alimentador, usando una técnica estadística, la regresión lineal múltiple, considerando que
este método hace uso de la relación de variables independientes, que vienen a representar
factores que influyen en la demanda de un alimentador siendo esta una variable dependiente.
Por lo tanto, es perceptible la función que cumple este trabajo a la hora de establecer
relaciones entre las variables, precisando sentido de casualidad, analizando la relación entre
causa y efecto entre las variables, al poseer estas características asumimos como un alcance
explicativo.
3.3. Diseño
El siguiente trabajo tiene un diseño no experimental de carácter transversal, pues no se

altera ninguna variable y se desarrolla en un lapso de tiempo determinado correspondiente al
año 2018.
23
3.4. Flujograma de trabajo
En el siguiente flujograma se ven reflejadas una serie de procesos que se debe realizar al
momento de ejecutar el trabajo.
Selección y análisis de Obtención y Sintetización del

variables que influyen tratamiento de los modelo conforme a las
en la demanda de datos históricos variables seleccionadas
energía eléctrica
Realización del modelo

de predicción y Análisis de precisión
obtención de la curva del modelo
de demanda.
Figura 8 Proceso de estimación de curva de demanda [fuente propia]

A continuación se detalla brevemente cada paso del proceso expuesto:
3.4.1. Selección y análisis de las variables que influyen en la demanda de energía
eléctrica: Existen factores que inciden en la demanda eléctrica como lo son los
factores climáticos, identificados estos se los clasifica como días buenos,
lluviosos, descargas atmosféricas, etc. Para el corto plazo se tiene en cuenta
principalmente las temperaturas correspondientes a cada hora del día en estudio,
teniendo en cuenta de qué tipo de día se está analizando pudiendo ser ésta un día
hábil o un día no hábil (feriados).
3.4.2. Obtención y tratamiento de los datos históricos: Los datos históricos son
obtenidos a partir de la empresa suministradora de energía eléctrica, éstos son
primordiales para obtener un patrón de consumo de años anteriores, conocer su
comportamiento para poder proyectarlos a futuro. Se procede por tanto a realizar
la extracción desde la base de datos donde están registrados los alimentadores con
sus demandas correspondientes a cada hora establecida, estos datos extraídos son
llevados a una hoja de cálculo para adecuar a un formato en la cual facilite la
24
preparación para posteriormente ser analizados. Los datos mencionados se
encuentran almacenados en una hoja de cálculo separadas por día y alimentadores
para facilitar su carga y almacenados en forma horaria. En la figura 8 se muestra
los registros correspondientes a la ES PFO.
Figura 9 Planilla de datos históricos

El tratamiento de datos: los datos correspondientes a alimentadores de la ES
PFO son primeramente extraídos en una hoja de cálculo, a partir de las demanda
a cada hora del día como también el estado del tiempo que corresponde a este son
ordenados por fechas para posteriormente seleccionar los datos diarios,
semanales, mensuales y por ultimo anual.
25
Para visualizar mejor los datos e identificar los mismos son ordenados de forma diaria con
las horas correspondientes a cada día, de tal manera a visualizar mejor la demanda y
temperatura correspondiente a cada día del año estudiado.
Concluido el ordenamiento de los datos estos son verificados para determinar si existen datos
atípicos que perturban el resultado de predicción, se emplean estrategias de eliminación de
estos datos mencionados y la corrección de los mismos. En la tabla siguiente se puede
visualizar lo mencionado anteriormente.
26
Tabla 2 Datos ordenados de manera horaria [Fuente propia]
Día Fecha Hora Dia Temperatura Demanda
lunes 1/1/2018 0 1 26 254

lunes 1/1/2018 1 1 25 255
lunes 1/1/2018 2 1 25 255
lunes 1/1/2018 3 1 25 244
lunes 1/1/2018 4 1 25 240
lunes 1/1/2018 5 1 25 215
lunes 1/1/2018 6 1 25 208
lunes 1/1/2018 7 1 25 206
lunes 1/1/2018 8 1 26 203
lunes 1/1/2018 9 1 27 201
lunes 1/1/2018 10 1 29 204
lunes 1/1/2018 11 1 30 203
lunes 1/1/2018 12 1 31 197
lunes 1/1/2018 13 1 31 200
lunes 1/1/2018 14 1 31 195
lunes 1/1/2018 15 1 30 195
lunes 1/1/2018 16 1 30 180
lunes 1/1/2018 17 1 29 211
lunes 1/1/2018 18 1 28 236
lunes 1/1/2018 19 1 23 252
lunes 1/1/2018 20 1 23 250
lunes 1/1/2018 21 1 22 250
lunes 1/1/2018 22 1 22 244
lunes 1/1/2018 23 1 22 233
3.4.3. Sintetizacion del modelo conforme a las variables seleccionadas: La

metodología empleada es la de regresión lineal múltiple debido a que ésta se
relaciona mejor con las variables supuestas para esta predicción. Siendo la
demanda una variable dependiente que se puede predecir teniendo en cuentas
datos climáticos y horarios. Los días de la semana, las horas del día y la
temperatura correspondiente a cada hora son variables independientes que
27
predicen la demanda de un alimentador. La ecuación final de regresión
mencionada es la siguiente.
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 = 𝑏𝑜 + 𝑏1 ∙ 𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 + 𝑏2 ∙ ℎ𝑜𝑟𝑎 + 𝑏3 ∙ 𝑑í𝑎 (22)
Siendo 𝑏0 la ordenada en el origen, 𝑏1 , 𝑏2 𝑦 𝑏3 coeficientes que representan el
incremento de la demanda con respecto a las variables independientes.
3.4.4. Realización del modelo de predicción y obtención de la curva de demanda:
para la obtención de los puntos de la curva de demanda es realizado la predicción
utilizando la metodología de regresión lineal múltiple, considerando una
herramienta computacional para el análisis de los datos históricos del alimentador
en estudio.
3.4.5. Análisis de precisión del modelo: el modelo es validado a partir de los resultados
arrojados por la predicción, siendo estos efectivos cuando la demanda predicha se
aproxima a la demanda real, esto es posible mediante la interpretación del
coeficiente de correlación 𝑅 2 , ya que ésta indica la efectividad de la predicción si
la misma se aproxima a la unidad y los nuevos valores de demanda se aproximan
en valor a la demanda real. La significancia de las variables independientes
demuestra su grado de importancia en la predicción de demanda eléctrica.
3.5. Población y muestra.
Población: La ES PFO perteneciente a la Administración Nacional de Electricidad.
Muestra: Datos históricos extraídos de los alimentadores pertenecientes a la estación

Presidente Franco correspondiente al año 2018.
3.6. Perfil de inclusión y exclusión.
Dentro de los criterios de inclusión se encuentran los datos históricos necesarios para la
evaluación de la predicción de demanda, para la ejecución del mismo deberá contener:
demanda histórica de los alimentadores pertenecientes a la ES PFO, temperatura horaria de
la ciudad correspondiente, los días de la semana, horas del día en las que se registraron dichas
28
demandas y temperaturas, siendo aplicado la predicción para cualquiera de los alimentadores
pertenecientes a la ES PFO con un horizonte de tiempo de corto plazo.
Evaluando el perfil de exclusión, no se encuentra estipulado en el trabajo la realización de

la predicción con los horizontes de tiempo de mediano y largo plazo.
3.7. Técnicas de Procesamiento de datos.
El trabajo realizado consiste en la predicción de demanda utilizando un método

estadístico, que es la de regresión lineal múltiple. El procesamiento de datos es realizado
utilizando hojas de cálculos para la tabulación de los datos históricos y las variables a ser
utilizadas para dicha predicción, estos datos son preparados, seleccionados y analizados para
posteriormente realizar el entrenamiento en un software que ejecuta funciones estadísticas
básicas y avanzadas.
Los datos históricos del alimentador son necesarios para adquirir información de la
relación existente entre las variables independientes (los días de la semana, las 24 horas del
día, y la temperatura ambiente correspondiente a cada hora) con la variable dependiente
(demanda del alimentador), de esa manera obtener una ecuación de regresión lineal múltiple
aproximada, con sus respectivos coeficientes capaz de realizar una predicción aceptable para
la generación de puntos de curva de demanda diaria del alimentador en estudio.
En la tabla 1 se puede observar datos históricos del alimentador correspondiente a un día de

otoño, en la misma se registran las temperaturas del día a cada hora con sus demandas reales
respectivamente.
Tabla 3 Datos históricos del alimentador utilizados del día 25 de marzo del año 2018
[Fuente propia].
Día Fecha Horas del día Temperatura (C) Demanda (A)

domingo 25/3/2018 00:00 22 200
domingo 25/3/2018 01:00 22 195
domingo 25/3/2018 02:00 22 190
domingo 25/3/2018 03:00 22 190
29
domingo 25/3/2018 04:00 22 180
domingo 25/3/2018 05:00 21 186
domingo 25/3/2018 06:00 21 185
domingo 25/3/2018 07:00 21 185
domingo 25/3/2018 08:00 21 185
domingo 25/3/2018 09:00 22 192
domingo 25/3/2018 10:00 22 210
domingo 25/3/2018 11:00 23 210
domingo 25/3/2018 12:00 20 184
domingo 25/3/2018 13:00 21 160
domingo 25/3/2018 14:00 22 155
domingo 25/3/2018 15:00 21 160
domingo 25/3/2018 16:00 20 175
domingo 25/3/2018 17:00 20 198
domingo 25/3/2018 18:00 17 217
domingo 25/3/2018 19:00 16 196
domingo 25/3/2018 20:00 15 173
domingo 25/3/2018 21:00 15 153
domingo 25/3/2018 22:00 14 140
domingo 25/3/2018 23:00 13 132
Tabla 2
3.8. Materiales y Métodos.
Objetivos
Tarea Variable Indicador
Específicos
● Analizar las -Realizar un - Carga - Informe técnico en
variables que relevamiento de los - Demanda base a datos
influyen en la datos históricos de históricos.
demanda de - Artículos técnicos
30
los alimentadores de EE PFO - - Artículos
alimentadore de la ANDE. Temperatur estadísticos.
s de la EE -Analizar los datos a
PFO. históricos a ser - Corriente
utilizados. - Voltaje
- Horas
diarias
● Realizar un - Investigar y definir el - Carga - Informe técnico en
modelo de método de regresión -Demanda base a modelos
predicción de lineal múltiple para -Horas del estadísticos.

la demanda realizar la predicción a día - Artículos de
de energía partir de los indicadores -Día de la modelos
eléctrica de obtenidos. semana estadísticos.
alimentadore - Estudiar la técnica de -Meses del - Seleccionar las
s de regresión lineal. año variables a utilizar..
distribución - Diseñar el modelo de
pertenecient predicción de la
es a la EE demanda ajustada a las
PFO. variables obtenidas de
los alimentadores de
distribución
pertenecientes a la EE
PFO
● Determinar la - Realizar un - Método - Ejecutar las
precisión del entrenamiento de la estadístico pruebas
modelo metodología propuesta -Cálculo de - Evaluar los

elaborado. con las variables error de la resultados
seleccionadas. obtenidos.
31
- Utilizar un software, metodologí
realizar las simulaciones a
para obtener la curva de
carga.
- Analizar los resultados
de las pruebas.
3.8.1. Método
Descripción del sistema en estudio
La estación presidente Franco dispone de una capacidad de 83 MVA (figura3.1), a la

fecha dispone de 12 (doce) líneas alimentadoras de 23kv instalados sobre una misma barra
en 23kv que alimentan a más de 900 transformadores de distribución que suministran
energía a aproximadamente 42.000 clientes (figura 3.1), cada línea alimentadora posee una
capacidad de14MVA, abasteciendo gran parte de Ciudad del Este y presidente Franco, estas
líneas distribuidoras de energía poseen un configuración radial, sin embargo tienen la
posibilidad de interconectarse con otros alimentadores colindantes a ellos siempre y cuando
exista capacidad de absorción de carga, generalmente en periodos de alta demanda se
proceden a realizar reconfiguraciones en la topología de la red de manera a atender la
demanda con mayor seguridad y confiabilidad.
32
Figura 12 Diagrama unifilar de la estación Presidente Franco
33
Figura 13 Trazado de alimentadores de distribución de la Estación Presidente Franco
Actualmente en el sistema electrico de distribucion de energia de la region, no utiliza un
modelo matematico para el pronostico la demanda a corto plazo en los alimentadores de
distribucion, sin embargo los operadores de la red, observan en la base de datos del centro
de operación de distribucion, la demanda maxima de dias anteriores llevando en cuenta la
temperatura, que es la variable que tiene una mayor inflluencia en la demanda del sistema,
para la toma de decisiones operativas y estrategicas, cuya falta de precision trae altos costos
economicos[referenciar].
Conocer la demanda de un determinado alimentador con antelacion, permitiria anticiparse
a los requerimientos del sistema y asi, estudiar diversas alternativas para atencion de la
demanda.
Recolección de la información de interés
Para realizar la metodología propuesta, se procede a la elección del alimentador PFO2,

este presenta inconsistencias en sus datos de demanda, características como los datos ceros,
faltante de datos, valores superiores de la capacidad de carga del alimentador, valores atípicos
de manera a ajustar la curva de demanda y validar los resultados del método propuesto.
34
Figura 14 Trazado del alimentador FCO2 de la ES PFO
Se procede extraer desde una base de datos, donde se registran las demandas horarias por
cada alimentador de distribución.
En la tabla.. se puede observar los datos de demanda del mes de enero desde las primeras
doce horas, la fecha y el estado del tiempo del alimentador en estudio. Al realizar una
verificación inicial se puede demostrar que existen faltantes de datos, valores atípicos que no
aportan de manera positiva a la predicción de la demanda para ello se debe realizar la
depuración inicial y el tratamiento de los datos antes de realizar el pronóstico de demanda.
Tabla 4 Se evidencia algunos casos de inconsistencias o baja calidad de datos (valores

cero, valores faltantes), esto puede deberse a un error de tipeo del operador o un fuera de
servicio del alimentador.
35
Tabla 5 Base de Datos
Selección y limpieza de datos
Selección de datos:
36
Los datos utilizados como entrada para este proyecto, se distribuyen en dos tipos de
variables, variables dependientes y variables independientes o explicativas, ambas
fundamentales para la realizar una buena predicción.
La demanda eléctrica semanal, presenta un periodo de 7 días, correspondientes a cada día
de la semana. En el corto plazo las variaciones climáticas y los factores medioambientales,
son causa directa de los cambios de consumo de electricidad. Esto se evidencia en la
variación de la temperatura que va de la mano con la variación de la demanda eléctrica. [6]
En este sistema, inicialmente, se ha decidido utilizar como variables de entrada:
• Día de la semana.
• Hora del día.
• Temperatura horaria.
• Demanda horaria.
Tabla 6 Variables utilizadas inicialmente como datos de entrada para la predicción
Tipo de
Fecha Día Hora Temperatura Demanda
Día
21/6/2018 jueves 0 4 17 132
21/6/2018 jueves 1 4 17 129
21/6/2018 jueves 2 4 17 129
21/6/2018 jueves 3 4 17 129
21/6/2018 jueves 4 4 17 140
21/6/2018 jueves 5 4 16 170
21/6/2018 jueves 6 4 16 163
21/6/2018 jueves 7 4 17 168
21/6/2018 jueves 8 4 18 173
21/6/2018 jueves 9 4 20 177
21/6/2018 jueves 10 4 22 193
21/6/2018 jueves 11 4 22 196
21/6/2018 jueves 12 4 26 176
21/6/2018 jueves 13 4 27 168
21/6/2018 jueves 14 4 28 172
21/6/2018 jueves 15 4 28 178
37
21/6/2018 jueves 16 4 28 218
21/6/2018 jueves 17 4 24 250
21/6/2018 jueves 18 4 22 230
21/6/2018 jueves 19 4 20 210
21/6/2018 jueves 20 4 19 196
21/6/2018 jueves 21 4 18 170
21/6/2018 jueves 22 4 18 149
21/6/2018 jueves 23 4 16 138
En la tabla 7 se puede observar las variables utilizadas para la predicción de demanda

eléctrica, diferenciando en la misma los tipos de días de la semana y como son relacionadas.
Tabla 7 Relación de tipos de días
Tipo de
Fecha Día Hora Temperatura Demanda
Día
29/7/2018 Domingo 0 0 13 131
30/7/2018 Lunes 0 1 10 137
31/7/2018 Martes 0 2 12 135
1/8/2018 Miércoles 0 3 9 137
2/8/2018 Jueves 0 4 10 130
3/8/2018 Viernes 0 5 16 130
4/8/2018 Sábado 0 6 17 136
Análisis de datos
A consecuencia de errores en la captura, errores en los sistemas de comunicación que

llevan los datos hasta una base de datos y apagones (conllevan por tanto a datos cero), la
curva de carga que se construya a partir de allí presenta inconvenientes con datos que no han
sido cargados o faltantes de datos, éstos se comportan como datos atípicos en la curva de
demanda por lo que se torna más difícil su análisis.
A consecuencia de lo mencionado anteriormente, para realizar el pronóstico de una curva
de carga, se debe realizar una limpieza y posterior selección de los datos que van a incidir
positivamente en la predicción para obtener resultados confiables.
38
En las Figuras 15 y 16 se observan, el comportamiento de la demanda durante el mes de
marzo del año 2018 y del día miércoles 14 de marzo de 2018 del alimentador PFO2, en la
primera figura se puede observar el comportamiento periódico de la curva con valores
mínimos y máximos que en su totalidad se encuentran próximas entre sí por algunos instantes
presentando picos en sus comportamientos, datos que resultan atípicos y perturbarían los
resultados de una predicción. Se aprecia el comportamiento continuo de los datos y cumple
con las características necesarias para una regresión lineal múltiple.
400
350
300
250
200
150
100
50
0
51
26
76
1
451
101
126
151
176
201
226
251
276
301
326
351
376
401
426
476
501
526
551
576
601
626
651
676
701
726
Figura 15 Comportamiento de demanda para el mes de marzo del año 2018,
alimentador 2
En la figura anterior por ser demandas eléctricas correspondientes en su totalidad a un
mes, no permite percibir de manera más clara el comportamiento de la curva diaria, en la
figura 16 que corresponde a un día del mes de marzo de 2018 permite apreciar de manera
más clara el comportamiento de los datos y los datos erróneos o atípicos en la curva de
demanda eléctrica, lo que a priori de busca corregir.
39
400
350
300
250
200
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Figura 16 Comportamiento de la demanda para un dia del mes de marzo del año 2018,
alimentador 2
Posteriormente se desea eliminar las inconsistencias que presentan los datos de demanda
del alimentador escogido, el mismo presenta valores cero, valores faltantes y valores atípicos,
estos pueden perturbar los resultados de una predicción. Para la ejecución del proceso se
plantea la limpieza de los mismos buscando identificar las inconsistencias que presentan en
diferentes horarios. En la tabla 8 se puede observar que los datos de demanda son ordenados
de manera ascendente y de esa forma se identifica los datos ceros para su posterior corrección.
Tabla 8 Datos ordenados de manera ascendente, base de datos 2018
temperatura Demanda
Día Fecha hora
horaria Amperios
jueves 15/3/2018 13 21 0
jueves 15/3/2018 14 21 0
jueves 15/3/2018 15 21 0
jueves 15/3/2018 16 22 0
sábado 14/4/2018 13 31 0
sábado 14/4/2018 19 25 0
lunes 23/4/2018 22 23 0
domingo 1/7/2018 5 17 0
domingo 1/7/2018 6 17 0
domingo 1/7/2018 7 17 0
40
jueves 19/7/2018 16 31 0
viernes 24/8/2018 20 15 0
jueves 20/9/2018 1 18 0
domingo 30/9/2018 4 23 0
jueves 18/10/2018 9 22 0
domingo 16/12/2018 19 29 0
viernes 24/8/2018 1 19 12
viernes 24/8/2018 2 19 12
domingo 15/7/2018 6 17 13
A partir de la estadística descriptiva se obtienen la desviación estándar la varianza,

mediana y el promedio de los datos a modo de comprobar que los datos tengan un
comportamiento normal y no exista inconsistencias en los mismos, para ello se realiza la
prueba de normalidad consistente en el análisis de los datos y si no presentan una variación
del 0,05 entre los mismos, se asume que no existen valores atípicos. El método de Dixon es
el empleado en el presente trabajo que se detalla en la tabla siguiente.
Tabla 9 Resultado de la prueba de normalidad.
Hipótesis nula Todos los valores de los datos provienen de la misma

población normal
Hipótesis alterna El valor más pequeño o más grande de los datos es un
valor atípico
Nivel de α = 0,05
significancia
Con el método de Dixon se analizan los datos de demanda del alimentador en estudio,
para ello se tiene en cuenta las 24 horas del día correspondiente al mes a ser analizado, de
esta manera se identifica si existe una variación del 5% entre los datos.
Tabla 10 Prueba de dixon [Fuente propia]

Prueba de relación r22 de Dixon
41
Variable N Mín. x[2] x[3] x[N-2] x[N-1] Máx. r22 P
1 24 190,00 195,00 200,00 251,00 270,00 280,00 0,36 0,211
2 24 159,00 167,00 170,00 235,00 240,00 249,00 0,18 1,000
3 24 160,00 160,00 160,00 249,00 270,00 278,00 0,25 0,722
4 24 165,00 167,00 170,00 275,00 280,00 298,00 0,18 1,000
5 24 176,00 180,00 180,00 298,00 306,00 315,00 0,13 1,000
6 24 190,00 193,00 197,00 305,00 306,00 310,00 0,06 1,000
7 24 180,00 193,00 194,00 248,00 270,00 280,00 0,37 0,185
8 24 137,00 155,00 165,00 240,00 250,00 260,00 0,27 0,576
9 24 170,00 170,00 178,00 276,00 281,00 293,00 0,15 1,000
10 24 185,00 190,00 200,00 320,00 336,00 350,00 0,20 1,000
11 24 211,00 223,00 235,00 355,00 358,00 362,00 0,17 1,000
12 24 234,00 246,00 247,00 320,00 330,00 335,00 0,17 1,000
13 24 223,00 230,00 232,00 338,00 340,00 346,00 0,08 1,000
14 24 235,00 250,00 255,00 353,00 360,00 360,00 0,17 1,000
15 24 233,00 245,00 246,00 302,00 320,00 328,00 0,32 0,365
16 24 220,00 225,00 234,00 296,00 297,00 311,00 0,19 1,000
17 24 222,00 228,00 246,00 358,00 360,00 362,00 0,18 1,000
18 24 220,00 233,00 238,00 340,00 346,00 360,00 0,16 1,000
19 24 229,00 248,00 255,00 340,00 340,00 343,00 0,23 0,792
20 24 232,00 235,00 250,00 333,00 344,00 345,00 0,18 1,000
21 24 190,00 208,00 210,00 288,00 300,00 316,00 0,26 0,618
22 24 190,00 195,00 207,00 272,00 280,00 280,00 0,21 0,964
23 24 198,00 200,00 200,00 283,00 290,00 290,00 0,08 1,000
24 24 213,00 218,00 218,00 289,00 320,00 325,00 0,34 0,292
25 24 200,00 210,00 210,00 292,00 300,00 302,00 0,11 1,000
26 24 220,00 221,00 226,00 316,00 330,00 340,00 0,21 0,943
27 24 202,00 204,00 221,00 322,00 328,00 330,00 0,16 1,000
28 24 209,00 219,00 228,00 325,00 333,00 335,00 0,16 1,000
29 24 230,00 235,00 238,00 311,00 315,00 320,00 0,11 1,000
30 24 220,00 220,00 220,00 282,00 286,00 299,00 0,22 0,912
31 24 210,00 220,00 220,00 283,00 303,00 309,00 0,29 0,475
x[i] denota la observación i-ésima más pequeña.
En la figura 17 se puede observar el comportamiento de los datos tratados, sometidos a

una prueba de valores atípicos arrojando como resultado datos mínimos y máximos de las
demandas y la confirmación de la inexistencia de valores atípicos de demanda para el mes en
estudio.
42
* NOTA * No hay valor atípico en el nivel de significancia de 5%
Figura 17 Pruebas de valores atípicos por el método de Dixon correspondiente al día

01/12/2018. [Fuente propia]
Transformación de los datos
Se disponen de hojas de cálculo con los datos de la demanda de alimentadores de

distribución y las temperaturas correspondientes a cada hora, todos los días del año. Como
ejemplo se tiene en cuenta la tabla 6 correspondiente al alimentador PFO2 del al año 2018.
Es preferible aplicar un método de suavizado a los datos de demanda de los
alimentadores, de manera a limpiar alteraciones que no aporten información relevante al
estudio, evitando de esta manera un error en la predicción de la demanda.
En este proyecto, se realiza el suavizado de los datos mediante el comando Smooth data
en Matlab. En la siguiente tabla se puede apreciar de mejor manera el comportamiento de los
datos de demanda reales con respecto a los valores de demandas suavizados.
3.8.2. Coeficientes y valores pronosticados de demanda
Los coeficientes para el modelo matemático son calculados a través del método de
regresión lineal múltiple, este proceso es realizado a través de una herramienta computacional
43
por medio del análisis estadístico de los datos históricos. Conforme a esto obtendríamos la
mejor predicción del modelo de regresión lineal múltiple con valores pronosticados muy
similares a valores reales de demanda.
Para realizar la predicción en total se utilizaron 72 observaciones, que corresponden a cada

una de las 24 horas de cada uno de los dos mismos días anteriores al que se predijo y un día
anterior al que se predijo, es decir, para predecir un día jueves, se utilizarán como datos
muestrales para dicho modelo de jueves, los datos históricos de alimentador correspondientes
a los dos jueves anteriores y un día miércoles anterior al día a predecir.
44
CAPÍTULO IV
RESULTADO Y DISCUSIÓN
4. Resultados y Discusión
demanda con los criterios de seguridad, confiabilidad y calidad. En este capítulo se

demuestran los resultados obtenidos con la predicción, a partir de las recolecciones de datos,
tratamientos de los mismos y la ejecución de la metodología aportando de esta manera un
pronóstico de demanda en los alimentadores para la empresa suministradora de energía
eléctrica y esto para el buen atendimiento de la
Posterior al análisis detenido de los datos históricos y corrección de los mismos, los
resultados arrojados por la regresión lineal múltiple se detallaran más abajo, teniendo en
cuenta el previo análisis de la ecuación de regresión y la asociación de las variables con la
misma, buscando obtener un coeficiente de determinación aproximado a la unidad, ya que la
misma define la bondad de la regresión.
4.1. Puntos obtenidos con la ecuación de regresión lineal múltiple.
A partir de la ecuación de regresión lineal múltiple (21) es realizado la predicción de modo

a calcular el valor predicho de la demanda en amperios hora a hora y de esta manera obtener
los puntos de curva de demanda diaria, para cada día de la semana con los respectivos
coeficientes de la ecuación mencionada más arriba.
Para realizar la predicción en total se utilizaron 72 observaciones, que corresponden a cada
una de las 24 horas de cada uno de los dos mismos días anteriores al que se predijo y un día
anterior al que se predijo, es decir, para predecir un día jueves, se utilizarán como datos
muestrales para dicho modelo de jueves, los datos históricos de alimentador correspondientes
a los dos jueves anteriores y un día miércoles anterior al día a predecir. Los coeficientes para
el modelo matemático son calculados a través del método de regresión lineal múltiple, este
proceso es realizado a través de una herramienta computacional por medio del análisis
estadístico de los datos históricos y los mismos están detallados en la tabla 7
46
Se puede observar en la tabla 8 los resultados arrojados por la regresión lineal múltiple, con
valores pronosticados muy semejantes al valor de demanda real, los coeficientes indican el
incremento de la demanda con respecto a las variables explicativas, excepto la que es la
ordenada en el origen.
Tabla 11 Coeficientes de la ecuación de regresión [Fuente propia].
Lunes
Coeficientes Valores obtenidos
𝑏0 49,17076788
𝑏1 0,449594082
𝑏2 1,440406459
𝑏3 6,824144297
Tabla 12 comparación entre el valor real y predicho correspondiente a un día lunes.
Lunes 15/10/2018
Hora Valor Real (A) Predicción (A)
0 169,55544 178,82951
1 169,55544 172,45496
2 163,58141 172,90455
3 169,55544 173,35415
4 163,58141 173,80374
5 163,58141 174,25334
6 163,58141 174,70293
7 163,58141 175,15252
8 169,55544 189,25041
9 169,55544 203,34829
10 169,55544 210,62203
11 196,94963 211,07162
12 208,25321 211,52122
13 223,36484 225,61910
14 231,82149 226,06869
15 231,82149 219,69414
16 231,82149 220,14374
17 231,82149 206,94504
47
18 223,36484 193,74635
19 208,25321 194,19594
20 208,25321 187,82139
21 196,94963 188,27099
22 196,94963 181,89644
23 184,62857 182,34603
Tabla 13 coeficientes de la ecuación de regresión
Martes
𝑏0 -14,78448218
𝑏1 -0,084665056
𝑏2 -2,191363417
𝑏3 10,41380219
Tabla 14 comparación entre el valor real y predicho correspondiente a un día martes.
Martes 16/10/2018
0 177,14757 170,47259
1 177,14757 170,38793
2 177,14757 159,88946
3 169,55544 170,21860
4 169,55544 159,72013
5 169,55544 159,63547
6 169,55544 159,55080
7 163,58141 159,46614
8 177,14757 169,79527
9 223,36484 169,71061
10 231,82149 169,62594
11 237,53718 200,78268
12 240,53434 211,11182
13 241,20949 221,44096
14 241,20949 231,77010
48
15 255,41945 231,68543
16 255,41945 231,60077
17 249,66675 231,51610
18 241,20949 221,01763
19 237,42060 210,51917
20 237,53718 210,43450
21 243,22291 199,93603
22 243,22291 199,85137
23 231,82149 189,35290
Tabla 15 Coeficientes de la ecuación de regresión.
Miercoles
𝑏0 -19,46090061
𝑏1 -0,050919208
𝑏2 -1,402243969
𝑏3 10,58731732
Tabla 16 comparación entre el valor real y predicho correspondiente a un día miércoles.
Miércoles 17/10/2018
0 169,55544 169,70857
1 169,55544 169,65765
2 163,58141 159,01941
3 169,55544 169,55581
4 163,58141 158,91757
5 163,58141 158,86665
6 163,58141 158,81573
7 163,58141 158,76482
8 169,55544 169,30121
9 169,55544 169,25029
10 169,55544 169,19938
11 196,94963 200,91041
49
12 208,25321 211,44681
13 223,36484 221,98320
14 231,82149 232,51960
15 231,82149 232,46868
16 231,82149 232,41776
17 231,82149 232,36684
18 223,36484 221,72861
19 208,25321 211,09037
20 208,25321 211,03945
21 196,94963 200,40122
22 196,94963 200,35030
23 184,62857 189,71206
Tabla 17 coeficientes de la ecuación de regresión.
Jueves
𝑏0 49,54641326
𝑏1 0,236778294
𝑏2 -7,917750542
𝑏3 8,456730583
Tabla 18 comparación entre el valor real y predicho correspondiente a un día jueves
Jueves 18/10/2018
0 223,36484 215,61759
1 231,82149 215,60124
2 223,36484 215,58489
3 231,82149 206,46896
4 223,36484 206,45261
5 223,36484 206,43626
6 223,36484 206,41990
7 223,36484 215,50313
8 231,82149 215,48678
50
9 231,82149 206,37085
10 231,82149 179,05577
11 223,36484 188,13900
12 231,82149 188,12264
13 231,82149 188,10629
14 231,82149 188,08994
15 223,36484 188,07359
16 231,82149 188,05724
17 237,53718 197,14046
18 243,22291 188,02453
19 231,82149 188,00818
20 231,82149 178,89226
21 223,36484 178,87590
22 223,36484 178,85955
23 223,36484 178,84320
Viernes
𝑏0 55,0442319
𝑏1 -0,513403161
𝑏2 0,31552004
𝑏3 7,002303503
Tabla 20 Comparación entre el valor real y predicho correspondiente a un día viernes.
Viernes 19/10/2018
0 177,14757 183,62058
1 177,14757 183,68926
2 169,55544 176,88346
3 169,55544 176,95214
4 169,55544 177,02083
51
5 163,58141 170,21503
6 169,55544 177,15820
7 177,14757 184,10138
8 177,14757 184,17006
9 184,62857 191,11324
10 208,25321 204,93090
11 231,82149 218,74857
12 237,53718 232,56624
13 237,53718 232,63492
14 237,53718 232,70361
15 237,53718 232,77229
16 237,53718 232,84098
17 237,42060 239,78415
18 237,53718 232,97835
19 243,22291 226,17255
20 223,36484 212,49225
21 208,25321 205,68645
22 208,25321 205,75513
23 208,25321 205,82382
Sábado
𝑏0 -18,75527462
𝑏1 -0,148412201
𝑏2 3,542158376
𝑏3 9,460449149
Tabla 22 comparación entre el valor real y predicho correspondiente a un día sábado.
Sábado 20/10/2018
0 196,94963 178,70405
52
1 184,62857 178,55564
2 184,62857 168,94678
3 184,62857 168,79837
4 177,14757 168,64995
5 169,55544 159,04109
6 169,55544 168,35313
7 177,14757 177,66517
8 208,25321 177,51675
9 223,36484 186,82879
10 243,22291 205,60128
11 237,53718 224,37376
12 237,42060 243,14625
13 240,53434 242,99784
14 241,20949 242,84942
15 249,66675 242,70101
16 241,20949 242,55260
17 249,66675 251,86464
18 241,20949 242,25578
19 237,42060 232,64691
20 243,22291 213,57760
21 231,82149 203,96874
22 223,36484 203,82033
23 208,25321 203,67192
Tabla 23 coeficientes de la ecuación de regresión
Domingo
𝑏0 29,53042271
𝑏1 0,082377679
𝑏2 -0,503453581
𝑏3 7,914025069
53
Tabla 24 comparación entre el valor real y predicho correspondiente a un día domingo.
Domingo 21/10/2018
0 208,25321 192,7042277
1 196,94963 184,8725803
2 184,62857 184,954958
3 196,94963 185,0373356
4 184,62857 177,2056883
5 177,14757 169,3740409
6 169,55544 169,4564185
7 177,14757 177,4528213
8 196,94963 201,2772742
9 223,36484 209,2736769
10 231,82149 225,1841048
11 237,53718 233,1805075
12 237,42060 241,1769102
13 237,42060 249,173313
14 241,20949 257,1697157
15 241,20949 265,1661185
16 241,20949 257,3344711
17 241,20949 265,3308739
18 240,53434 257,4992265
19 237,53718 241,753554
20 243,22291 226,0078815
21 231,82149 218,1762342
22 208,25321 210,3445868
23 196,94963 202,5129394
Posteriormente se exponen los resultados obtenidos de manera gráfica de la curva que

relaciona la demanda del alimentador (A) con respecto al tiempo (h), para las 24 horas del
día a predecir, asimismo el porcentaje de error medio absoluto. La curva de color verde
corresponde a los valores arrojados por la predicción mediante la regresión lineal múltiple y
54
la curva de color azul corresponde a los valores históricos del alimentador en estudio,
abiertamente se puede observar la semejanza entre ambas curvas, por lo tanto la curva
predicha acompaña satisfactoriamente a la curva real.
A continuación están expuestas las curvas de demanda, la real y pronosticada de todos los
días de la semana, considerando en el eje de la ordenada la demanda en ampere con respecto
a cada hora del día en el eje de las abscisas.
Curva de Demanda Real vs Predicha

250,0
Demanda Amperios
200,0
150,0
100,0
50,0
0,0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Demanda Real Pronóstico
Figura 18 Comportamiento del pronóstico de demanda del día lunes 15 de octubre de

2018, alimentador Franco 2.
100,00000% 90,58%
Error Absoluto
80,00000%
0,25
60,00000% 0,2
40,00000% 0,15
7,00492 0,1
20,00000% %
0,05
0,00000%
Error Medio R_cuadrado 0
Absoluto 1 3 5 7 9 11 13 15 17 19 21 23
Figura 19 Modelo arrojado del pronóstico de demanda eléctrica del día lunes 15 de
octubre del 2018, alimentador Franco 2.
55
En la figura 18 se puede apreciar la gráfica que corresponde a un día lunes, se puede
afirmar que la curva predicha acompaña a la curva real. El comportamiento de la demanda es
decreciente desde las 00:00 hs hasta las 02:00 hs con un leve aumento hasta las 03:00 hs
mientras que la curva predicha se mantiene constante hasta las 07:00 hs. Se puede admitir
que la curva predicha comienza a ascender a partir de las 07:00 hs hasta las 12:00 hs para
luego alcanzar su pico máximo a las 14:00 hs con 226 amperes mientras que la real se
mantiene constante hasta las 10:00 hs y posterior a eso alcanza su pico máximo hasta las
17:00 hs, posteriormente ambas curvas decrecen gradualmente hasta alcanzar las 23:00 hs.
La predicción del dia lunes 15 de octubre del 2018 obtuvo un coeficiente de correlación
0,95173 y un coeficiente de determinación múltiple de 0,9058 y un error porcentual absoluto
medio de 7,00492% lo que indica que la predicción realizada se encuentra dentro de los
parámetros para asumir que es efectiva la predicción ya que el coeficiente de determinación
múltiple se aproxima a la unidad.

300,0
250,0
Demanda Amperios
200,0
150,0
100,0
50,0
0,0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Figura 20 Comportamiento del pronóstico de demanda del día martes 16 de octubre de

56
100,00000% 98,67%
90,00000% Error Absoluto
80,00000% 0,080000
70,00000%
0,070000
60,00000%
0,060000
50,00000%
40,00000% 0,050000
30,00000% 0,040000
20,00000% 4,07644 0,030000
10,00000% % 0,020000
0,00000% 0,010000
Error Medio R_cuadrado 0,000000
Absoluto 1 3 5 7 9 11 13 15 17 19 21 23
Figura 21 Modelo arrojado del pronóstico de demanda eléctrica del día martes 16 de
El ajuste de bondad del modelo es bueno, se puede afirmar como tal por el resultado
arrojado con un coeficiente de correlación múltiple del 0,9933 y un coeficiente de
determinación múltiple del 0,9867 (98,67%), siendo el porcentaje de error medio absoluto de
4,07644% arrojado por la metodología por lo que se asume la capacidad de predicción es
efectiva.

250,0
Demanda Amperios
200,0
150,0
100,0
50,0
0,0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Demanda Real Predicción
Figura 22Comportamiento del pronóstico de demanda del día miércoles 17 de octubre

de 2018, alimentador Franco 2.
57
100,00000% 98,68%
80,00000% 0,035
70,00000%
0,03
60,00000%
0,025
50,00000%
40,00000% 0,02
30,00000% 0,015
20,00000% 1,25721 0,01
10,00000% % 0,005
0,00000%
0
Error Medio R_cuadrado
1 3 5 7 9 11 13 15 17 19 21 23
Absoluto
Figura 23Modelo arrojado del pronóstico de demanda eléctrica del día miércoles 17 de
La metodología de predicción obtuvo un coeficiente de correlación múltiple de
0,993378075 y con un coeficiente de determinación múltiple de 0,9868 (98,68%), por lo que
se asume la bondad del ajuste siendo el porcentaje de error medio absoluto de 1,25721% , los
valores de demanda predichos son semejantes a los valores reales y se puede observar el
comportamiento de la curva en la gráfica.
Demanda Real vs Pronóstico

300,00000
250,00000
200,00000
150,00000
100,00000
50,00000
0,00000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Figura 24 Comportamiento del pronóstico de demanda del día jueves 18 de octubre de

58
100,000% 93,45%
90,000%
Error Absoluto
80,000% 0,3
70,000%
0,25
60,000%
50,000% 0,2
40,000% 0,15
30,000%
20,000% 0,1
9,736%
10,000% 0,05
0,000%
0
Error Medio R_cuadrado
0 2 4 6 8 10 12 14 16 18 20 22
Absoluto -0,05
Figura 25 Modelo arrojado del pronóstico de demanda eléctrica del día miércoles 17
de octubre del 2018, alimentador Franco 2.
Se puede afirmar que posee bondad de ajuste del modelo de predicción por el resultado
arrojado, con un coeficiente de correlación múltiple del 0,966695402 y un coeficiente de
determinación múltiple del 0,9345 (93,45%) siendo el porcentaje de error medio absoluto
arrojado por la metodología 9,736% por lo que se asume la capacidad de predicción es
efectiva.

300,0
250,0
200,0
Demanda
150,0
100,0
50,0
0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas
Figura 26 Comportamiento del pronóstico de demanda del día viernes 19 de octubre de

59
100,00000% 93,34%
90,00000%
Error Absoluto
80,00000% 0,08
70,00000% 0,07
60,00000% 0,06
50,00000% 0,05
40,00000%
0,04
30,00000%
0,03
20,00000% 3,16758
10,00000% % 0,02
0,00000% 0,01
Absoluto 1 3 5 7 9 11 13 15 17 19 21 23
Figura 27 Modelo arrojado del pronóstico de demanda eléctrica del día viernes 19 de
El modelo de predicción obtuvo un coeficiente de correlación múltiple de 0,966126286 y
un coeficiente de determinación múltiple de 0,9334 (93,34%) lo que indica que tiene una
buena capacidad de ajuste con un porcentaje de error medio absoluto de 3,16758%. En la
gráfica se puede observar el comportamiento de ambas curvas y se puede afirmar que la curva
predicha acompaña satisfactoriamente a la curva real.

300,0
250,0
Demanda Amperios
200,0
150,0
100,0
50,0
0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas
Figura 28 Comportamiento del pronóstico de demanda del día sábado 20 de octubre de

60
100,00000% 97,37%
90,00000%
Error Absoluto
80,00000% 0,25
70,00000%
60,00000% 0,2
50,00000%
40,00000% 0,15
30,00000%
6,50669 0,1
20,00000% %
10,00000% 0,05
0,00000%
Absoluto 1 3 5 7 9 11 13 15 17 19 21 23
Figura 29 Modelo arrojado del pronóstico de demanda eléctrica del día sábado 20 de
El modelo de predicción obtuvo un coeficiente de correlación múltiple de 0,986762383 y
un coeficiente de determinación múltiple de 0,9737 (97,37%) lo que indica que tiene una
buena capacidad de ajuste que se puede observar en la figura como los valores pronosticados
acompañan satisfactoriamente a los valores reales de demanda y presentando un porcentaje
de error medio absoluto de 6,50669%.
Demanda Real vs Predicha

300,00000
250,00000
Demanda Amperios
200,00000
150,00000
100,00000
50,00000
0,00000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Valor Real (A) Predicción (A)
Figura 30 Comportamiento del pronóstico de demanda del día domingo 21 de octubre

de 2018, alimentador Franco 2.
61
100,000% 92,10%
80,000% 0,1
70,000%
60,000% 0,08
50,000%
40,000% 0,06
30,000%
0,04
20,000%
10,000% 4,448%
0,02
0,000%
Error Relativo R_cuadrado 0
Medio 0 2 4 6 8 10 12 14 16 18 20 22
Figura 31 Modelo arrojado del pronóstico de demanda eléctrica del día domingo 21 de
En la figura 30 se puede apreciar el comportamiento de la curva predicha y la curva real
correspondiente al día 21 de octubre del 2018, a lo largo de la misma se observa un pico de
demanda. Las primeras horas del día la demanda disminuye desde las 00:00 hs hasta las 02:00
hs de la madrugada posteriormente se observa un pequeño aumento de demanda hasta las
03:00 hs alcanzando una carga de aproximadamente 200 amperes, por lo que la curva
pronosticada acompaña el comportamiento de la curva real, de 03:00 hs a 06:00 hs la
demanda decrece para posteriormente ascender desde las 07:00 hs a 15:00 hs, observando en
la gráfica que la curva predicha alcanza un pico de 265 ampres aproximadamente a 23,95
ampere de diferencia con la demanda real. Después de alcanzar el pico de demanda la curva
decrece como se puede apreciar desde las 20:00 hs. El modelo de predicción obtuvo un
coeficiente de correlación múltiple de 0,9596 y un coeficiente de determinación múltiple de
0,9210, lo cual indica que obtiene una bondad de ajuste ajustada siendo el porcentaje de error
medio absoluto de 4,448%.
4.2. Validación de la predicción
En el estudio se utilizaron los datos históricos horarios de la demanda eléctrica, de enero

2018 a diciembre 2018, es decir, 8760 observaciones de la demanda horaria del alimentador
en estudio. Además, la bondad del modelo se puede medir utilizando la medida del error
promedio, tanto el valor R2(Coeficiente de determinación múltiple y MAPE (Mean Absolute
Percentual Error) (ver Capítulo 2).
62
R_cuadrado
DOMINGO 91,8
SÁBADO 97,4
VIERNES 93,3
JUEVES 93,5
MIÉRCOLES 98,7
MARTES 98,7
LUNES 90,6
86,0 88,0 90,0 92,0 94,0 96,0 98,0 100,0
Figura 32 Coeficientes de determinación con mejores resultados.

Los resultados obtenidos son útiles y efectivos para los fines planteados en este trabajo,
con un error relativo medio inferior al 9%, se demostró que el método de regresión lineal
múltiple, puede alcanzar buenos resultados a corto plazo, considerando que los datos deben
poseer las características de regresión necesarias para realizar y obtener un buen
pronóstico.En la tabla 25 aparecen los resultados que validan las predicciones
realizadas.
Tabla 25 Validación de los resultados de predicción.
Error medio
DIAS Porcentaje de error
Absoluto
LUNES 1,7 7,00%
MARTES 2,0 8,45%
MIÉRCOLES 0,3 1,26%
JUEVES 2,3 9,74%
VIERNES 0,8 3,17%
SÁBADO 1,6 6,51%
DOMINGO 1,1 4,45%
Asimismo a través de MAPE se busca medir el grado de bondad de la predicción, en

la siguiente figura se pueden visualizar de forma gráfica los mismos, estos
corresponden a las predicciones realizadas para el mes de octubre del año 2018,
alimentador FCO 2.
63
Porcentaje de Error Medio Absoluto
2,5 2,3
2,0
2,0
1,7
1,6
1,5
1,1
1,0
0,8
0,5 0,3
7,00% 8,45% 9,74% 3,17% 6,51% 4,45%
1,26%
0,0
LUNES MARTES MIÉRCOLES JUEVES VIERNES SÁBADO DOMINGO
Error medio Absoluto Porcentaje de error
Figura 33 Representación gráfica de MAPE

Una vez obtenidas las curvas de cargas estimadas para los 7 días de la semana, el siguiente
paso fue calcular para cada día el valor de MAPE con la ecuación 22, los errores del modelo
se muestran en la tabla 25 y se puede apreciar gráficamente en la figura 33 El mayor error se
produjo en el día jueves con un porcentaje de error medio absoluto de 9,74% y el menor
porcentaje de error medio absoluto el día miércoles con 1,26%. Por otro lado los días que
corresponden a feriados o días festivos presentan un error mayor, esto debido al
comportamiento de la demanda en estos días, teniendo en cuenta que la temperatura también
influye en el pronóstico, es por ello que al momento de realizar la predicción se tiene en
cuenta las condiciones climáticas del día a predecir y de los datos de demanda de las semanas
anteriores. En la Figura 34 se muestran el comportamiento de la curva real y la curva
predicha, para un día 30 de marzo del 2018 del alimentador en estudio, arrojando como
resultado de la predicción un coeficiente de determinación de 37,58%, muy por debajo de lo
esperado y su MAPE nos indica el elevado error que arrojó el pronóstico, siendo este de un
20,15% como se puede apreciar en la figura.
64
Demanda Real vs Pronóstico
300
250
200
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Figura 34 Comportamiento de demanda Real vs Predicha correspondiente a un día 30

de marzo de 2018, alimentador FCO2.
40,00% 37,58%
35,00%
30,00%
25,00%
20,15%
20,00%
15,00%
10,00%
5,00%
0,00%
MAPE R_Cuadrado
Figura 35 Resultados arrojados por la predicción para un día 30 de marzo del año
2018.
65
CAPÍTULO V
CONCLUSIÓN Y RECOMENDACION
1.1. Conclusión
Este trabajo reporta la aplicación del método de regresión lineal múltiple para la predecir
la demanda eléctrica en alimentadores de distribución. Los resultados obtenidos indican que
las variables independientes, como son los días de la semana, las horas del día y las
temperaturas correspondientes, estas últimas influyen satisfactoriamente en la predicción de
la demanda eléctrica, por lo que fue de gran importancia la consideración de los mismos
porque indican que con la aplicación del método regresión múltiple, es posible predecir la
demanda de un alimentador de la ES PFO para el buen atendimiento de la demanda con los
criterios de seguridad, confiabilidad y calidad por lo que se afirma la hipótesis del trabajo de
investigación.
1.2. Recomendación
Para trabajos de investigación futuros:
• Realizar una predicción de demanda de energía eléctrica en transformadores de

potencia utilizando el mismo método estadístico.
• Realizar una predicción de demanda de energía eléctrica en alimentadores de

distribución a mediano y largo plazo.
67
REFERENCIAS BIBLIOGRAFICAS
Referencias
[1] R. Á. Oliveira de Medeiros, Previsão de demanda em sístemas de

distribuição de energia elétrica, João Pessoa, 2016.
[2] «Cigré Paraguay,» 19,29 y 21 Septiembre 2012. [En línea].
Available: https://www.cigre.org.py/index.php/2014-03-19-13-47-
38/blog/category/132-c5-mercado-de-electricidad-y-
regulacion?download=1106:papers-seseps-2000-al-2012.
[3] R. C. Vilcahuamán Sanabria, Ánalisis interactivo gráfico de
sístemas eléctricos de distribución primaria, Santiago, 1993.
[4] S. R. Castaño, Redes de Distribución de Energia Eléctrica,
Manizales, 2009.
[5] A. M. A. Ramirez, Metodos utilizados para el pronóstico de demanda
de energia eléctrica en sistemas de distribución, Pereira, 2013.
[6] F. A. Collaguazo Guachamín, Predicción de la curva de demanda
eléctrica a largo plazo en la S.N.I incluyendo la implementación del
plan nacional de cocción eficiente, Quito, 2016.
[7] E. G. Moya, La demanda residencial de energía eléctrica en la
comunidad de Andalucia, Sevilla, 2003.
[8] J. M. Rojo, Regresión Lineal Múltiple, Madrid, 2007.
[9] B. H. Colin Bayliss, Transmission and distribution electrical
engineering, Elsevier, 2007, pp. 37-52.
[10] I. Britez Fernandez, L. B. Mujica y S. Arce Encina, Predicción de
Carga de un transformador de potencia utilizando red neuronal
artificial, Ciudad del Este, 2015.
[11] «Administración Nacional de Electricidad,» [En línea]. Available:
https://www.ande.gov.py/generacion.php.
69
70
ANEXOS
Anexo A. Datos en planillas
Tabla 26 Datos extraídos de los días de invierno de un alimentador de distribución.
Tipo de
Día Fecha Hora Temperatura Demanda (A)
día
lunes 10/9/2018 0 1 18 152
lunes 10/9/2018 1 1 17 139
lunes 10/9/2018 2 1 16 136
lunes 10/9/2018 3 1 15 138
lunes 10/9/2018 4 1 16 157
lunes 10/9/2018 5 1 15 163
lunes 10/9/2018 6 1 14 160
lunes 10/9/2018 7 1 16 172
lunes 10/9/2018 8 1 20 174
lunes 10/9/2018 9 1 23 189
lunes 10/9/2018 10 1 26 206
lunes 10/9/2018 11 1 28 214
lunes 10/9/2018 12 1 29 190
lunes 10/9/2018 13 1 30 200
lunes 10/9/2018 14 1 31 190
lunes 10/9/2018 15 1 31 200
lunes 10/9/2018 16 1 31 200
lunes 10/9/2018 17 1 29 250
lunes 10/9/2018 18 1 25 269
lunes 10/9/2018 19 1 24 250
lunes 10/9/2018 20 1 22 220
lunes 10/9/2018 21 1 22 199
lunes 10/9/2018 22 1 21 188
lunes 10/9/2018 23 1 18 171
martes 11/9/2018 0 2 18 147
72
martes 11/9/2018 1 2 19 144
martes 11/9/2018 2 2 18 140
martes 11/9/2018 3 2 18 136
martes 11/9/2018 4 2 17 140
martes 11/9/2018 5 2 17 173
martes 11/9/2018 6 2 16 164
martes 11/9/2018 7 2 17 176
martes 11/9/2018 8 2 20 190
martes 11/9/2018 9 2 23 194
martes 11/9/2018 10 2 24 213
martes 11/9/2018 11 2 26 217
martes 11/9/2018 12 2 28 195
martes 11/9/2018 13 2 29 209
martes 11/9/2018 14 2 29 220
martes 11/9/2018 15 2 30 211
martes 11/9/2018 16 2 30 215
martes 11/9/2018 17 2 28 281
martes 11/9/2018 18 2 27 280
martes 11/9/2018 19 2 26 261
martes 11/9/2018 20 2 25 243
martes 11/9/2018 21 2 24 223
martes 11/9/2018 22 2 23 195
martes 11/9/2018 23 2 22 185
miércoles 12/9/2018 0 3 22 166
miércoles 12/9/2018 1 3 21 160
miércoles 12/9/2018 2 3 20 155
miércoles 12/9/2018 3 3 19 155
miércoles 12/9/2018 4 3 18 165
miércoles 12/9/2018 5 3 17 176
miércoles 12/9/2018 6 3 17 167
miércoles 12/9/2018 7 3 18 186
miércoles 12/9/2018 8 3 21 190
miércoles 12/9/2018 9 3 22 200
miércoles 12/9/2018 10 3 24 211
73
miércoles 12/9/2018 11 3 26 223
miércoles 12/9/2018 12 3 27 197
miércoles 12/9/2018 13 3 29 215
miércoles 12/9/2018 14 3 30 213
miércoles 12/9/2018 15 3 31 206
miércoles 12/9/2018 16 3 31 215
miércoles 12/9/2018 17 3 29 272
miércoles 12/9/2018 18 3 26 283
miércoles 12/9/2018 19 3 25 266
miércoles 12/9/2018 20 3 24 253
miércoles 12/9/2018 21 3 23 225
miércoles 12/9/2018 22 3 24 208
miércoles 12/9/2018 23 3 22 192
jueves 13/9/2018 0 4 21 175
jueves 13/9/2018 1 4 20 175
jueves 13/9/2018 2 4 19 175
jueves 13/9/2018 3 4 19 175
jueves 13/9/2018 4 4 18 165
jueves 13/9/2018 5 4 18 180
jueves 13/9/2018 6 4 18 174
jueves 13/9/2018 7 4 19 180
jueves 13/9/2018 8 4 18 177
jueves 13/9/2018 9 4 18 183
jueves 13/9/2018 10 4 17 200
jueves 13/9/2018 11 4 17 202
jueves 13/9/2018 12 4 18 173
jueves 13/9/2018 13 4 18 165
jueves 13/9/2018 14 4 18 170
jueves 13/9/2018 15 4 18 180
jueves 13/9/2018 16 4 18 206
jueves 13/9/2018 17 4 18 244
jueves 13/9/2018 18 4 18 236
jueves 13/9/2018 19 4 18 208
jueves 13/9/2018 20 4 18 186
74
jueves 13/9/2018 21 4 17 165
jueves 13/9/2018 22 4 17 145
jueves 13/9/2018 23 4 17 139
viernes 14/9/2018 0 5 17 135
viernes 14/9/2018 1 5 17 130
viernes 14/9/2018 2 5 16 138
viernes 14/9/2018 3 5 15 140
viernes 14/9/2018 4 5 15 145
viernes 14/9/2018 5 5 16 160
viernes 14/9/2018 6 5 15 160
viernes 14/9/2018 7 5 17 177
viernes 14/9/2018 8 5 18 187
viernes 14/9/2018 9 5 19 190
viernes 14/9/2018 10 5 19 205
viernes 14/9/2018 11 5 22 207
viernes 14/9/2018 12 5 21 180
viernes 14/9/2018 13 5 23 170
viernes 14/9/2018 14 5 24 160
viernes 14/9/2018 15 5 25 170
viernes 14/9/2018 16 5 23 180
viernes 14/9/2018 17 5 23 240
viernes 14/9/2018 18 5 22 240
viernes 14/9/2018 19 5 20 220
viernes 14/9/2018 20 5 20 200
viernes 14/9/2018 21 5 19 179
viernes 14/9/2018 22 5 18 160
viernes 14/9/2018 23 5 17 147
sábado 15/9/2018 0 6 17 140
sábado 15/9/2018 1 6 17 136
sábado 15/9/2018 2 6 17 136
sábado 15/9/2018 3 6 16 133
sábado 15/9/2018 4 6 16 140
sábado 15/9/2018 5 6 16 155
sábado 15/9/2018 6 6 15 168
75
sábado 15/9/2018 7 6 16 176
sábado 15/9/2018 8 6 20 185
sábado 15/9/2018 9 6 23 191
sábado 15/9/2018 10 6 24 203
sábado 15/9/2018 11 6 24 208
sábado 15/9/2018 12 6 27 194
sábado 15/9/2018 13 6 27 180
sábado 15/9/2018 14 6 27 195
sábado 15/9/2018 15 6 27 190
sábado 15/9/2018 16 6 27 195
sábado 15/9/2018 17 6 26 249
sábado 15/9/2018 18 6 23 250
sábado 15/9/2018 19 6 22 235
sábado 15/9/2018 20 6 21 210
sábado 15/9/2018 21 6 20 180
sábado 15/9/2018 22 6 20 169
sábado 15/9/2018 23 6 19 158
domingo 16/9/2018 0 0 18 148
domingo 16/9/2018 1 0 17 145
domingo 16/9/2018 2 0 17 145
domingo 16/9/2018 3 0 16 145
domingo 16/9/2018 4 0 16 141
domingo 16/9/2018 5 0 16 120
domingo 16/9/2018 6 0 17 140
domingo 16/9/2018 7 0 17 150
domingo 16/9/2018 8 0 20 150
domingo 16/9/2018 9 0 20 160
domingo 16/9/2018 10 0 20 180
domingo 16/9/2018 11 0 20 190
domingo 16/9/2018 12 0 21 160
domingo 16/9/2018 13 0 19 153
domingo 16/9/2018 14 0 19 145
domingo 16/9/2018 15 0 18 148
domingo 16/9/2018 16 0 18 170
76
domingo 16/9/2018 17 0 18 213
domingo 16/9/2018 18 0 18 208
domingo 16/9/2018 19 0 17 199
domingo 16/9/2018 20 0 17 178
domingo 16/9/2018 21 0 17 157
domingo 16/9/2018 22 0 18 141
domingo 16/9/2018 23 0 18 134
Tabla 27 Feriados correspondientes al año 2018
Tipo de
Día Fecha Hora Temperatura Demanda (A)
día
lunes 1/1/2018 0 1 26 254
lunes 1/1/2018 1 1 25 255
lunes 1/1/2018 2 1 25 255
lunes 1/1/2018 3 1 25 244
lunes 1/1/2018 4 1 25 240
lunes 1/1/2018 5 1 25 215
lunes 1/1/2018 6 1 25 208
lunes 1/1/2018 7 1 25 206
lunes 1/1/2018 8 1 26 203
lunes 1/1/2018 9 1 27 201
lunes 1/1/2018 10 1 29 204
lunes 1/1/2018 11 1 30 203
lunes 1/1/2018 12 1 31 197
lunes 1/1/2018 13 1 31 200
lunes 1/1/2018 14 1 31 195
lunes 1/1/2018 15 1 30 195
lunes 1/1/2018 16 1 30 180
lunes 1/1/2018 17 1 29 211
lunes 1/1/2018 18 1 28 236
lunes 1/1/2018 19 1 23 252
lunes 1/1/2018 20 1 23 250
lunes 1/1/2018 21 1 22 250
lunes 1/1/2018 22 1 22 244
77
lunes 1/1/2018 23 1 22 233
lunes 26/2/2018 0 1 23 278
lunes 26/2/2018 1 1 23 267
lunes 26/2/2018 2 1 22 255
lunes 26/2/2018 3 1 22 245
lunes 26/2/2018 4 1 22 239
lunes 26/2/2018 5 1 21 207
lunes 26/2/2018 6 1 21 210
lunes 26/2/2018 7 1 23 224
lunes 26/2/2018 8 1 26 236
lunes 26/2/2018 9 1 28 242
lunes 26/2/2018 10 1 31 250
lunes 26/2/2018 11 1 33 258
lunes 26/2/2018 12 1 33 260
lunes 26/2/2018 13 1 34 279
lunes 26/2/2018 14 1 35 287
lunes 26/2/2018 15 1 34 280
lunes 26/2/2018 16 1 34 262
lunes 26/2/2018 17 1 33 257
lunes 26/2/2018 18 1 32 260
lunes 26/2/2018 19 1 28 332
lunes 26/2/2018 20 1 28 346
lunes 26/2/2018 21 1 27 346
lunes 26/2/2018 22 1 26 332
lunes 26/2/2018 23 1 24 293
jueves 29/3/2018 0 4 22 175
jueves 29/3/2018 1 4 22 155
jueves 29/3/2018 2 4 22 149
jueves 29/3/2018 3 4 23 147
jueves 29/3/2018 4 4 22 150
jueves 29/3/2018 5 4 22 159
jueves 29/3/2018 6 4 22 166
jueves 29/3/2018 7 4 22 177
jueves 29/3/2018 8 4 24 183
78
jueves 29/3/2018 9 4 24 207
jueves 29/3/2018 10 4 27 217
jueves 29/3/2018 11 4 27 224
jueves 29/3/2018 12 4 28 213
jueves 29/3/2018 13 4 27 200
jueves 29/3/2018 14 4 24 190
jueves 29/3/2018 15 4 25 180
jueves 29/3/2018 16 4 25 190
jueves 29/3/2018 17 4 25 230
jueves 29/3/2018 18 4 24 240
jueves 29/3/2018 19 4 24 220
jueves 29/3/2018 20 4 23 210
jueves 29/3/2018 21 4 22 203
jueves 29/3/2018 22 4 22 183
jueves 29/3/2018 23 4 22 162
viernes 30/3/2018 0 5 23 178
viernes 30/3/2018 1 5 22 172
viernes 30/3/2018 2 5 22 172
viernes 30/3/2018 3 5 22 172
viernes 30/3/2018 4 5 22 162
viernes 30/3/2018 5 5 22 158
viernes 30/3/2018 6 5 21 153
viernes 30/3/2018 7 5 22 157
viernes 30/3/2018 8 5 24 157
viernes 30/3/2018 9 5 26 162
viernes 30/3/2018 10 5 26 165
viernes 30/3/2018 11 5 27 170
viernes 30/3/2018 12 5 28 170
viernes 30/3/2018 13 5 29 160
viernes 30/3/2018 14 5 29 160
viernes 30/3/2018 15 5 29 160
viernes 30/3/2018 16 5 25 170
viernes 30/3/2018 17 5 24 200
viernes 30/3/2018 18 5 23 210
79
viernes 30/3/2018 19 5 22 200
viernes 30/3/2018 20 5 22 198
viernes 30/3/2018 21 5 22 197
viernes 30/3/2018 22 5 22 188
viernes 30/3/2018 23 5 22 179
domingo 1/4/2018 0 0 21 165
domingo 1/4/2018 1 0 21 159
domingo 1/4/2018 2 0 21 158
domingo 1/4/2018 3 0 21 157
domingo 1/4/2018 4 0 20 156
domingo 1/4/2018 5 0 20 150
domingo 1/4/2018 6 0 19 156
domingo 1/4/2018 7 0 21 167
domingo 1/4/2018 8 0 21 170
domingo 1/4/2018 9 0 22 186
domingo 1/4/2018 10 0 23 195
domingo 1/4/2018 11 0 24 205
domingo 1/4/2018 12 0 25 190
domingo 1/4/2018 13 0 26 180
domingo 1/4/2018 14 0 26 170
domingo 1/4/2018 15 0 26 170
domingo 1/4/2018 16 0 26 180
domingo 1/4/2018 17 0 26 230
domingo 1/4/2018 18 0 24 240
domingo 1/4/2018 19 0 23 240
domingo 1/4/2018 20 0 22 210
domingo 1/4/2018 21 0 22 205
domingo 1/4/2018 22 0 22 192
domingo 1/4/2018 23 0 21 183
martes 1/5/2018 0 2 22 235
martes 1/5/2018 1 2 22 226
martes 1/5/2018 2 2 21 214
martes 1/5/2018 3 2 21 207
martes 1/5/2018 4 2 20 201
80
martes 1/5/2018 5 2 20 193
martes 1/5/2018 6 2 20 185
martes 1/5/2018 7 2 21 190
martes 1/5/2018 8 2 23 203
martes 1/5/2018 9 2 26 206
martes 1/5/2018 10 2 28 222
martes 1/5/2018 11 2 31 225
martes 1/5/2018 12 2 33 207
martes 1/5/2018 13 2 33 210
martes 1/5/2018 14 2 33 210
martes 1/5/2018 15 2 33 210
martes 1/5/2018 16 2 32 200
martes 1/5/2018 17 2 29 280
martes 1/5/2018 18 2 26 290
martes 1/5/2018 19 2 25 290
martes 1/5/2018 20 2 25 280
martes 1/5/2018 21 2 23 273
martes 1/5/2018 22 2 23 255
martes 1/5/2018 23 2 22 237
martes 15/5/2018 0 2 20 159
martes 15/5/2018 1 2 20 158
martes 15/5/2018 2 2 20 158
martes 15/5/2018 3 2 20 155
martes 15/5/2018 4 2 20 155
martes 15/5/2018 5 2 20 151
martes 15/5/2018 6 2 19 163
martes 15/5/2018 7 2 20 167
martes 15/5/2018 8 2 23 168
martes 15/5/2018 9 2 26 180
martes 15/5/2018 10 2 26 197
martes 15/5/2018 11 2 29 190
martes 15/5/2018 12 2 28 174
martes 15/5/2018 13 2 28 191
martes 15/5/2018 14 2 27 161
81
martes 15/5/2018 15 2 19 159
martes 15/5/2018 16 2 19 198
martes 15/5/2018 17 2 19 210
martes 15/5/2018 18 2 19 210
martes 15/5/2018 19 2 20 180
martes 15/5/2018 20 2 19 175
martes 15/5/2018 21 2 19 166
martes 15/5/2018 22 2 19 154
martes 15/5/2018 23 2 18 148
lunes 11/6/2018 0 1 24 135
lunes 11/6/2018 1 1 24 134
lunes 11/6/2018 2 1 24 134
lunes 11/6/2018 3 1 24 134
lunes 11/6/2018 4 1 24 150
lunes 11/6/2018 5 1 24 156
lunes 11/6/2018 6 1 24 157
lunes 11/6/2018 7 1 24 177
lunes 11/6/2018 8 1 24 187
lunes 11/6/2018 9 1 25 206
lunes 11/6/2018 10 1 25 208
lunes 11/6/2018 11 1 25 209
lunes 11/6/2018 12 1 26 186
lunes 11/6/2018 13 1 27 179
lunes 11/6/2018 14 1 27 182
lunes 11/6/2018 15 1 26 182
lunes 11/6/2018 16 1 26 220
lunes 11/6/2018 17 1 25 260
lunes 11/6/2018 18 1 24 251
lunes 11/6/2018 19 1 24 229
lunes 11/6/2018 20 1 24 200
lunes 11/6/2018 21 1 24 186
lunes 11/6/2018 22 1 24 150
lunes 11/6/2018 23 1 23 151
miércoles 15/8/2018 0 3 16 134
82
miércoles 15/8/2018 1 3 16 134
miércoles 15/8/2018 2 3 17 132
miércoles 15/8/2018 3 3 17 120
miércoles 15/8/2018 4 3 17 136
miércoles 15/8/2018 5 3 17 163
miércoles 15/8/2018 6 3 17 165
miércoles 15/8/2018 7 3 17 165
miércoles 15/8/2018 8 3 17 175
miércoles 15/8/2018 9 3 17 184
miércoles 15/8/2018 10 3 18 195
miércoles 15/8/2018 11 3 20 200
miércoles 15/8/2018 12 3 20 174
miércoles 15/8/2018 13 3 22 165
miércoles 15/8/2018 14 3 23 160
miércoles 15/8/2018 15 3 24 160
miércoles 15/8/2018 16 3 24 170
miércoles 15/8/2018 17 3 23 240
miércoles 15/8/2018 18 3 21 230
miércoles 15/8/2018 19 3 19 210
miércoles 15/8/2018 20 3 19 190
miércoles 15/8/2018 21 3 18 165
miércoles 15/8/2018 22 3 17 153
miércoles 15/8/2018 23 3 16 145
sábado 29/9/2018 0 6 22 192
sábado 29/9/2018 1 6 21 181
sábado 29/9/2018 2 6 21 181
sábado 29/9/2018 3 6 21 180
sábado 29/9/2018 4 6 21 178
sábado 29/9/2018 5 6 21 180
sábado 29/9/2018 6 6 21 180
sábado 29/9/2018 7 6 22 196
sábado 29/9/2018 8 6 26 206
sábado 29/9/2018 9 6 27 216
sábado 29/9/2018 10 6 29 233
83
sábado 29/9/2018 11 6 30 243
sábado 29/9/2018 12 6 31 225
sábado 29/9/2018 13 6 32 235
sábado 29/9/2018 14 6 32 235
sábado 29/9/2018 15 6 32 228
sábado 29/9/2018 16 6 31 220
sábado 29/9/2018 17 6 30 260
sábado 29/9/2018 18 6 28 278
sábado 29/9/2018 19 6 26 265
sábado 29/9/2018 20 6 26 250
sábado 29/9/2018 21 6 26 240
sábado 29/9/2018 22 6 25 241
sábado 29/9/2018 23 6 25 229
sábado 8/12/2018 0 6 19 192
sábado 8/12/2018 1 6 18 185
sábado 8/12/2018 2 6 18 178
sábado 8/12/2018 3 6 17 137
sábado 8/12/2018 4 6 16 173
sábado 8/12/2018 5 6 16 155
sábado 8/12/2018 6 6 15 165
sábado 8/12/2018 7 6 16 165
sábado 8/12/2018 8 6 18 176
sábado 8/12/2018 9 6 21 180
sábado 8/12/2018 10 6 24 205
sábado 8/12/2018 11 6 25 207
sábado 8/12/2018 12 6 27 190
sábado 8/12/2018 13 6 28 190
sábado 8/12/2018 14 6 28 200
sábado 8/12/2018 15 6 29 200
sábado 8/12/2018 16 6 30 190
sábado 8/12/2018 17 6 29 190
sábado 8/12/2018 18 6 29 200
sábado 8/12/2018 19 6 27 250
sábado 8/12/2018 20 6 24 260
84
sábado 8/12/2018 21 6 22 240
sábado 8/12/2018 22 6 18 223
sábado 8/12/2018 23 6 18 211
martes 25/12/2018 0 2 24 229
martes 25/12/2018 1 2 24 221
martes 25/12/2018 2 2 23 218
martes 25/12/2018 3 2 23 218
martes 25/12/2018 4 2 23 240
martes 25/12/2018 5 2 22 224
martes 25/12/2018 6 2 22 213
martes 25/12/2018 7 2 23 210
martes 25/12/2018 8 2 25 213
martes 25/12/2018 9 2 26 210
martes 25/12/2018 10 2 27 213
martes 25/12/2018 11 2 28 214
martes 25/12/2018 12 2 30 210
martes 25/12/2018 13 2 31 200
martes 25/12/2018 14 2 26 210
martes 25/12/2018 15 2 29 210
martes 25/12/2018 16 2 27 210
martes 25/12/2018 17 2 27 210
martes 25/12/2018 18 2 25 210
martes 25/12/2018 19 2 25 260
martes 25/12/2018 20 2 25 300
martes 25/12/2018 21 2 24 302
martes 25/12/2018 22 2 24 292
martes 25/12/2018 23 2 23 274
85
GLOSARIO
86
1. Datos históricos: La información histórica es de vital importancia en la proyección
de la demanda de electricidad pues con estos podemos generar patrones de
consumo, analizar su comportamiento año tras año y proyectarlo al futuro.
2.

TFG Pred

Cargado por

Copyright:

Formatos disponibles

TFG Pred

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TFG Pred

Cargado por

Copyright:

Formatos disponibles

Universidad Privada del Este

Predicción de demanda de energía

Por: Liz Aurora Lugo López 1 y

Trabajo Final de Grado presentado a la Facultad de Ciencias y

Realizado bajo la orientación de:

Ing. Luis Carmelo Ramírez Vergara

Ing. Liz Rossana Galeano

Ciudad Presidente Franco, Alto Paraná, Paraguay.

Nosotros, los miembros de la comisión de Trabajo Final de Grado de la Facultad de Ciencias

Figura 1 Sistema Eléctrico de ANDE [2] ......................................................................... 3

Tabla 1 Feriados de Paraguay correspondiente al año 2018 [Fuente propia] ................. 10

El presente trabajo de investigación tiene como objetivo predecir la curva de

Palabras Claves: regresión lineal, curva de demanda, alimentador

Key words: 1. <keyword1>, 2. <keyword2>, 3. <keyword3>.

En la actualidad el consumo de energía eléctrica es de vital importancia para sobrellevar

En el presente trabajo de investigación se emplea el método de regresión lineal múltiple

1.1. Definición del problema

El pronóstico de la demanda de electricidad es una herramienta fundamental para la toma

Su importancia se incrementa en la medida que el cumplimiento de los objetivos trazados

1.2. Delimitación del Trabajo

La predicción de carga de los alimentadores conectados a la EE PFO será de corto plazo

1.3. Preguntas de la investigación

¿Cómo se predice la demanda energética en alimentadores de distribución en 23kv?

● ¿Cuáles son las variables relacionados a la demanda eléctrica en alimentadores de

● ¿Cómo se realiza la predicción de la demanda de los alimentadores de

● ¿Cuál es la precisión del método regresión múltiple elaborado?

Predecir la demanda de la energía eléctrica por medio de la regresión múltiple de

● Realizar un modelo de predicción de la demanda de energía eléctrica de

● Determinar la precisión del modelo de predicción.

Mediante la aplicación del método regresión múltiple, es posible predecir la demanda de

El comportamiento de la demanda de energía eléctrica presenta parámetros característicos

Estimar la demanda no es una tarea sencilla, debido a un gran número de variables

La predicción de la demanda de los alimentadores de distribución, será un importante

El capítulo I está conformado por la introducción, la definición de problemas, delimitación

En el capítulo II se puede apreciar el marco teórico , todos los conceptos relacionados al

El capítulo III consta de la metodología empleada para la realización de la predicción de

El capítulo IV está conformado por los resultados obtenidos con la metodología de

El capítulo V consta de las conclusiones a partir de los resultados obtenidos y las

2.1. Sistema Eléctrico de Potencia

Es el conjunto de centrales generadoras, de líneas de transmisión interconectadas entre sí

Figura 1 Sistema Eléctrico de ANDE [2]

Figura 2 Sistema Interconectado Nacional [3]

El sistema de distribución es bastante importante para el sistema eléctrico, no sólo por el

● Subtransmisión: tiene la función de recibir la energía de las líneas de trasmisión

Generalmente, los alimentadores principales están conformados en todo su recorrido por

Al efectuar el diseño de circuitos primarios que alimentan cargas monofásicas y trifásicas,

Un sistema de distribución primario está compuesto principalmente por:

Un alimentador puede ser seccionado por dispositivos de reconexión, seccionadores

2.1.1. Demanda de energía eléctrica y la curva de carga

Demanda: Es la cantidad de potencia que un consumidor utiliza en un periodo de tiempo.

Demanda o carga máxima: Corresponde a la carga mayor que se presenta en un sistema o

Curva de carga: Es la representación gráfica de cómo varía la carga eléctrica o la demanda

Figura 3 Curva de carga de demanda máxima (Demanda-Tiempo) [2]

2.1.2. Importancia de los pronósticos de la demanda de energía.

La importancia de los pronósticos de la demanda se evidencia en la operación de los

Una correcta predicción de la demanda de energía juega un papel importante, ya que de

Por lo tanto, pronósticos sobreestimados darían lugar a elevados costos de oportunidad,

2.1.3. Predicción de demanda de energía eléctrica