Ponentes
Descripción
Las redes del Sistema Interconectado Nacional abarcan un conjunto de líneas y subestaciones, incluyendo sus equipos asociados, que transportan la energía desde las plantas de generación a las subestaciones de transformación y finalmente al consumidor final. La planificación de su operación debe asegurar un suministro de energía suficiente y de bajo costo, teniendo en cuenta diversos aspectos y factores. Es posible afirmar en base a esto, que la demanda de potencia a nivel global en el país condiciona directamente la contratación de potencia a las centrales eléctricas, que abarcaría la mayor parte del costo operativo de la ANDE. Teniendo en cuenta el campo y el ámbito en el que se profundizará, existen trabajos realizados con anterioridad que incursionaron en el diseño de modelos para predicción de demanda energética, el método a utilizar en este trabajo será el de pronóstico de
múltiples horizontes, mediante series temporales y Machine Learning, cuya función es predecir múltiples pasos en el futuro permitiendo al usuario acceso a información durante un periodo de tiempo a diferencia de las predicciones de un punto por paso. De forma más específica, el modelo con el que se trabajará será una red TFT. Su diseño se realizará utilizando softwares de carácter open-source, en un entorno de Python con sus respectivas librerías específicas para Machine Learning, teniendo en cuenta también otras arquitecturas como soporte, además de utilizar como un constante respaldo otros métodos estadísticos junto con los datos históricos existentes del SIN.
Resultados
(Resultados preliminares en base a gráficos y comparación de métricas)
Introducción
La ANDE tiene como una de sus prioridades principales la de satisfacer de forma adecuada las necesidades de energía eléctrica del país, teniendo en cuenta la previsión de la demanda de consumo eléctrico a nivel nacional. Diversos modelos de previsión de carga fueron utilizados previamente para la predicción de demanda eléctrica. Se establece que no existe un consenso que determine el uso particular de un modelo o método por encima de otro, suele ser resultado de las métricas de desempeño para seleccionar el mejor modelo. Además, el estudio y aplicación de redes neuronales se ha convertido en una atracción para los investigadores del área, ya que han sido utilizadas para predicción de tareas que incluyen el pronóstico de carga a corto plazo en microrredes. En 2017 se introduce la arquitectura Transformer implementando mecanismos de atención que son utilizados para determinar la importancia o peso de una palabra durante el proceso de traducción a otro idioma. La misma tiene una variante que se puede aplicar a la predicción de series temporales, denominada arquitectura Temporal Fusion Transformer. Esta última será tomada como línea de base para la realización de este trabajo.
Objetivo
Diseñar un modelo inteligente TFT (Temporal Fusion Transformer)
para la predicción horaria a corto plazo de la demanda eléctrica
nacional.
| Area | Ingenierías, Matemáticas y Física |
|---|
