View
232
Download
0
Category
Preview:
Citation preview
MODELO PARA LA PROYECCIÓN DE DEMANDA DE ENERGÍA ELÉCTRICA EN COLOMBIA
MODELO PARA LA PROYECCIÓN DE DEMANDA DE ENERGÍA ELÉCTRICA EN COLOMBIA
Unidad de Planeación Minero EnergéticaUPME
Subdirección de Demanda
Carlos Arturo Garcia Botero
William Alberto Martinez Moreno
Diciembre de 2014
INTRODUCCIÓN
I. Factores como los económicos, sociales y meteorológicos influyensobre la demanda de energía eléctrica (Al-Alawi, Islam., 1996), porlo que la proyección de la demanda en Colombia tiene un papelmuy importante para prever la necesidad de programar laconstrucción de nuevas centrales de generación de energíaeléctrica, la expansión del sistema de transmisión de energía ydeterminar las políticas para la regulación de los precios.
II. Para la construcción del modelo de proyección de la demanda deenergía eléctrica se emplea la teoría de combinación depronósticos y variables predictoras con error, propuesta por ElkinCastaño V., Elkin (1994).
INTRODUCCIÓN
ESTUDIOS INTERNACIONALESAUSTRALIA INDIA
NUEVA ZELANDA
ESTADOS UNIDOSREINO UNIDO
OHIO WASHINGTON
VARIABLES
Demanda de electricidad
industrial
Consumo de energía per
cápita.
Consumo de electricidad doméstica
Demanda de electricidad
Demanda de electricidad por hogar
Demanda de electricidad
Demanda de electricidad
PIB per cápita. Consumo de
electricidad no doméstica
Actividad económica
Demanda de electricidad
Efecto calendario
Demografía Importaciones. Consumo total de electricidad
Efecto calendario
Ingreso personal real
por hogar
Iluminación efectiva
Economía Exportaciones. PIB PIBIngreso real
personalNubosidad
Efecto calendario
Población. PoblaciónPoblación en
un áreaPrecio real de la electricidad
Poder de enfriamiento
de viento
Efectos de la temperatura
(temperaturas Melbourne y temperaturas
Frankston)
Precio de la electricidad
Precio de gasnatural anual
Precio real del gas natural
Temperatura
Principales cargas
industriales
Precio de venta
promedio anual de
electricidad
Velocidad del viento
AUTORFAN, SHU., AND
HYNDMAN, ROB J. (2013).
S. SARAVANAN, S. KANNAN,
and C. THANGARAJ.
(2012)
ZAID MOHAMED,
PAT BODGER. (2005)
PIELOWA, AMY.,
SIOSHANSIA, RAMTEEN., and
ROBERTSB, MATTHEW C.
(2012)
JORGENSEN, JASON B., and JOUTZ, FRED.
(2012)
TAYLOR, JAMES W. and BUIZZA,
ROBERTO. (2003)
ESTUDIOS COLOMBIA
VARIABLES
Factor de cambio
Demanda acumulada
Demanda horaria de
electricidad -
Regional
Comportamiento de la demanda
de la UCP (Unidad de Control de
Pronóstico) de EPSA
Consumo horario de energía en
el Municipio de Pereira
Demanda horaria de
electricidad
Demanda mensual de electricidad
Demanda mensual de electricidad
Demanda horaria de
electricidad
Mes de aumento en la
demanda
Mes de disminución de
la demanda
Tarifa promedio de la energía
Instalaciones domiciliarias de
gas
Consumo de ACPM
Consumo de gas natural
Efecto calendario
Efecto calendario - filtros por tipo de
día
Temperatura superficial del
mar “Niño”
Importaciones
Exportaciones
PIB
Demanda mensual de
energía
AUTORMEDINA, S.; GARCÍA, J.
(2005).
BARRIENTOS, A.F.; OLAYA,
J.; GONZÁLEZ, V.M. (2007).
VALENCIA, A.L.; LOZANO, C.A.; MORENO, C.A.
(2007)
MURILLO, J.; TREJOS, A.; CARVAJAL, P. (2003).
CASTAÑO V., ELKIN.
(2007).
VELÁSQUEZ, J.D.;
FRANCO, C.J.;
GARCÍA, H.A. (2009).
FRANCO, C.J.;
VELÁSQUEZ, J.D.; OLAYA,
Y. (2008).
SARMIENTO, H.; VILLA, W.
(2008).
Fuentes: RUEDA M., VIVIANA, “Predicción del consumo de energía en Colombia con modelos no lineales”.
Universidad Nacional de Colombia. Tesis de Maestría. Medellín, Colombia. Páginas: 1
– 75. 2011.
UPME, 2014.
Fuente: UPME, 2014.
CRECIMIENTO ANUAL DE LAS VARIABLES DEL MODELO
3,16%
5,35%
1,16%
-2,77%
-8,00%
-6,00%
-4,00%
-2,00%
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
ma
r.-9
5
ag
o.-
95
en
e.-
96
jun
.-9
6
no
v.-
96
ab
r.-9
7
sep
.-9
7
feb
.-9
8
jul.-9
8
dic
.-98
ma
y.-
99
oc
t.-9
9
ma
r.-0
0
ag
o.-
00
en
e.-
01
jun
.-0
1
no
v.-
01
ab
r.-0
2
sep
.-0
2
feb
.-0
3
jul.-0
3
dic
.-03
ma
y.-
04
oc
t.-0
4
ma
r.-0
5
ag
o.-
05
en
e.-
06
jun
.-0
6
no
v.-
06
ab
r.-0
7
sep
.-0
7
feb
.-0
8
jul.-0
8
dic
.-08
ma
y.-
09
oc
t.-0
9
ma
r.-1
0
ag
o.-
10
en
e.-
11
jun
.-1
1
no
v.-
11
ab
r.-1
2
sep
.-1
2
feb
.-1
3
jul.-1
3
dic
.-13
CRECIMIENTO ANUAL
DEMANDA DE ENERGÍA ELÉCTRICA PIB TOTAL POBLACIÓN TEMPERATURA
DEFINICIONES (I)
Un modelo VAR es un modelo de ecuaciones simultáneas formadopor un sistema de ecuaciones de forma reducida sin restringir. Quesean ecuaciones de forma reducida quiere decir que los valorescontemporáneos de las variables del modelo no aparecen comovariables explicativas en las distintas ecuaciones. El conjunto devariables explicativas de cada ecuación esta constituido por unbloque de retardos de cada una de las variables del modelo. Quesean ecuaciones no restringidas significa que aparece en cada unade ellas el mismo grupo de variables explicativas.
En un modelo VAR todas las variables son tratadas simétricamente,siendo explicadas por el pasado de todas ellas. El modelo tienentantas ecuaciones como variables, y los valores retardados de todaslas ecuaciones aparecen como variables explicativas en todas lasecuaciones. Una vez estimado el modelo, puede procederse aexcluir algunas variables explicativas, en función de su significanciaestadística, pero hay razones para no hacerlo.
Fuente: Novales, Alfonso, “Modelos vectoriales autorregresivos (VAR)”,Universidad de Complutence, Madrid, España, 2013, pp: 1- 34.
DEFINICIONES (II)
Un modelo de Vector de Corrección del Error (VEC) es unmodelo VAR restringido (habitualmente con sólo dos variables)que tiene restricciones de cointegración incluidas en suespecificación, por lo que se diseña para ser utilizado con seriesque no son estacionarias pero de las que se sabe que soncointegradas.
Fuentes: Gujarati, Damodar N., “Econometría”, Cuarta Edición, Parte II y Parte I,. Capítulos 13.1 a 13.9, y 18.1 a 18.4, Editorial Mc Graw
Hill. México, 2004, pp: 507 – 539 y 717 – 728.
Pérez López, C., “Econometría. Conceptos y Problemas resueltos de Econometría”, Capitulo 4, Madrid, España. 2006. ISNB:84-
9732-376-9.
METODOLOGÍA PARA LAS PROYECCIONES DE DEMANDA DE EE : COMBINACIÓN DE PRONÓSTICOS
Para reducir el error y el sesgo sistemático, se utilizará el Métodode combinación de pronósticos de diferentes modelos. Coneste objetivo se consideraron tres modelos que predicen lademanda de energía eléctrica en Colombia, los cuales sonmodelos multivariados (VAR y VEC). Los modelos empleadosfueron un modelo VAR endógeno y VAR exógeno, y un modeloVEC endógeno con la variable temperatura exógena.
Fuente: CASTAÑO V., ELKIN. Revista Lecturas de Economía No. 41. “Combinación de pronósticos y variables predictoras con error”. 1994.
Páginas 59 – 80.
METODOLOGÍA PARA LAS PROYECCIONES DE DEMANDA DE EE :Para los modelos VAR se estimó con las diferencias logarítmicasde las series, las cuales requerían que fueran estacionarias, porlo tanto se realizó la Prueba de Raíz Unitaria - Phillips - Perron(PP); la cual cumplió satisfactoriamente.
Por otra parte, para el Modelo VEC se estimó con los logaritmosde las series, en donde debía existir entre las variables unacombinación lineal de las mismas, por lo tanto se realizó laPrueba de Cointegración de Johansen, cumpliendo tambiénsatisfactoriamente dicha prueba.
Y en general para todos los modelos se realizó la prueba deselección de orden de rezagos, obteniendo en cada uno deellos el número de rezagos idóneo.
MODELO VAR
∆𝑙𝑛𝐷𝐸𝐸𝑡 = 𝑓(∆𝑙𝑛𝐷𝐸𝐸𝑡−𝑘 , ∆𝑙𝑛𝑃𝐼𝐵𝑇𝑜𝑡𝑎𝑙𝑡−𝑘, ∆𝑙𝑛𝑃𝑂𝐵𝑡−𝑘 , ∆𝑙𝑛𝑇𝐸𝑀𝑃𝑡−𝑘 , 𝐶𝑡𝑒)
MODELO VEC
∆𝑙𝑛𝐷𝐸𝐸𝑡 = 𝑓(∆𝑙𝑛𝐷𝐸𝐸𝑡−𝑘 , ∆𝑙𝑛𝑃𝐼𝐵𝑇𝑜𝑡𝑎𝑙𝑡−𝑘, ∆𝑙𝑛𝑃𝑂𝐵𝑡−𝑘 , 𝑇𝐸𝑀𝑃𝑡 , 𝐷𝑢𝑚𝑚𝑦𝑡 , 𝐶𝑡𝑒𝑀,𝐶𝐸 𝑙𝑛𝐷𝐸𝐸𝑡−1, 𝑙𝑛𝑃𝐼𝐵𝑇𝑜𝑡𝑎𝑙𝑡−1, 𝑙𝑛𝑃𝑂𝐵𝑡−1, ∆𝑇𝑟𝑒𝑛𝑑, 𝐶𝑡𝑒𝑐𝑒 )
ABREVIATURA
Demanda de Energía Eléctrica : DEE
PIB Total : PIBTotal
Población : POB
Temperatura Media : TEMP
Corrección del error : CE
METODOLOGÍA PARA LAS PROYECCIONES DE DEMANDA DE EE : ANÁLISIS ERRORES Y SESGO SISTEMÁTICO
Error Promedio Porcentual:
𝐴𝑃𝐸 =1
𝑛
𝑡=1
𝑛
100 ∗ (𝑃𝑡 − 𝐴𝑡𝐴𝑡
)
Error Cuadrático Medio:
𝑀𝑆𝐸 =1
𝑛
𝑡=1
𝑛
100 ∗ (𝑃𝑡 − 𝐴𝑡𝐴𝑡−1
)2 =1
𝑛
𝑡=1
𝑛
(𝑝𝑡 − 𝑎𝑡)2
Error Promedio Absoluto:
𝐴𝐴𝐸 =1
𝑛
𝑡=1
𝑛
𝐴𝑡 − 𝑃𝑡
donde,
𝑝𝑡 =𝑃𝑡 − 𝐴𝑡−1𝐴𝑡−1
𝑎𝑡 =𝐴𝑡 − 𝐴𝑡−1𝐴𝑡−1
B = Sesgo = (𝑝 − 𝑎)
𝑀𝑆𝐸
2
M = 𝑀𝑜𝑑𝑒𝑙𝑜 =(𝑆𝑝 − 𝑟𝑆𝑎)
2
𝑀𝑆𝐸
R = 𝐴𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜 = (1 − 𝑟2) ∗ 𝑆𝑎
2
𝑀𝑆𝐸)
Siendo P el valor proyectado y A el valor real histórico.
Donde Sp es la desviación estándar de la población de p, rson los coeficientes de correlación entre P y A, y Sa es ladesviación estándar de a.
Fuente: CONSIDINE, TIMOTHY J. & CLEMENTE, FRANK A. (2007). “Gas-Market Forecast: BETTING ON BAD NUMBERS”.
RESULTADOS
PROYECCIONES DEL MERCADO DE ENERGÍA ELÉCTRICA EN COLOMBIA (I)
VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO
APE 0.16% -0.10% 3.40% 0.65%
AAE 155.97 151.54 485.42 139.43
MSE 0.019% 0.017% 0.135% 0.016%
MSE VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO
Sesgo (B) 0.21% 1.62% 88.80% 23.51%
Modelo (M) 31.56% 17.03% 1.50% 26.45%
Aleatorio (R) 68.23% 81.36% 9.71% 50.04%
12.500
13.000
13.500
14.000
14.500
15.000
15.500
16.000
16.500
GW
h
Mes - Año
Comportamiento de los modelos con respecto al histórico
Histórico VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO Lineal (Histórico)
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO
Mes - Año Proyecciones UPME
% de Participación de las Componentes del Error Medio Cuadrático
Sesgo (B) Modelo (M) Aleatorio (R)
PROYECCIONES DEL MERCADO DE ENERGÍA ELÉCTRICA EN COLOMBIA (II)
Sea, B = Sesgo
M = ModeloR = Aleatorio
MSE (B, M, R) │ {B, M, R ϵ IR (0, 1)
B + M + R = 1}.
Max MSER │MSEOptimo < MSE(VAR Endógeno, VAR Exógeno, VEC)
donde,
Se obtuvo como resultado empleandola ecuación, que el modelo VARendógeno se le asigna unaparticipación del 20%, el modelo VARexógeno un 60% y el modelo VEC un20%. Además, dichas participacionescoinciden con asignadas por medio decriterio experto.
0,99 <(εM(VAR Endógeno, VAR Exógeno, VEC) – εMOptimo)2
< 1,01 (εB(VAR Endógeno, VAR Exógeno, VEC) – εBOptimo)2
CONCLUSIONESI. Se desarrolló un modelo que estadísticamente es robusto,
permitiendo combinar de manera óptima los resultados de lasproyecciones generados por distintos modelos. Conjuntamente,se utiliza el análisis comparativo de las proyecciones de cada unode los modelos para evaluar los Errores y el Sesgo Sistemático.
II. Los componentes del error MSE permiten analizar aquellascondiciones donde los valores de las proyecciones del modelosobrestiman o subestiman las condiciones de la demanda deenergía eléctrica. Una de las técnicas, como el método deevaluación de pronósticos empleado por la EIA es un muy buenreferente para analizar el desempeño de los modelos.
III. Los métodos empleados para la proyección de la demanda deenergía eléctrica dependen de los datos, tales como la mismademanda, el PIB, la población y la temperatura. Este modeloproporciona un insumo de planeación energética novedoso ycambia los paradigmas tradicionales de proyección enColombia.
WWW.UPME.GOV.CO
CARLOS.GARCIA@UPME.GOV.CO
WILLIAM.MARTINEZ@UPME.GOV.CO
SÍGANOS EN TWITTER:
@UPMEOFICIAL
@CARLOSGARCIAB0
GRACIAS
Recommended