Modelo estructural de espacio de estado para la demanda diaria promedio de energía eléctrica en la República Argentina

Abstract

El Mercado Eléctrico Mayorista (MEN) en la Argentina está regulado por ley. Según la normativa vigente, el MEN es el ámbito donde se encuentran en tiempo real la oferta y la demanda de energía eléctrica de la República Argentina. Todos los generadores de energía deben ser agentes del MEN, así como el resto de las empresas que interactúan en el mercado, con la única excepción de los consumos pequeños. Estos agentes entregan toda la información que se requiere para la base de datos del sistema a la Compañía Administradora del Mercado Mayorista Eléctrico (Cammesa), que es el ente que construye dicha base de datos y que lo pone a disposición de dichos agentes. Más del 90% de la demanda de energía eléctrica de la República Argentina es abastecida por el MEN, siendo Cammesa la que se encarga de determinar las centrales que entrarán en funcionamiento, además de cumplir algunas funciones de fiscalización. Uno de los principales objetivos de un sistema eléctrico es el de abastecer el mercado de energía eléctrica con el menor número de interrupciones manteniendo la calidad de la energía ofrecida. Por lo tanto es de gran importancia contar con un sistema eficiente de previsión de carga. Por tal motivo en este trabajo se intenta encontrar un modelo parsimonioso para: a) describir el comportamiento de la serie de demanda diaria promedio de energía eléctrica en la República Argentina y b) realizar pronósticos a corto plazo. Para ello, se aborda la modelación mediante el enfoque estructural de los modelos de espacio de estado. La principal dificultad que presenta modelar series de tiempo diarias es el ajuste del componente estacional, debido a que se presentan dos tipos de estacionalidad: i) la semanal y ii) la anual. En el caso i) para modelar es suficiente un modelo estructural básico, donde el componente estacional se modela por términos trigonométricos o con variables "dummy". En cambio cuando se considera ii), el problema es mucho más complejo porque los modelos tradicionales requerirían un número muy grande de parámetros, no cumpliendo el principio de parsimonia. Para solucionar este problema se proponen modelos estructurales de series de tiempo (Harvey y Koopman, 1993; Harvey, Koopman y Riani, 1996), que pueden ser interpretados como regresiones sobre funciones de tiempo en las cuales los parámetros varían, lo que permite tratar patrones estacionales que varían en forma compleja. Cuando se ajusta un modelo conveniente, el componente estacional se puede estimar por algún algoritmo de suavizado. En otras palabras un componente determinístico se puede generalizar en tal forma que se vuelva estocástico. Para el tratamiento de la estacionalidad anual, una técnica recomendada es la de "spline"(Poirier, 1973), por ser muy simple de implementar y porque permite que un 1 IITAE, Facultad de Ciencias Económicas y Estadística, Universidad Nacional de Rosario. 2 INIE, Facultad de Ciencias Económicas, Universidad Nacional de Tucumán. 2 efecto no lineal se transforme en una regresión lineal múltiple, facilitando la estimación. Además, es posible trabajar con "splines" periódicas y realizar restricciones que aseguren que los pronósticos del componente estacional sobre un año sumen cero, en esta forma se asegura que no exista confusión entre el componente de tendencia y el de estacionalidad. En algunos casos es conveniente adicionar al modelo una o varias variables explicativas relacionadas con el fenómeno en estudio. En este caso se incluye la serie temperatura diaria promedio, para ayudar a explicar el comportamiento de la demanda diaria promedio de energía. Una vez que se formula el modelo, es relativamente directo el manejo estadístico mediante la forma de espacio de estado. La característica de espacio de estado para modelar un sistema sobre el tiempo es que incorpora dos procesos estocásticos diferentes. En uno, la distribución de los datos en cada punto en el tiempo se especifica condicional a un conjunto de parámetros indexados por el tiempo. Un segundo proceso describe la evolución de los parámetros sobre el tiempo. En resumen, realizar pronósticos de series de tiempo diarias es una tarea dificultosa que se debe desarrollar en forma permanente, es decir a diario. La característica dominante de muchas de series de tiempo diarias es que el patrón estacional cambia persistentemente sobre el tiempo. La modelación por espacio de estado con sus técnicas de estimación recursivas y su correspondiente metodología estadística es un método atractivo para abordar el problema mencionado. Los modelos propuestos en este trabajo para modelar series diarias fueron utilizados anteriormente por Harvey y Koopman (1993), para predecir la serie por hora de demanda de electricidad de la compañía Puget Sound Power and Light (EEUU) y por Gordon, (1996), para modelizar las series diarias de demanda de energía de tres compañías LIGHT, CEMIG y COPEL (Brasil). En ambos trabajos se obtuvieron resultados satisfactorios de ajuste y predicción, lo que alentó a probar una metodología similar para el análisis de la serie de demanda diaria promedio de energía en la República Argentina, suministrada por la Compañía Administradora del Mercado Mayorista Eléctrico (CAMMESA).