Análisis exploratorio entre modelos matemáticos predictivos, aplicados a la producción de energía mediante series temporales
Main Article Content
Resumo
Introducción: la energía en los actuales momentos se puede considerar como un elemento esencial en la vida de las personas, así como en el desarrollo y progreso de los países, el sector energético se constituye como estratégico debido a que permite el funcionamiento y operabilidad de los diferentes sectores se puede afirmar que la energía es indispensable en la sociedad moderna. El pronosticar o inferir que va a suceder a futuro, permite tomar decisiones oportunas y anticiparse a los acontecimientos, es así como se vuelve trascendente el conocer la producción del sector energético a futuro, además, se pueden utilizar estas predicciones como elementos de partida para generar documentos como planificaciones energéticas a mediano y largo plazo. Objetivos: realizar un estudio exploratorio de las mejores técnicas que podrían asistir la predicción en la producción de energía primaria en Ecuador, para evaluar la eficiencia de ajuste a corto plazo mediante series temporales univariantes. Metodología: en el trabajo investigativo se pudo realizar un estudio exploratorio de cuatro modelos predictivos en el sector energético de Ecuador, mediante dos técnicas, ARIMA y suavización exponencial Holt, que permitieron una aproximación confiable de predicción en la producción de energía primaria a corto plazo, en tres años hasta 2022, mediante series temporales univariantes. En cuanto a la parte metodológica empleada para cumplir los objetivos, se inició con la obtención de la serie histórica proporcionada por el Ministerio de Recursos Renovables y Energía en el documento técnico denominado Balance Energético Nacional 2019, se procesaron los datos y determinaron outliers mediante el criterio de Chauvenet, una vez determinada la base de datos para el análisis, se aplicó la metodología Box-Jenkins para la obtención de modelos ARIMA y Holt. Resultados: el modelo que mejor se ajusta a las bondades de predicción de los analizados es el Modelo_a ARIMA (1,1,0) cuya expresión es: , además, se estimó que la producción de energía primaria para el año 2022 en Ecuador, podría ser de kilo barriles equivalentes de petróleo , con una fluctuación superior e inferior en el intervalo de . Conclusiones: se puede afirmar de acuerdo con los datos obtenidos que los modelos predictivos hallados son estrictamente autorregresivos es decir que son métodos iterativos explícitos, puesto que determinan el valor de en dependencia con el anterior resultado , en el cual no intervienen los residuos de los errores, esto indica que no interviene la componente de medias móviles. La predicción con los tres primeros modelos a, b, c resultaron con un comportamiento creciente y con el modelo h se mantenía constante.
Downloads
Article Details
Referências
Balance Energético Nacional. (2019). Ministerio de recursos renovables y energía. https://www.recursosyenergia.gob.ec/wp-content/uploads/2020/12/Balance-Energetico-Nacional-2019-1.pdf
Barrios, R., Castañeda, M., Pedraza, C., Vásquez, J. D. H., & Ibañez, I. (2016). Eliminación de outliers: una estrategia para reducir la incertidumbre tipo a en la calibración de balanzas. In Simposio de metrología.
del Pino, Mateo. (2009). Previsión de ventas en una gran cadena de tiendas (Master's thesis, Universitat Politécnica de Catalunya).
Espino Timón, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones de este-herramientas Open Source que permiten su uso.
García Corona, J. (2020). Una visión didáctica de modelos predictivos para una serie de demanda eléctrica en España.
González Casimiro, M. P. (2009). Análisis de series temporales: Modelos ARIMA.
Gujarati, D., & Porter, D. (2010). Econometría. 673-773, ISBN: 978-607-15-0294-0.
Herrera Granda, D. E. (2019). Predicción de demanda eléctrica mediante la aplicación de modelos ARIMA y SARIMA en lenguaje de programación R–caso de estudio en la Empresa Eléctrica Quito (Bachelor's thesis, Quito, 2019.).
Marqués, M. P. (2015). Minería de datos: a través de ejemplos. Alpha Editorial.
Mauricio, J. A. (2007). Análisis de series temporales. Universidad Complutence de Madrid.
Millán Gordo, E. A. (2019). Pronóstico de la demanda de pasajeros aéreos en nueve aeropuertos regionales colombianos.
Peña, D. M. (2010). Análisis de series temporales. Editorial Alianza.
Pineda, S. E. P., Aguilar, J. A. H., & Arroyo-Figueroa, G. (2017). Aplicación de modelos auto regresivos para la predicción de generación de energía eléctrica a partir de datos eólicos. Res. Comput. Sci., 139, 59-70.
Sánchez Sánchez, D. A. (2018). Modelo ARIMA para el pronóstico de la producción de cacao en el Perú 2012-2018.