Artículo Académico / Academic Article
Recibido: 01-10-2018, Aprobado tras revisión: 14-01-2019
Forma sugerida de citación: Suntaxi, G.; Salazar, Y.; Loor, R. (2019). “Pronóstico de la demanda en energía y potencia del Sistema
Eléctrico Quito”. Revista Técnica “energía”. No. 15, Issue II, Pp. 12-21
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2019 Operador Nacional de Electricidad, CENACE
Forecast of the energy and power demand of the Quito Electric System
Pronóstico de la demanda en energía y potencia del Sistema Eléctrico Quito
G. Suntaxi
1
Y. Salazar Méndez
2
R. Loor
3
1
Ingeniero en Ciencias Económicas y Financieras, Facultad de Ciencias – Escuela Politécnica Nacional,
Quito – Ecuador
E-mail: jgabrielsuntaxi@hotmail.com
2
Profesora del Departamento de Economía Cuantitativa, Facultad de Ciencias – Escuela Politécnica
Nacional, Quito – Ecuador.
E-mail: yasmin.salazar@epn.edu.ec
3
Ingeniero Eléctrico, Empresa Eléctrica Quito, Quito – Ecuador.
E-mail: rloor@eeq.com.ec
Abstract
For the Empresa Electrica Quito, identify the future
behavior of its energy demand variables constitutes a
fundamental action, because, from this, the company
plans its investment in electrical infrastructure. To
meet for this problem, this study aims to forecast the
demand for energy and power of the Sistema
Eléctrico Quito in the medium term. For this, a
predictive model based on the Box-Jenkins
methodology is developed. The results obtained show
that the structures proposed to model the power and
energy demand series (supply and billing) have a
better adjustment than the deterministic model
actually used by the company.
Keywords Demand in Power and Energy, Sistema
Eléctrico Quito, Box-Jenkins Methodology.
Resumen
Para la Empresa Eléctrica Quito identificar el
comportamiento futuro de sus variables de demanda
de energía constituye una acción fundamental, ya
que, a partir de esta, la empresa planifica su
inversión en infraestructura eléctrica. Para atender
a esta problemática, el presente estudio tiene como
objetivo pronosticar la demanda en energía y
potencia del Sistema Eléctrico Quito en el mediano
plazo. Para esto, se desarrolla un modelo predictivo
fundamentado en la metodología Box-Jenkins. Los
resultados obtenidos muestran que las estructuras
propuestas para modelar las series de demanda en
potencia y energía (suministro y facturación) tienen
un mejor ajuste que el modelo determinista utilizado
actualmente por la empresa.
Palabras clave Demanda en Potencia y Energía,
Sistema Eléctrico Quito, Metodología Box-Jenkins.
12
Revista Técnica “energía”, Edición No. 15, Issue II, Enero 2019
1. INTRODUCCIÓN
La estructura y el tamaño de un sistema energético
está determinado por dos componentes: la oferta y la
demanda de energía. La oferta energética se relaciona
con los procesos de generación, es decir, la extracción o
utilización de recursos para generar energía eléctrica.
Por su parte, la demanda se relaciona con los servicios
que proporciona la energía (transporte, comunicación,
etc.). Además, la demanda de energía se relaciona con la
adquisición de bienes consumidores de energía [1].
A partir de la identificación de los elementos del
sistema energético se puede inferir el nexo de la energía
con la economía. Esta relación no es reciente y ha atraído
la atención de los economistas originando una rama de
estudio exclusiva para su análisis, la Economía de la
Energía. Entre los aspectos más analizados en la
economía energética está el papel de la energía en el
crecimiento económico. En [2] se señala que, desde la
Revolución Industrial, el uso intensivo de energía se ha
convertido en un elemento inherente del crecimiento
económico, creando una relación directa con la
acumulación de capital y los cambios estructurales de la
oferta tecnológica. Esta relación ha permitido que la
función de producción de las economías se vea
influenciada por la disponibilidad de recursos
energéticos. Con respecto a los cambios estructurales de
la oferta tecnológica, en [3] se argumenta que el
crecimiento económico puede darse de manera intensiva
a través del mejoramiento de la productividad marginal
de recursos físicos, laborales o naturales con base en
constantes innovaciones tecnológicas. Las innovaciones
tecnológicas desde el punto de vista fabril permiten
describir el escenario en el cual los recursos energéticos
coadyuvan en el desarrollo tecnológico; y este a su vez
interviene en el aumento del nivel de producción con la
incorporación de nuevas máquinas en el proceso
productivo. Cuando este último aumenta, la demanda en
energía también lo hace en formas de mayor consumo de
bienes y servicios que utilizan alguna fuente de energía.
Todos estos elementos, interactúan entre sí en todas las
fases del proceso económico, permitiendo identificar la
estrecha relación entre la tecnología, el crecimiento de la
actividad económica y la disponibilidad de recursos
energéticos. Estos elementos conjuntamente constituyen
la denominada “matriz energética" y caracterizan el
nivel de oferta y demanda de las economías [4].
El Ecuador, en los últimos años ha impulsado el
cambio de su matriz energética, cuya estructura se
compone principalmente de la dotación y utilización de
fuentes de energía primaria. En este proceso de
transformaciones tanto la actividad económica como la
transición energética se adscriben a un escenario de
incertidumbre con relación al comportamiento futuro de
la demanda de energía. Específicamente, en el Plan
Maestro de Electrificación (2013) se menciona que la
proyección de demanda futura de energía constituye una
acción primaria, básica y esencial de las empresas que
conforman el sistema eléctrico nacional" (p.21). De esta
forma, el contar con una metodología de pronósticos
adecuada constituye una tarea prioritaria para la
Empresa Eléctrica Quito (EEQ), pues debe responder de
forma efectiva y eficiente al proceso de transformación
energética propuesto por el gobierno ecuatoriano.
En la actualidad, la EEQ realiza sus pronósticos de
demanda en energía y potencia utilizando herramientas
deterministas. Sin embargo, esta metodología se ve
limitada en la posibilidad de incorporar características
propias de las series de demanda en energía, como son:
tendencia, cambio estructural o estacionalidad.
Adicionalmente, en Chávez et. al. (1998) mencionan
que los modelos de ecuación determinista presentan un
error porcentual medio de 3,1% en comparación con los
pronósticos de los modelos ARIMA que tienen el 1,6%
de error porcentual medio.
Los análisis relacionados con el pronóstico de la
demanda de energía toman en consideración dos
enfoques metodológicos principalmente. En primer
lugar, aparecen aquellas metodologías multivariadas, es
decir de aquellas que intentan explicar la relación de la
demanda de energía con variables del sector real de la
economía, como el PIB. Entre estas metodologías se
puede mencionar al modelo de corrección de errores y al
modelo de vectores autorregresivos. Por otro lado, el
segundo enfoque se concentra en metodologías
univariadas, mismas que pronostican el valor futuro de
la demanda de energía en función de sus valores
pasados. Entre estas metodologías se puede mencionar:
el suavizamiento exponencial y los modelos
autorregresivos integrados de media móvil (metodología
de Box-Jenkins).
En este contexto, el presente artículo tiene como
objetivo pronosticar la demanda en potencia, suministro
y facturación de energía eléctrica utilizando la
metodología Box-Jenkins, a fin de caracterizar de
manera integral el comportamiento histórico de las
series de demanda en energía y potencia de la EEQ.
A pesar de que la literatura ha centrado su atención
en la utilización de metodologías multivariadas, este
estudio se ve limitado en la posibilidad de considerar
este tipo de metodologías dado que las mediciones de las
variables del sector real de la economía ecuatoriana no
están disponibles para el nivel geográfico y temporal
sobre el cual se distribuyen las variables de demanda de
potencia y energía del Sistema Eléctrico Quito SEQ.
2. DATOS Y METODOLOGÍA
2.1. Datos
Los datos utilizados en este análisis fueron
proporcionados por la EEQ, los mismos se desprenden
de los registros de las entregas de potencia y energía en
los puntos de conexión con el Sistema Nacional
Interconectado (SNT), más la generación propia y los
autogeneradores que abastecen la demanda de energía y
13
Suntaxi et al. / Pronóstico de la demanda en energía y potencia del Sistema Eléctrico Quito
potencia del sistema [5]. En función de los objetivos
planteados se consideran tres tipos de variables con
relación a la demanda del SEQ, estas son: potencia,
suministro y facturación por grupo de consumo.
La potencia se define como la cantidad de energía
entregada o absorbida por un elemento en un instante de
tiempo [6]. Esta variable cuenta con registros mensuales
comprendidos en el periodo de enero de 1983 a
diciembre de 2016. Esta variable es tomada en el instante
en que se registra el mayor nivel de demanda en potencia
del SEQ. Con relación a la demanda en energía, se han
considerado dos tipos de variables: suministro y
facturación de energía eléctrica. En el primer caso, el
suministro es la cantidad de energía eléctrica entregada
al usuario final. Esta variable cuenta con registros
mensuales que van desde enero de 1983 hasta diciembre
de 2016. Por otro lado, la facturación es la cantidad de
energía eléctrica que es consumida por los usuarios
finales. Para esta variable se dispone de registros anuales
que comprenden el periodo de 1966 a 2016 y los datos
se encuentran agrupados por sectores de consumo, estos
son: residencial, comercial, industrial y otros.
2.2. Metodología
En [7] se menciona que la mayor parte de variables
económicas exhiben tendencias, cambios estructurales o
variaciones estacionales. Con el objetivo de modelar
estos comportamientos, Box y Jenkins (1976)
desarrollaron los modelos autorregresivos integrados de
medias móviles (ARIMA) para encontrar a través de una
metodología secuencial e iterativa el mejor ajuste para
los datos de series de tiempo no estacionarias. En el caso
de series con raíces unitarias estacionales la metodología
se extiende a SARIMA (p, d, q) (P, D, Q)s. Las
especificaciones de los modelos ARIMA y SARIMA en
función del operador de rezagos son, respectivamente:
𝜙
𝑝
(
𝐵
)(
1 − 𝐵
)
𝑑
𝑌
𝑡
= 𝜃
𝑞
(
𝐵
)
𝜀
𝑡
(1)
𝜙
𝑝
(
𝐵
)
Φ
𝑃
(
𝐵
)(
1 − 𝐵
)
𝑑
(
1 − 𝐵
𝑠
)
𝐷
𝑌
𝑡
= (2)
𝜃
𝑞
(
𝐵
)
Θ
𝑄
(
𝐵
𝑠
)
𝜀
𝑡
Donde: 𝜙
𝑝
(
𝐵
)
𝑦 𝜃
𝑞
(
𝐵
)
son los polinomios de
retardos asociados a la parte autorregresiva y de media
móvil, respectivamente.
(
1 − 𝐵
)
𝑑
𝑌
𝑡
representa la d-
ésima diferencia de 𝑌
𝑡
. Los subíndices p y q denotan el
número de términos autorregresivos y de media móvil
especificados en el modelo ARIMA (p, d, q). los
polinomios Φ
𝑃
(
𝐵
)
y Θ
𝑄
(
𝐵
)
son los polinomios de
retardos asociados a la parte estacional autorregresiva y
de media móvil, respectivamente. Los subíndices P y Q
denotan el número de términos autorregresivos y de
media móvil de la parte estacional. Además,
(
1 − 𝐵
𝑠
)
𝐷
representa la diferencia de la parte estacional. D y d
representan el orden de las diferencias estacional y
regular, respectivamente. El subíndice s representa el
número de intervalos o periodos regulares temporales de
los datos en un año.
A continuación se describe cinco fases secuenciales
en la metodología, estas son [8]:
Diferenciar la serie en la parte regular y estacional
hasta alcanzar la estacionariedad. En [9] se sugiere que
para determinar el grado de homogeneidad de d, es
necesario observar la distribución de la función de
autocorrelación de la serie. En un proceso SARIMA, es
necesario, además, determinar el grado de
homogeneidad D. Los autores sugieren contrastar la
evidencia gráfica de los correlogramas, las pruebas
estadísticas de Dickey-Fuller y Canova-Hansen para
raíces unitarias regulares y estacionales,
respectivamente.
Identificar uno o más modelo tentativos. En [10]
menciona que las principales herramientas para esta
etapa son: la función de autocorrelación simple (FAS), y
la función de autocorrelación parcial (FAP). En
consecuencia, es posible determinar el orden p, q y P, Q
asociados a la parte regular y estacional,
respectivamente. En un proceso ARIMA (p, d, q),
mientras que en [11] recomienda identificar el
comportamiento y los valores significativos tanto en la
FAS como en la FAP; así por ejemplo, si la serie se
ajusta a un proceso autorregresivo AR(p), la FAS
presentará un decrecimiento exponencial a cero,
mientras que la FAP tendrá picos significativos en todos
los rezagos p. Los valores de la FAP en 𝒌 > 𝒑 caen a
cero abruptamente. Por el contrario, cuando la serie se
ajusta a un proceso de media móvil MA (q) la FAS
presentará picos significativos en todos los rezagos 𝒌 ≤
𝒒 mientras que la FAP presentará palos que decrecen
exponencialmente a cero. Por último, si la serie se ajuste
a un proceso ARMA (p, q) tanto la FAS como la FAP
presentarán un decrecimiento exponencial con picos que
caen abruptamente a cero en 𝒌 > 𝒒 para la FAS y 𝒌 > 𝒑
para la FAP. Cuando se evidencia que la serie presenta
características estacionales, los datos se pueden ajustar a
un proceso SARIMA (p, d, q) (P, D, Q)s. En
consecuencia, es necesario distinguir, además, los
elementos de la parte estacional. La interacción entre la
parte estacional y la parte regular se distingue en los
rezagos s, 2s, 3s, etc. En este sentido, en [12] se
menciona que si la parte regular sigue un proceso de
media móvil los retardos s - 1 y s + 1, 2s - 1 y 2s + 1,
etc., serán significativos. Por otro lado, si la parte regular
se ajusta a un proceso autorregresivo los rezagos
distribuidos a cada lado de los rezagos estacionales
presentarán un decrecimiento exponencial. Si los datos
se ajustan a un proceso estacional autorregresivo
SAR(P), los rezagos s, 2s, 3s, etc., de la FAS decrecerán
exponencialmente, mientras que en la FAP se observará
un corte abrupto en el rezago 𝒌 = 𝑷, con 𝑷 =
𝒔, 𝟐𝒔, 𝟑𝒔, … De igual manera, si los datos se ajustan a un
proceso estacional de media móvil SMA(Q), la FAP
decrecerá exponencialmente, mientras que la FAS
presentará un corte abrupto en el rezago 𝒌 = 𝑸 con Q=
𝒔, 𝟐𝒔, 𝟑𝒔, … En conclusión, el comportamiento de la
14
Revista Técnica “energía”, Edición No. 15, Issue II, Enero 2019
parte regular se puede observar en los rezagos bajos
(𝒌 < 𝒔), mientras que la parte estacional se observa en
los rezagos altos 𝒌 = 𝒔, 𝟐𝒔, 𝟑𝒔, … Por otra parte se
sugiere combinar la identificación de la estructura
regular y estacional para especificar un modelo tentativo
general [13].
Estimar los parámetros del modelo tentativo. Según
[11], el enfoque de Mínimos Cuadrados (MC) puede ser
considerado si se conoce de antemano que los residuos
del modelo se distribuyen normalmente, y en este caso,
las estimaciones por MC similares a las estimaciones
obtenidas por máxima verosimilitud.
Verificar si el modelo es el adecuado. En esta fase se
realiza una diagnosis sobre la adecuación estadística del
modelo. Con relación a la distribución de los residuos, y
en [14] se señala que en el diagnóstico del modelo se
deben realizar pruebas estadísticas con relación a la
estacionariedad e independencia de los residuos, con el
objetivo de verificar que los residuos se distribuyen
como ruido blanco.
Usar el modelo seleccionado para el pronóstico. Por
último en [9], mencionan que el objetivo del pronóstico
es predecir valores futuros de una serie de tiempo sujeta
al menor error posible.
2.2.1 Descripción de las variables
En la Tabla 1 se muestran las estadísticas
descriptivas de las variables de estudio. Como
consecuencia del comportamiento creciente de las
variables, su valor mínimo y máximo se encuentra en los
primeros y últimos meses de observación,
respectivamente:
Tabla 1: Estadísticos descriptivos para las variables de
estudio
Demanda Máxima de Potencia (DMP)
En la Fig. 1 se muestran los datos históricos de la
serie DMP, distribuidos en el horizonte temporal que va
desde enero de 1983 a diciembre de 2016.
Figura 1: Demanda de Potencia Máxima del SEQ (MW),
1983-2016
En la Fig. 2 se observa de manera separada la
descomposición de la serie DMP (MW), 1983-2016. En
primer lugar, la descomposición estacional permite
describir de manera general el patrón estacional
observado a lo largo de la serie. De esta forma, se
evidencia que el nivel de demanda máxima de potencia
empieza a disminuir a partir del mes de enero, hasta
llegar a su pico más bajo en el mes de agosto. Desde el
mes de septiembre la serie empieza a crecer hasta
alcanzar su pico más alto en diciembre.
Figura 2: Descomposición de la serie DMP (MW), 1983-2016
Suministro de Energía Eléctrica (SEE)
En la Fig. 3 se muestra el comportamiento histórico
de la cantidad mensual de energía eléctrica entregada al
SEQ, periodo, enero de 1983 a diciembre de 2016.
Estadísti
co
DM
P
SEE
FEE
Residen
cial
FEE
Comer
cial
FEE
Industr
ial
FEE
Otros
Observac
iones
408
408
51
51
51
51
Valores
Perdidos
0
0
0
0
0
0
Mínimo
178,
80
74.922
,10
60.621,
13
19.377
,86
35.410,
98
26.997
,73
1er
Cuartil
288,
87
129.38
9,50
250.875
,07
71.273
,81
166.062
,93
68.931
,97
Mediana
438,
56
196.72
2,65
556.409
,42
184.36
8,29
364.200
,94
169.61
6,29
Promedio
440,
71
204.25
5,92
638.660
,27
301.46
8,17
420.887
,48
200.17
6,45
3er
Cuartil
580,
81
268.83
2,49
918.689
,99
473.09
0,47
606.117
,39
295.37
6,21
Máximo
740,
00
362.77
0,14
1.573.2
16,81
903.04
3,00
1.049.4
30,41
532.90
3,94
Desviaci
ón
Estándar
167,
45
82.726
,91
445.792
,97
284.02
2,39
302.231
,30
142.40
5,92
15
Suntaxi et al. / Pronóstico de la demanda en energía y potencia del Sistema Eléctrico Quito
Figura 3: Suministro de Energía Eléctrica al SEQ (MWh)
El patrón estacional observado en la serie SEE es
más notorio que el observado en la serie de demanda
máxima de potencia. Esta característica se observa en el
diagrama de estacionalidad de la serie presentado en la
Fig. 4. Se evidencia que en el mes de febrero el
suministro de energía eléctrica cae con relación a los
meses de enero y marzo. Este hecho podría está
relacionado con el menor número de días que presenta
este mes. Posteriormente, la serie se mantiene
relativamente estable hasta el mes de septiembre. En el
mes de octubre se vuelve a evidenciar un crecimiento en
el suministro de energía eléctrica y, a partir de este mes,
la tendencia anual de crecimiento se vuelve a estabilizar.
Figura 4: Descomposición de la serie SEE (MWh), 1983-2016
Facturación de Energía Eléctrica (FEE)
La Fig. 5 presenta los datos históricos de la cantidad
de energía eléctrica consumida por los usuarios finales
por sector de consumo: residencial, comercial, industrial
y otros. Los datos para estas variables tienen una
periodicidad anual, las mismas que comprenden el
periodo de 1966 a 2016.
Figura 5: FEE por grupo de consumo (MWh), 1966-2016
Con relación a la serie FEE Residencial, se evidencia
un crecimiento constante, a excepción del periodo 1999-
2000; comportamiento asociado al shock aleatorio
derivado de la crisis económica de los años en mención.
Para la serie FEE Comercial, se observa una tendencia
creciente, sin la presencia de intervalos de amplitud
regular. Así mismo, la serie FEE Industrial presenta un
comportamiento creciente parecido a las series antes
descritas. La particularidad más relevante de la serie se
observa en los últimos años, en donde se evidencia un
decrecimiento en la facturación de energía eléctrica,
comportamiento que estaría asociado a la salida de
clientes regulados. Por último, la serie FEE Otros,
exhibe una tendencia de crecimiento constante, la misma
que intensifica a partir del año 2010.
3. RESULTADOS Y DISCUSIÓN
3.1. Demanda Máxima de Potencia
Los p-valores de las pruebas estadísticas de Dickey-
Fuller, Phillips-Perron y Canova-Hansen, realizadas
para contrastar la presencia de raíces unitarias en la parte
regular y estacional, no permite rechazar la hipótesis
nula de no presencia de raíces unitarias, por lo tanto, se
puede concluir que la serie DMP es un proceso
estocástico no estacionario con raíces unitarias regulares
y estacionales. De este modo, para modelar la serie se
debe recurrir a un modelo SARIMA (p, d, q) (P, D, Q)
12
.
Una vez diferenciada la serie se especifica el modelo
SARIMA a través de la identificación de los procesos
AR(p), MA(q), SAR(P) o SMA(Q). En la Tabla 2 se
presentan los modelos SARIMA propuestos para
modelar la serie DMP.
Tabla 2: Identificación de las estructuras SARIMA (p, d, q)
(P, D, Q)
1
, para la serie DMP
16
Revista Técnica “energía”, Edición No. 15, Issue II, Enero 2019
Continuando con las fases de la metodología Box-
Jenkins, en la Tabla 3 se presentan las estimaciones de
los modelos especificados. Con base al análisis de los
criterios de información de Akaike (AIC) y Bayesiano
(BIC), así como las medidas de error y la significancia
de los coeficientes, los métodos de selección
paramétricos AIC y BIC, y las medidas: error porcentual
absoluto medio (MAPE), error medio absoluto (MAE) y
error medio (ME), se selecciona el modelo SARIMA (0,
1, 3) (0, 1, 1)
12
para modelar el comportamiento de la
serie DMP.
Tabla 3: Estimación de los modelos SARIMA para la serie
DMP
El siguiente paso en la metodología Box-Jenkins
consiste en analizar si la distribución de los residuos es
de ruido blanco; para el modelo 2 esta condición es
confirmada tanto por el correlograma, pues los valores
se encuentran acotados en los límites de significancia, y
por los resultados de la prueba de Dickey-Fuller. En la
Fig. 6 se muestra el ajuste del modelo SARIMA (0, 1, 3)
(0, 1, 1)
12
, a los datos históricos de la serie. En primera
instancia, se observa que no existen mayores desfases
entre los datos ajustados y los observados. En
consecuencia, se evidencia que el modelo especificado
caracteriza de manera adecuada el comportamiento
histórico de la serie DMP.
Figura 6: Ajuste del Modelo SARIMA (0, 1, 3) (0, 1, 1)
12
En la Tabla 4 se muestra el pronóstico de la demanda
máxima de potencia para los años 2018 y 2019, para tres
escenarios.
Tabla 4: Pronóstico de la serie DMP para los años 2018 y 2019
3.2. Suministro de Energía Eléctrica
A partir de los resultados de las pruebas Dickey-
Fuller y Canova-Hansen se verifica que la serie SEE es
un proceso estocástico no estacionario. De igual manera
como se procedió para la serie DMP, se obtuvieron los
modelos SARIMA que se presentan en la Tabla 5.
Tabla 5: Identificación de las estructuras SARIMA (p, d, q)
(P, D, Q)
1
, para la serie SEE
En la Tabla 6 se muestran las estimaciones de los
modelos especificados en la fase de identificación. Del
análisis de los resultados obtenidos y mostrados en la
misma tabla, el modelo SARIMA (2, 1, 0) (0, 1, 2)
12
se
escoge para modelar el comportamiento del suministro
de energía eléctrica al SEQ.
17
Suntaxi et al. / Pronóstico de la demanda en energía y potencia del Sistema Eléctrico Quito
En la Fig. 7 se muestra el ajuste del modelo SARIMA
(2, 1, 0) (0, 1, 2)
12
a los datos históricos de la serie SEE.
Figura 7: Ajuste del Modelo SARIMA (2; 1; 0) (0; 1; 2)12
Tabla 6: Estimación de los modelos SARIMA (p, d, q) (P, D,
Q)
1
, para la serie SEE
En la Tabla 7 se muestra el análisis comparativo de
las medidas de error entre el modelo propuesto y el
modelo utilizado en la actualidad por la EEQ. Se observa
que las tres medidas de error son más bajas para el
modelo SARIMA (2, 1, 0) (0, 1, 2)
12
, mostrando que este
modelo se ajusta de mejor manera en comparación con
el modelo determinista de la EEQ.
Tabla 7: Contraste de las medidas de error de pronóstico
para los datos del 2017 del suministro energía eléctrica
En la Tabla 8 se muestra el pronóstico de la serie SEE
para los años 2018 y 2019.
Tabla 8: Pronóstico de la serie SEE para los años 2018 y 2019
3.3. Facturación de Energía Eléctrica (FEE)
Los p-valores de las pruebas Dickey-Fuller
realizadas para las cuatro series de facturación de
energía eléctrica, cercanos a uno sugieren que las series
FEE Residencial, FEE Comercial, FEE Industrial y FEE
Otros, son no estacionarias. Los modelos propuestos
para la serie FEE para los grupos de consumo se
muestran en las tablas Tabla 9, Tabla 10, Tabla 11 y
Tabla 12.
Tabla 9: Identificación de las estructuras ARIMA (p, d,
q) para la serie FEE Residencial
Tabla 10: Identificación de las estructuras ARIMA (p, d,
q) para la serie FEE Comercial
Tabla 11: Identificación de las estructuras ARIMA (p, d,
q) para la serie FEE Industrial
18
Revista Técnica “energía”, Edición No. 15, Issue II, Enero 2019
Tabla 12: Identificación de las estructuras ARIMA (p, d,
q) para la serie FEE Otros dos veces diferenciada
En la Tabla 13, se muestran los modelos ARIMA
para la series de facturación de energía eléctrica.
Tabla 13: Estimación de los modelos ARIMA para la series
de facturación de energía eléctrica.
En la Tabla 14, se muestra el pronóstico de las series
de facturación de energía eléctrica para el periodo 2017-
2022.
Tabla 14: Pronóstico de la serie FEE por grupos de consumo
para el periodo 2017-2022 (MWh)
3.4. Discusión metodológica
Dada la importancia de la energía eléctrica en el
crecimiento económico y en el desarrollo social de un
país, ha existido un gran interés por desarrollar técnicas
que permitan mejorar el pronóstico de variables de
demanda de energía. Así, la literatura distingue métodos
econométricos, técnicas de inteligencia artificial y
minería de datos, entre otros, [15], [16].
En el presente artículo, el pronóstico de las variables
de demanda en energía y potencia de la EEQ fue
realizado utilizando métodos econométricos. El objetivo
de la econometría va más allá de la simple aplicación de
estadísticas a los datos y, entre otras ventajas, se
distingue porque permite confrontar situaciones
particulares que se presentan en los datos y
caracterizarlos de forma de obtener patrones predecibles
que inclusive incorporan tendencias, estacionalidad y
ciclos [17]. Estos métodos permiten la modelización a
través de la identificación de relaciones entre una
variable, denominada de interés, y otras variables,
denominadas de control (ibid). Como fue mencionado en
la sección introductoria, la decisión de modelizar a las
variables analizadas en este artículo utilizando una
metodología univariada radica en la no disponibilidad de
variables que podrían actuar como variables de control
(crecimiento poblacional, riqueza, ingreso, tecnología,
etc.), específicos para el área de concesión de la EEQ.
Finalmente, es importante mencionar que la
modelización econométrica fue implementada en R, lo
que permitirá a la EEQ la obtención permanente de
pronósticos actualizados.
4. CONCLUSIONES Y RECOMENDACIONES
Conocer cuál será el comportamiento futuro de sus
variables de demanda le permitirá a la EEQ asignar de
manera óptima sus recursos monetarios a fin de
potencializar sus procesos de cadena de valor. Frente a
esto, el presente artículo tiene por objetivo pronosticar
19
Suntaxi et al. / Pronóstico de la demanda en energía y potencia del Sistema Eléctrico Quito
en el mediano plazo, a través de la aplicación de la
metodología Box-Jenkins, la demanda máxima en
potencia, así como, la demanda de energía de suministro
y facturación por grupo de consumo del Sistema
Eléctrico Quito.
A partir del pronóstico de la demanda en potencia se
concluye que la serie mantendrá el crecimiento
desacelerado observado en los últimos dos años. De este
modo, se espera que en el mediano plazo la demanda en
potencia tenga un crecimiento del 0,46% respecto del
año 2017. Por el contrario, para la demanda de energía
de suministro se prevé una recuperación en el ritmo de
crecimiento, es así que a diciembre del año 2019 se
espera que la variable se incremente en 3,77% respecto
del 2017. Por otro lado, las variables de demanda de
energía de facturación, mantendrán sus características
estocásticas observadas en los últimos dos años. En el
caso particular del grupo Industrial, se espera una
disminución transitoria de 42,04% respecto del año
2017. Esta característica obedece principalmente al
shock provocado por la salida de clientes regulados.
Trabajos futuros podrían considerar la modelización
utilizando técnicas de inteligencia artificial o minería de
datos.
AGRADECIMIENTOS
Agradecemos a la Empresa Eléctrica Quito por
proveernos los datos utilizados en este artículo.
REFERENCIAS BIBLIOGRÁFICAS
[1]
F. Lescaroux, "Dynamics of final sectoral
energy demand and aggregate energy,"
Energy Policy, vol. 39, nº 1, p. 66–82, 2011.
[2]
J. Barreto Carlos and Campo Robledo,
"Relación a largo plazo entre consumo de
energía y pib en américa latina: Una
evaluación empírica con datos panel," Ecos de
Economía, vol. 16, nº 35, p. 73–89, 2012.
[3]
M. Castillo, "Política económica:
Crecimiento económico, desarrollo
económico, desarrollo sostenible," Revista
Internacional del Mundo Económico y del
Derecho, vol. 3, p. 1–12, 2011.
[4]
G. Fontaine, "The eff ects of governance
modes on the energy matrix of Andean
countries," Energy policy, vol. 39, nº 5, p.
2888–2898, 2011.
[5]
EEQSA, "Plan Estratégico 2014-2023," 2015.
[6]
ARCONEL, "Estadística del Sector Eléctrico
Ecuatoriano," EX-CONELEC, 2016.
[7]
W. H. Greene, Econometric analysis, Pearson
Education India, 2003.
[8]
G. a. V. J. y. A. A. Maddala, Introducción a la
Econometría, 1996.
[9]
R. R. D. a. A. J. Pindyck, Econometría
modelos y pronósticos., McGraw-Hill, 2001.
[10]
D. N. Gujarati, Econometría, McGraw-Hill,
1992.
[11]
A. Pankratz, "Forecasting with univariate Box
Jenkins models Concepts and cases," John
Wiley, vol. 224, 2009.
[12]
F. Parra, Econometría Aplicada II., 2009.
[13]
B. O. R. a. K. A. Bowerman, Forecasting,
Time Series, and Regression An Applied
Approach. Duxbury advanced series in
statistics and decision, Thomson Brooks,
2005.
[14]
P. J. a. D. R. A. Brockwell, Introduction to
time series and forecasting, 2016.
[15]
S. Jebaraj and S. Iniyan, "A review of energy
models," Reneweable and Sustainable Energy
Reviews, vol. 10, p. 281 – 311, 2006.
[16]
S. Bhattacharyya, and G. Timilsina, "A
review of energy system models,"
International Journal of Energy Sector
Management, vol. 4 (4), p. 494 – 518, 2010.
[17]
F. X. Diebold, F.X., Econometrics,
Department of Economics, University of
Pennsylvania, 2016.
20
Revista Técnica “energía”, Edición No. 15, Issue II, Enero 2019
José Suntaxi Recalde.-
Ingeniero en Ciencias
Económicas y Financieras -
Facultad de Ciencias de la
Escuela Politécnica Nacional.
En lo laboral, ha desarrollado
algoritmos en lenguaje R para el
análisis integral de cartera de
créditos. Además, ha realizado
análisis de datos con
metodologías de estadística multivariante y modelos
comportamentales con sustento en técnicas
econométricas para la gestión del deterioro de cartera de
créditos.
Yasmín Salazar Méndez.-
Ingeniera Matemática por la
Escuela Politécnica Nacional,
2002. Estudió una maestría en
Ingeniería de Producción en la
Universidad Federal Fluminense,
Rio de Janeiro, Brasil en 2008. En
2015 concluyó sus estudios de doctorado en Economía
en la misma universidad. Actualmente es profesora de
Econometría en el Departamento de Economía
Cuantitativa de la Facultad de Ciencias de la Escuela
Politécnica Nacional. Sus investigaciones se concentran
en econometría y economía del bienestar.
Rosanna Loor Toro.- Ingeniera
Eléctrica por la Escuela Politécnica
Nacional, 2005. En 2015 concluyó
sus estudios de magíster en
Eficiencia Energética en la misma
universidad. Sus investigaciones se
concentran en planificación de
sistemas de potencia en
subtransmisión y distribución, y metodologías de
proyección de la demanda de energía eléctrica.
21
