Artículo Académico / Academic Paper
Recibido: 04-04-2021, Aprobado tras revisión: 23-07-2021
Forma sugerida de citación: Gallo, A.; Pérez, F.; Salinas, D. (2021). “Minería de Datos y Proyección a Corto Plazo de la Demanda
de Potencia en el Sistema Eléctrico Ecuatoriano”. Revista Técnica “energía”. No. 18, Issue I, Pp. 72-85
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2021 Operador Nacional de Electricidad, CENACE
Data Mining and Short-Term Power Demand Forecasting in the Ecuadorian
Electric System
Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el
Sistema Eléctrico Ecuatoriano
A.O. Gallo
1
F.E. Peréz
1
D.A. Salinas
2
1
Escuela Politécnica Nacional, Ecuador
E-mail: angel.gallo@epn.edu.ec; fabian.perez@epn.edu.ec
2
Agencia de Regulación y Control de Recursos Naturales No Renovables, Ecuador
E-mail: diego.salinas@controlrecursosyenergia.gob.ec
Abstract
This article presents a computational tool developed
in the Python programming language for data
mining and short-term load forecasting of the
National Interconnected System (SNI), using the
predictive approach of the Light Gradient Boosting
Machine (LGBM), Random Forest, Decision Tree
machine learning algorithms, and the statistical
algorithm for time series ARIMA. The
implementation of the Hyperopt and Grid Search
functions to define the main hyperparameters of the
machine learning algorithms and the parameters p,
d, q of the ARIMA algorithm respectively, together
with the application of feature engineering allow the
algorithms to be properly adjusted and modeled. for
the data series. The procedure for data mining and
load forecasting shows the reliability and versatility
of using the computational tool, obtaining relevant
results, such as the reduction of anomalies in the
data series to improve the precision in the projected
electrical demand curves.
Resumen
En este artículo se presenta una herramienta
computacional elaborada en lenguaje de
programación Python para minería de datos y
proyección a corto plazo de la demanda de potencia
eléctrica del Sistema Nacional Interconectado (SNI),
utilizando el enfoque predictivo de los algoritmos de
aprendizaje automático Light Gradient Boosting
Machine (LGBM), Random Forest, Decision Tree, y
el algoritmo estadístico para series de tiempo
ARIMA. La implementación de las funciones
Hyperopt y Búsqueda de Cuadrícula para definir los
principales hiperparámetros de los algoritmos de
aprendizaje automático y los parámetros p, d, q del
algoritmo ARIMA respectivamente, junto con la
aplicación de la ingeniería de características
permiten ajustar y modelar adecuadamente los
algoritmos para las series de datos. El procedimiento
para minería de datos y proyección de demanda
muestra la confiabilidad y versatilidad de utilizar la
herramienta computacional obteniendo resultados
relevantes, como la disminución de anomalías en las
series de datos para mejorar la precisión en las
curvas de demanda eléctrica proyectadas.
Index terms Machine learning, Data mining,
Electrical Power, Short-term load forecasting,
National Interconnected System.
Palabras clave Aprendizaje Automático, Minería
de datos, Potencia Eléctrica, Proyección de demanda
a corto plazo, Sistema Nacional Interconectado.
72
Edición No. 18, Issue I, Julio 2021
1. INTRODUCCIÓN
El pronóstico de demanda eléctrica es el insumo
principal para una adecuada operación y expansión del
sector eléctrico ecuatoriano; además, es el primer paso
crucial para cualquier estudio de planificación. Algunas
aplicaciones del pronóstico de la demanda son: abastecer
el balance de generación-demanda, planificar la
operación del sistema, elaborar planes de expansión. Por
tales razones, es de sumo interés que los resultados de los
estudios de proyección de demanda sean los más precisos
posibles.
Se entiende que una proyección de demanda a corto
plazo, utilizada para estudios de operación, es
significativamente diferente del largo plazo utilizada en
estudios de planificación. En la proyección de demanda
a corto plazo, por ejemplo, de la próxima semana, se
predice la demanda para cada hora de la próxima semana.
En este contexto, la proyección de demanda a corto plazo
es un estudio eléctrico importante para la planificación y
operación del Sistema Nacional Interconectado (SNI).
Una mala planificación puede traer consigo una mala
programación del abastecimiento de la demanda horaria
de potencia eléctrica; provocando pérdidas al requerir
unidades de generación más costosas para suplir la
demanda.
Sin embargo, en bases de datos históricas robustas
(demanda de potencia horaria) la presencia de datos
faltantes y la presencia de desviaciones atípicas
“outliers” en las series de datos, es un factor clave de
análisis previo a la elaboración de cualquier proyección,
ya que afectan directamente a la calidad y precisión de
los diferentes métodos de predicción. Los
procedimientos más frecuentes para tratar problemas de
datos faltantes y valores atípicos han sido la eliminación
o la sustitución/imputación de estos por valores como la
media de la variable, siendo procedimientos clásicos que
en general presentan inconvenientes y carencias [1].
El aprendizaje automático como un subcampo de la
inteligencia artificial ha introducido una gran variedad de
técnicas aplicadas en el campo de estudios de proyección
a corto plazo del consumo de electricidad, mostrando un
mejor rendimiento que las técnicas tradicionales como el
algoritmo ARIMA para series de tiempo [2]. Por
ejemplo, en estudios como [2], [3] se utiliza el algoritmo
ARIMA para validar la aplicación de algoritmos de
inteligencia artificial para la proyección de demanda a
corto plazo, así mismo en [4], [5] se propone el uso de
varios algoritmos computacionales para realizar tareas de
proyección de demanda y al comparar sus resultados
mediante indicadores de error se infiere que algoritmo
tiene un mejor rendimiento. No obstante, no se presenta
a detalle el ajuste y calibración de los algoritmos de
aprendizaje automático para las series de datos, el ajuste
adecuado de un algoritmo predictivo es uno de los
principales objetivos y desafíos en el proceso de
aprendizaje automático, ya que permite mejorar el
rendimiento de las proyecciones realizadas. Además, se
presentan metodologías para la detección de valores
atípicos que no indican un procedimiento claro y eficaz
para tratar con anomalías presentes en las series de datos.
Sobre la base de lo mencionado, se ha propuesto un
procedimiento para minería de datos y proyección a corto
plazo de demanda horaria de potencia eléctrica
incorporado en dos módulos ejecutables
computacionales desarrollados en lenguaje de
programación Python. El módulo de minería de datos
tiene como objetivo identificar y mitigar desviaciones y
comportamientos anómalos en los datos de estudio.
Esclarecer dichos comportamientos permite contar con
bases de datos completas y confiables, que permiten la
adecuada calibración de cada algoritmo mediante la
implementación de funciones de autoajuste para
disminuir el error en los resultados del módulo de
proyección de demanda eléctrica.
2. MARCO TEÓRICO
2.1. Modelos de proyección
Los modelos de proyección se clasifican en dos
grandes grupos [6] que se describen en las secciones
2.1.1 y 2.1.2.
2.1.1 Técnicas basadas en inteligencia artificial (IA)
Las técnicas basadas en inteligencia artificial
incluyen métodos de aprendizaje automático, como redes
neuronales artificiales, árboles de decisión, bosques
aleatorios, máquina de vector soporte, y entre otros que
han tenido un éxito notable cuando se trata de sistemas
de potencia.
2.1.2 Enfoques estadísticos
Son modelos paramétricos convencionales para
análisis de series de tiempo estocásticas, tales como
regresión lineal, suavizado exponencial, y el modelo
Autorregresivo Integrado de Media Móvil (ARIMA) [6],
[7].
Modelo Autorregresivo Integrado de Media Móvil
El modelo está compuesto por tres partes, un modelo
de auto regresión (AR) donde hay una combinación de
valores pasados; un componente de promedio móvil
(MA), que utiliza errores de proyecciones pasadas en un
modelo similar a la regresión; y una integración (I) [2].
Un modelo ARIMA no estacional se lo denomina un
modelo “ARIMA (p, d, q)”, donde:
p: Es el número de términos autorregresivos.
d: Es el número de diferencias no estacionales
necesarias para que la serie se vuelva estacional.
q: Es el número de errores de pronóstico en retraso
en la ecuación de predicción.
Con los parámetros p, d, q establecidos y si se
considera una serie temporal estacional para simplificar
73
Gallo et al. / Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el SNI
las cosas, con d=0, la ecuación se puede escribir como:





(1)





Donde
,
..
, son los coeficientes
autorregresivos. Los retrasos asociados son

,

hasta
el grado de polinomio autorregresivo p. Y
,
..
son
los coeficientes de promedio móvil. Los retrasos
asociados son

,

.. hasta el grado del polinomio de
promedio móvil q.
El algoritmo ARIMA se encuentra disponible en la
biblioteca “statsmodels” de Python, y puede ser
modelado y ajustado para problemas de predicción de
demanda de potencia eléctrica.
2.1.3 Evaluación de la precisión en la proyección
A medida que hay más algoritmos de pronóstico
disponibles, es cada vez más importante evaluar que tan
cerca están los resultados de proyección de los valores
reales. El Porcentaje de Error Medio Absoluto (MAPE,
por sus siglas en inglés), es un indicador de precisión y
rendimiento de la proyección de demanda que mide el
tamaño del error absoluto en términos porcentuales.
Dicha métrica es implementada para medir la calidad de
los resultados de proyección del presente estudio debido
a que es un indicador fácil de interpretar y evaluar.
Error porcentual medio absoluto (MAPE)
El Error Porcentual Medio Absoluto (Mean Absolute
Percentage Error) es el porcentaje de error promedio en
un conjunto de valores proyectados. Varía desde cero en
adelante, y un valor más bajo indica un mejor modelo [8].
Se describe matemáticamente como:


󰇻

󰇻

(2)
Donde:
: Es el valor real por pronosticar
: Es el valor pronosticado
n: E el número de datos pronosticados o evaluados
2.2. Anomalías en series de tiempo de demanda
eléctrica
En el análisis de series de tiempo, es un requerimiento
fundamental detectar valores faltantes y valores atípicos.
Esto debido a que, mientras más escasos sean los datos,
más difícil será crear un pronóstico preciso [6].
A continuación, se presentan tres alternativas para
tratar anomalías en las series de tiempo.
Sustituir valores atípicos con un promedio de
valores vecinos.
Pronosticar los valores con un método predictivo.
Eliminar las observaciones.
Debido al enfoque predictivo de los algoritmos de
aprendizaje automático se determinó que, el reemplazo
de anomalías por un valor proyectado más probable es la
mejor opción para el desarrollo de este estudio.
2.3. Aprendizaje automático
La tarea principal del aprendizaje automático es
modelar algoritmos que sean capaces de aprender de
datos históricos y realizar predicciones sobre nuevos
datos de entrada [9].
De manera general en la Fig. 1 se presenta un
esquema de las etapas que conlleva un problema de
aprendizaje automático.
Figura 1: Esquema general de aprendizaje automático [10]
2.3.1 Aprendizaje supervisado
Regresión
El resultado a predecir es un valor continuo. Existe
una gran gama de algoritmos de aprendizaje supervisado
que están disponibles en la biblioteca scikit-learn de
Python. Entre ellos se encuentran disponibles algoritmos
tipo ensemble como el algoritmo Random Forest que ha
tenido resultados muy buenos en su aplicación como
algoritmo de regresión de aprendizaje supervisado [2].
Algoritmo Decision Tree Regressor: Es un
modelo de decisiones similares a un árbol que
representa un algoritmo que solo contiene
sentencias de control condicional [12].
Algoritmo Random Forest Regressor: Un
bosque aleatorio ajusta varios árboles de decisión
de submuestras aleatorias del conjunto de datos,
en donde el propósito es disminuir la varianza del
estimador, ya que los árboles de decisión
individuales suelen presentar una gran varianza
[12], [13].
Algoritmo Light Gradient Boosting Machine
Regressor (LGBM): Se constituye a partir de
modelos de árboles de decisión. Lo árboles se
agregan uno a la vez y se ajustan para corregir los
errores de predicción cometidos por modelos
anteriores.
2.3.2 Ingeniería de las características
La Ingeniería de las Características (Feature
Engineering) es el proceso de crear o mejorar
características o atributos del conjunto de datos. Las
características se crean en función del sentido común,
experiencia, o dominio del conocimiento. El resultado de
este proceso es un conjunto significativo de
74
Edición No. 18, Issue I, Julio 2021
características que los algoritmos pueden procesar para
identificar patrones en el conjunto de datos de entrada y
construir un mejor modelo de aprendizaje automático [9],
[12].
2.3.3 Ajuste de hiperparámetros
Los algoritmos de aprendizaje automático tienen un
conjunto específico de parámetros (denominados
también hiperparámetros) que deben estimarse a partir
del conjunto de datos de entrada. Los principales
hiperparámetros de los algoritmos utilizados en el
presente estudio constituidos a partir de árboles de
decisión son: número de estimadores, profundidad
máxima, características máximas, y criterio [12].
Se han desarrollado funciones que permiten ajustar
automáticamente los diferentes hiperparámetros [14].
Búsqueda de Cuadrícula:
En la función Búsqueda de Cuadrícula los
hiperparámetros son proporcionados por el analista, y la
mejor combinación es elegida según un indicador de
puntuación de error. La combinación de hiperparámetros
forma una cuadrícula de búsqueda.
Hyperopt
Función que proporciona la configuración automática
de algoritmos de la biblioteca de aprendizaje automático
scikit-learn [15]. Hyperopt adiciona un algoritmo de
búsqueda para optimziación de hiperparámetros
denominado Estimador de Parzen Estructurado en Árbol.
El algoritmo TPE, por sus siglas en inglés (Tree-
structured Parzen Estimator) busca elegir los parámetros
con mejor rendimiento para el siguiente paso, dejando
atrás valores deficientes.
3. PROCEDIMIENTO PARA ANÁLISIS
PREDICTIVO Y DESARROLLO DE LA
HERRAMIENTA COMPUTACIONAL
3.1. Demanda del Sistema Nacional Interconectado
La Fig. 2 representa la demanda horaria de potencia
eléctrica total del Sistema Nacional Interconectado por
día y registrada en periodos de 30 minutos desde el 1 de
enero de 2014 hasta el 30 de junio de 2020 [16].
Figura 2: Demanda de potencia eléctrica SNI enero 2014-junio
2020 [16]
Los datos registrados en MW con un periodo de 30
minutos son recopilados como se indica en la Fig. 3,
representando una serie de tiempo en donde existen 48
datos por día y 17 520 datos recopilados por año.
Figura 3: Formato de registro de mediciones de la demanda
horaria de potencia eléctrica del SIN [Elaboración Propia]
3.2. Declaración de un problema de aprendizaje
automático supervisado
Un problema de aprendizaje supervisado donde los
atributos o características son variables de entrada
relacionadas con la variable objetivo, que se considera
como dependiente de las entradas, consiste en modelar
un problema de entrada/salida, donde la entrada es del
tipo matricial y la salida es un vector como se indica en
la Fig. 4.
Figura 4: Estructura del conjunto de datos de variables
características y variable objetivo
Para definir un conjunto de datos como problema de
aprendizaje supervisado en primer lugar se define las
variables características “X” (entrada) y la variable de
salida “y” (objetivo), después se divide dichos conjuntos
en subconjuntos de prueba y entrenamiento como se
observa en la Fig. 4. El tamaño (test size) puede variar
entre 10%, 20% o 30% del tamaño del conjunto de datos.
Al realizar un análisis de sensibilidad para el conjunto de
datos de demanda de potencia cambiando el tamaño del
conjunto de prueba desde el 30% al 10% para las series
de datos de demanda de potencia, el rendimiento del
algoritmo evaluado por la métrica de precisión MAPE
con valores desde 0,96% al 0,94% presentó la tendencia
de mejorar con la disminución del tamaño del conjunto
de entrenamiento, o visto de otra manera, con el aumento
del tamaño del conjunto de datos de entrenamiento. Sin
embargo, con un conjunto de datos de prueba del 10% se
obtuvo un rendimiento decreciente al volver a un MAPE
del 0,95%. Para el desarrollo de este trabajo se utilizó un
tamaño del 11% para el conjunto de datos de prueba
debido a que dicho porcentaje provocó que el
entrenamiento del algoritmo de proyección se lleve de
manera más adecuada, y dado que, los algoritmos de
aprendizaje automático no requieren de una muestra
exagerada de conjunto de datos de entrada para inferir
predicciones de gran calidad, y también, por los esfuerzos
computacionales que esto involucra; para cada tarea de
proyección en las series de datos con históricos anuales
de demanda de potencia eléctrica, se ajustaron como
75
Gallo et al. / Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el SNI
conjunto de entrada, las mediciones correspondientes a
los últimos dos meses, tomando como referencia la fecha
inicial de proyección.
Además, se debe señalar que, debido al horizonte de
proyección a corto plazo los datos históricos de demanda
de potencia deben corresponder a los registros de
mediciones más recientes. Esto debido a que, los
resultados de los estudios de proyección en el corto plazo
son utilizados principalmente en la operación y control
del sistema de potencia.
En segundo lugar, se modela el algoritmo de
aprendizaje automático ajustando sus hiperparámetros.
Luego, el conjunto de entrenamiento (entradas y salidas)
proporciona un modelo ajustado a los datos. La
evaluación del modelo se realiza con el conjunto de
prueba de variables características y variable de salida.
Finalmente, el modelo se encuentra ajustado y es
validado con una métrica de rendimiento, de tal manera
que si se proporciona un nuevo conjunto de variables
características como entrada; el modelo es capaz de
inferir valores proyectados. La métrica para evaluar las
predicciones en el presente estudio es el indicador de
error MAPE presentado en la sección 2.1.3.
3.3. Enfoques de aprendizaje supervisado para series
de tiempo y aplicación de la ingeniería de
características
Para acoplar series de tiempo (Fig. 3) en un problema
de aprendizaje supervisado es necesario representar una
serie de tiempo como un modelo autorregresivo (AR),
donde el modelo entrega la proyección de

en
función de los n valores previos, como se observa en la
Fig. 5. Para ello, en Python se retrasa la serie en un
número específico de pasos, en este estudio el número de
pasos de retraso corresponde a 48, debido al número de
registros diarios de demanda de potencia recopilados
cada 30 minutos.
Figura 5: Estructura de un modelo autorregresivo [17]
Además de inferir retrasos y estructurar un modelo de
regresión en las series de tiempo, el procedimiento de
ingeniería de características permite inferir nuevas
características en las series de datos. Esta
reestructuración del conjunto de datos permite definir un
modelo matricial multivariable no lineal (ver Fig. 6) que
toma en cuenta el comportamiento de las diferentes
variables intervinientes (hora, tipo de día, etc.) como los
modelos implementados en [2], [3].
Figura 6: Reestructuración final de series de tiempo
3.4. Identificación y tratamiento de anomalías en las
series de datos
3.4.1 Datos Faltantes
Funciones de la biblioteca pandas de Python permiten
crear arreglos de fecha y tiempo en un intervalo con
frecuencia definida por el usuario. Como se ilustra en la
Fig. 7 el primer arreglo se compara fecha por fecha con
las fechas de los datos históricos de demanda horaria de
potencia eléctrica existentes en un periodo anual. En el
caso de detectar una comparación nula con una fecha se
almacena la fecha faltante.
Figura 7: Detección de valores faltantes
3.4.2 Valores atípicos
El procedimiento de detección de valores atípicos, a
través del crecimiento anual de potencia eléctrica,
consiste en determinar el crecimiento entre un dato de
potencia horaria registrada en el periodo actual y el
mismo periodo del siguiente año como se indica en (3).
 󰇡


󰇢 (3)
Para determinar la presencia de valores atípicos se
utilizó el gráfico de caja, el cuál es un gráfico que se
construye a partir de los cuartiles y la media del conjunto
de datos. En la Fig. 8 se presentan los gráficos de caja
para el crecimiento horario anual entre los periodos 2017-
2018 y 2018-2019.
Se puede observar que los crecimientos por encima
del 30% o por debajo del -20% indican posibles límites
umbrales de crecimiento que pueden ser ingresados por
usuario para detectar comportamientos anómalos en las
series de datos.
76
Edición No. 18, Issue I, Julio 2021
Figura 8: Gráfico de caja crecimiento anual
3.4.3 Procedimiento para tratar con anomalías en las
series de tiempo
Al tener presente el enfoque predictivo del
aprendizaje automático se determinó que, el reemplazo
de anomalías por un valor pronosticado más probable es
la mejor opción para el desarrollo del presente estudio.
Un algoritmo de aprendizaje automático requiere de
un conjunto de datos de entrada para poder realizar
nuevas predicciones en su salida. Dichas entradas pueden
corresponder a valores en intervalos anteriores según el
horizonte de tiempo que se desee proyectar, por ejemplo,
si se desea proyectar la medición en la hora siguiente, la
entrada es la medición de la hora anterior; de esta manera,
proyectar el día siguiente correspondería a las
mediciones del día anterior.
Para calibración de hiperparámetros se utilizó la
función Hyperopt, y a manera de ejemplo ilustrativo del
procedimiento de predicción, a continuación, se describe
el procedimiento para la proyección de 48 mediciones de
demanda de potencia que corresponden a la demanda del
SNI el día 2014-04-24. Del procedimiento presentado en
la sección 3.3 se obtiene el conjunto de datos data que se
ilustra en la Fig. 9, compuesto por conjuntos de variables
características “X” y variables objetivo “y” para el
entrenamiento y prueba del algoritmo de predicción. Para
determinar el conjunto de datos de entrada requerido por
el algoritmo Random Forest para la proyección de un día
de demanda de potencia, se divide el conjunto data en
dos partes como se observa en la Fig.9; la primera parte
corresponde a todos los datos hasta dos días antes del día
a proyectar (conjunto de entrenamiento), y la segunda
parte corresponde a los datos de demanda MW del día
anterior (conjunto de entrada).
Finalmente se elimina la variable objetivo “y” y con
este conjunto de datos de entrada el algoritmo puede
realizar 48 predicciones futuras de demanda de potencia.
Para evaluación de los diferentes algoritmos
implementados en las tareas de predicción sobre las
series históricas de demanda de potencia eléctrica en
análisis se eliminaron algunos días correspondientes a 48
datos registrados de demanda de potencia eléctrica en los
datos históricos del SNI para proceder a realizar las
predicciones correspondientes. El resultado del análisis
mostró que el algoritmo que mejor se acopla a las series
históricas de demanda horaria de potencia eléctrica del
SNI, es el algoritmo Random Forest. Debido a esto, el
algoritmo Random Forest fue implementado en el
módulo de minería de datos.
Figura 9: Conjunto de datos de entrada para proyectar un día de
demanda de potencia MW
3.5. Proyección a corto plazo de la demanda horaria
de potencia eléctrica
3.5.1 Procedimiento para la proyección a corto plazo de
la demanda horaria de potencia eléctrica
El procedimiento llevado a cabo para la proyección
de demanda horaria de potencia eléctrica del SNI con un
horizonte de dos semanas se definió a partir de los
conceptos de la sección 3.4.3; no obstante, el conjunto de
datos de entrada requerido por los algoritmos de
proyección debe corresponder con un intervalo de 7 días,
y no de un solo día. Al realizar la proyección semanal con
el conjunto de entrada especificado, se procede a
estructurar un nuevo conjunto de entrada semanal (7 días)
con dichos datos proyectados, para la predicción de la
siguiente semana. Por ejemplo, en la Fig. 10 se representa
la forma en que se realiza la proyección de demanda
horaria desde el 2014-04-30 al 2014-05-13.
Es importante mencionar que, si se debe proyectar un
día festivo, el conjunto de entrada se estructura con el
mismo día feriado del año anterior; de esta manera, el
comportamiento de proyección de demanda asimilará la
tendencia de consumo que se presentó el mismo día
festivo del año anterior, lo que permite reducir el margen
de error en la proyección de días especiales.
77
Gallo et al. / Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el SNI
Figura 10: Conjunto de datos de entrada para proyección semanal
3.6. Herramienta Computacional
La programación de la herramienta computacional en
Python se estructuró de forma modular con la aplicación
de subrutinas. El diagrama de flujo de la Fig.11
esquematiza todos los procesos ordenados para llevar a
cabo la ejecución de todas las tareas que brinda la
herramienta computacional.
Figura 11: Diagrama de flujo de la herramienta computacional
A pesar de que el módulo de minería de datos y el
módulo de proyección a corto plazo constituyen una
misma interfaz gráfica, cada módulo puede ejecutarse de
manera independiente con el fin de realizar análisis por
separado de minería de datos o proyección de demanda.
El usuario puede pasar de un módulo a otro dependiendo
de las necesidades de estudio que requiera; sin embargo,
como se verá más adelante, mitigar anomalías en las
series de datos permite en general un mejor
entrenamiento y ajuste de un algoritmo de proyección.
4. APLICACIÓN DE LA HERRAMIENTA
COMPUTACIONAL Y ANÁLISIS DE
RESULTADOS
4.1. Análisis de minería de datos
Las tareas de minería de datos que se realizan a
continuación permiten estructurar series completas y
libres de datos atípicos para poder utilizarlas en las tareas
de proyección de demanda. Las tareas de detección,
imputación, y mitigación de valores faltantes y valores
atípicos se llevan sobre los registros históricos de la
demanda de potencia eléctrica del SNI, con el fin de
resaltar la importancia de eliminar anomalías en los
registros de mediciones de demanda previos al periodo
de proyección, ya que dichos registros afectan
directamente la calidad de proyección a corto plazo.
4.1.1 Análisis y detección de datos faltantes
El análisis exploratorio de datos presenta información
característica estructurando un informe que es mostrado
en pantalla por la interfaz gráfica y, a la vez, esta
información es exportada a un archivo de texto como se
presenta en la Fig. 12.
Figura 12: Informe preliminar
La información presentada permite ubicar los datos
faltantes por fecha y para cada año de las series históricas
en análisis; datos faltantes correspondientes a un total de
672 mediciones. El informe también realiza un análisis
exploratorio sobre las series de datos, indicando el
número de series anuales de los datos históricos
ingresados, calcula el periodo de registro de medición y
el número de mediciones por día. También indica si es
que un año corresponde o no a un año bisiesto.
78
Edición No. 18, Issue I, Julio 2021
4.1.2 Mitigación de valores faltantes
Según se indicó en la sección 3.6 la herramienta
computacional cuenta con la subrutina Completar Datos
que permite la imputación de datos faltantes por medio
del procedimiento descrito en la sección 3.4.3.
En la Tabla 1 se presenta el formato correspondiente
al archivo Excel generado con los resultados obtenidos;
por ejemplo, se puede observar que el día 2014-04-30,
detectado en el procedimiento anterior como un día con
datos faltantes, es proyectado e imputado en la serie de
datos originales. De la misma manera, todos los datos
faltantes de cada fecha presentada en el informe
preliminar son reemplazados por un valor proyectado.
Tabla 1: Formato en Excel de Series Completas
Fecha
Hora
MW
2014-04-29
23:00:00
2666,39
2014-04-29
23:30:00
2552,93
2014-04-30
0:00:00
2305,565
Mediciones
f
altantes proyectadas
2014-04-30
0:30:00
2212,006
2014-04-30
1:00:00
2143,655
2014-04-30
1:30:00
2087,64
2014-04-30
2:00:00
2071,442
2014-04-30
2:30:00
2032,114
2014-04-30
3:00:00
2046,558
2014-04-30
3:30:00
2002,75
2014-04-30
4:00:00
2007,757
2014-04-30
4:30:00
2022,757
2014-04-30
5:00:00
2042,243
2014-04-30
5:30:00
2187,772
2014-04-30
6:00:00
2207,476
2014-04-30
6:30:00
2210,748
4.1.3 Detección de valores atípicos
Los umbrales de crecimiento anual ingresados por
usuario, como se mencionó en la sección 3.4.2, para
análisis de las series históricas de demanda de potencia
eléctrica del SNI fueron +35% y -25% . Los resultados
de la tarea de detección de valores atípicos (outliers) son
exportados a un archivo Excel como se muestra en la
Tabla 2. Los valores atípicos se presentan en diferentes
hojas de cálculo, indicando los outliers detectados en
todos los periodos.
En la Tabla 3 se presenta un resumen del número total
de valores atípicos encontrados en cada periodo de
crecimiento anual. Puede observarse que los periodos con
presencia de un mayor número de datos atípicos en los
históricos de demanda horaria de potencia nacional
corresponden a los años 2015-2016, 2016-2017, y 2019-
2020.
Tabla 2: Formato en Excel con outliers detectados
2015
2016
Crec.
2015-04-
18 19:30
2016-04-
16 19:30
-43,2
2015-04-
18 20:00
2016-04-
16 20:00
-38,9
2015-04-
18 20:30
2016-04-
16 20:30
-32,7
2015-04-
18 21:00
2016-04-
16 21:00
-30,2
2015-04-
18 21:30
2016-04-
16 21:30
-27,1
2015-07-
03 10:30
2016-07-
01 10:30
-33,8
2015-07-
03 11:00
2016-07-
01 11:00
-31,5
2015-10-
22 13:30
2016-10-
20 13:30
-46,1
2015-10-
22 14:00
2016-10-
20 14:00
-38,3
2015-11-
19 11:30
2016-11-
17 11:30
-45,4
2015-12-
02 11:30
2016-11-
30 11:30
-35,1
Tabla 3: Datos atípicos identificados en históricos de demanda
Periodo
Número de datos atípicos encontrados
Crecimiento Anual
> 35 %
Crecimiento Anual
< -25 %
2015-2016
0
11
2016-2017
11
1
2017-2018
1
2
2018-2019
3
0
2019-2020
0
30
Total
15
44
4.1.4 Mitigación de valores atípicos
La subrutina Mitigar permite reemplazar los valores
atípicos identificados en el apartado anterior. Los
reemplazos se realizan eliminando dichos valores y
aplicando el procedimiento para tratar anomalías en las
series de datos descrito en la sección 3.4.3.
Como ejemplo, en la Tabla 4 y en la Tabla 5 se
presentan los valores atípicos identificados y
reemplazados el sábado 16 de abril de 2016; atípicos
reemplazados por valores más próximos a un
comportamiento normal de demanda de potencia
eléctrica en las respectivas horas.
79
Gallo et al. / Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el SNI
Tabla 4: Valores atípicos detectados el 2016-04-16
2015
MW
2015
2016
MW
2016
Crec.
2015-04-18
19:30
3150,02
2016-04-16
19:30
1789,72
-43,2
2015-04-18
20:00
3103,88
2016-04-16
20:00
1896,31
-38,9
2015-04-18
20:30
3077,59
2016-04-16
20:30
2070,13
-32,7
2015-04-18
21:00
2988,48
2016-04-16
21:00
2085,56
-30,2
2015-04-18
21:30
2921,84
2016-04-16
21:30
2128,61
-27,1
2015-07-03
10:30
2999,08
2016-07-01
10:30
1984,7
-33,8
2015-07-03
11:00
3061,80
2016-07-01
11:00
2098,22
-31,5
2015-10-22
13:30
2993,69
2016-10-20
13:30
1612,48
-46,1
2015-10-22
14:00
3008,18
2016-10-20
14:00
1854,82
-38,3
2015-11-19
11:30
3073,85
2016-11-17
11:30
1679,3
-45,4
2015-12-02
11:30
3048,14
2016-11-30
11:30
1976
-35,1
Tabla 5: Valores atípicos reemplazados en las series de datos
2016
MW 2016
2016-04-16 19:00
2603,44
2016-04-16 19:30
3387,178
2016-04-16 20:00
3355,938
2016-04-16 20:30
3300,941
2016-04-16 21:00
3196,891
2016-07-01 21:30
3089,602
4.1.5 Indicadores
El módulo de minería de datos permite calcular el
factor de carga mensual para las series históricas. Se
presenta al factor de carga como un indicador de la
mejora de la curva de demanda diaria; debido a su
relación directa con la demanda promedio, y al hecho de
que al eliminar tendencias atípicas en las series de datos
dicha magnitud de demanda tiende a aumentar.
4.2. Análisis de proyección de demanda a corto plazo
4.2.1 Ajuste de Hiperparámetros
El módulo de proyección de demanda de potencia
eléctrica a corto plazo permite autoajustar los principales
hiperparámetros del algoritmo de aprendizaje automático
Random Forest con la función Hyperopt, para obtener un
modelo adecuado de predicción para los datos de
demanda de potencia en análisis.
4.2.2 Importancia de mitigar valores faltantes y valores
atípicos
Según el procedimiento descrito en la sección 3.5.1
para la proyección a corto plazo de la demanda horaria de
potencia eléctrica, la primera semana de proyección
depende directamente de la semana inmediatamente
anterior, como se observa en la Fig. 13, en donde la
proyección de demanda va desde el 2016-04-20 hasta el
2016-05-03 (2 semanas). En el primer recuadro se
observa que el día de proyección 23 de abril de 2016
depende netamente del día 16 de abril de 2016, razón por
la cual, si el día 16 de abril presenta algún
comportamiento anormal, y lo cual, si ocurrió debido al
terremoto suscitado en Ecuador en dicha fecha, repercute
en la calidad de predicción a llevarse a cabo el día 23 de
abril de 2016.
Figura 13: Proyección de la demanda de potencia del 2016-04-20
al 2016-05-03
Por lo mencionado, en la Fig. 14 se presenta una parte
de la proyección realizada por el algoritmo Random
Forest para el periodo indicado en el párrafo anterior,
específicamente la proyección del día 23 de abril de
2016, donde se puede observar que los comportamientos
anómalos detectados el 16 de abril de 2016 provocan
errores porcentuales muy notables en los resultados de
proyección, al contrario de trabajar con series libres de
tendencias atípicas que permiten reducir el error
porcentual. La disminución de los errores porcentuales
permite mantener un margen aceptable como en los
resultados del estudio realizado para proyección a corto
plazo en [3], [4].
Es importante mencionar que, tratar las tendencias
atípicas que afectan a los datos de entrada para la tarea de
proyección de demanda de potencia del algoritmo
predictivo depende del criterio del analista, ya que, si la
tendencia de consumo de demanda de potencia es
afectada a mediano o largo plazo por factores no
controlables como pandemias o fenómenos naturales a
gran escala, provocará que el comportamiento de la
demanda se mantenga por debajo de un consumo normal
en un periodo de tiempo extendido. De esta manera, el
módulo de proyección de demanda puede trabajar con las
series de datos que provienen del módulo de minería de
datos o cualquier otra serie de datos de demanda de
potencia eléctrica en las que se requiera realizar tareas de
proyección.
80
Edición No. 18, Issue I, Julio 2021
Figura 14: Proyección del día 23 de abril de 2016
4.2.3 Resultados de proyección a corto plazo de la
demanda de potencia eléctrica del SNI
Dos de los escenarios definidos para realizar
proyecciones correspondieron a temporada seca en julio
de 2019 y temporada lluviosa en marzo de 2020, otro
escenario definido correspondió a semanas con presencia
de días feriados en el mes de febrero de 2020.
En la Fig. 15 se presenta las proyecciones de demanda
horaria de potencia eléctrica con sus respectivas curvas
de comparación, para la temporada seca que va desde el
2019-07-15 hasta el 2019-07-28. Los resultados de
proyección en temporada seca exponen un error MAPE
menor al 3%.
Figura 15: Temporada seca
Desde 2019-07-15 hasta 2019-07-28
En la Fig.16 se presenta las curvas de proyección
obtenidas para un escenario de temporada lluviosa desde
el 2020-03-01 hasta el 2020-03-14.
Los resultados para las proyecciones de demanda de
potencia eléctrica en temporada lluviosa se presentan con
porcentajes de error medio absoluto menores al 4% para
los algoritmos LGBM, Random Forest y Decision Tree;
no obstante, el algoritmo estadístico ARIMA presenta un
MAPE mayor al 5%, indicando problemas de predicción
en los días laborales lunes 9 y martes 10 de marzo de
2020.
81
Gallo et al. / Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el SNI
Figura 16: Temporada lluviosa
Desde 2020-03-01 hasta 2020-03-14
En la Fig. 17 se presentan las proyecciones semanales
(2 semanas) de la demanda horaria de potencia eléctrica
con presencia de días feriados que corresponden al
feriado nacional de carnaval en febrero de 2020.
Las curvas proyectadas por la herramienta
computacional presentan un buen resultado al ajustarse a
comportamientos de demanda críticos, como los que se
presentan en los días feriados de carnaval lunes 24 y
martes 25 de febrero de 2020. Sin embargo, el algoritmo
de predicción ARIMA no logra un buen ajuste.
Figura 17: Semana con días feriados
Desde 2020-02-20 hasta 2020-03-05
4.2.4 Errores
En la Tabla 6 se presentan los porcentajes de error
medio absoluto de los resultados de proyección.
Tabla 6: Errores de proyección
Temporada seca
Desde 2019-07-15 hasta 2019-07-28
Error
LGBM
RANDOM
FOREST
DECISION
TREE
ARIMA
MAPE [%]
2,08
2,02
2,54
2,07
Temporada lluviosa
Desde 2020-03-01 hasta 2020-03-14
Error
LGBM
RANDOM
FOREST
DECISION
TREE
ARIMA
MAPE [%]
2,62
2,73
3,17
5,11
Semana con presencia de días feriados
Desde 2020-02-20 hasta 2020-03-05
Error
LGBM
RANDOM
FOREST
DECISION
TREE
ARIMA
MAPE [%]
3,02
2,90
3,45
5,26
El error porcentual medio absoluto para los
algoritmos predictivos Light Gradient Boosting
Machine, Random Forest, y Decision Tree, se mantienen
por debajo de un error del 4%; no obstante, el algoritmo
ARIMA presenta un error porcentual medio absoluto de
hasta el 5,26% en el escenario de proyección con
presencia de días feriados.
4.2.5 Tiempos de simulación
En la Tabla 7 se presenta como referencia los tiempos
de simulación de las diferentes tareas realizadas por la
herramienta computacional para las mediciones horarias
de potencia eléctrica del SNI, con un total de 113 856
datos históricos.
82
Edición No. 18, Issue I, Julio 2021
Tabla 7: Tiempos de simulación herramienta computacional
Minería de datos
Tarea
Tiempo [min]
Informe
0,6
Completar Series (672
Datos)
1,6
Hallar atípicos (59 Datos)
2,24
Mitigar Atípicos (59 Datos)
6,76
Indicadores
0,3
Proyección de demanda a corto plazo
Tarea
Tiempo [min]
Hyperopt
3,27
Búsqueda de Cuadrícula
21
LGBM
0,17
Random Forest
0,54
Decision Tree
0,075
ARIMA
0.71
Se puede observar que la herramienta desarrollada no
requiere grandes esfuerzos computacionales para realizar
sus funciones. En el análisis de minería de datos, la tarea
de mitigación de valores típicos es la que presenta un
mayor tiempo de simulación debido a que la herramienta
debe buscar cada medición específica en todo el conjunto
de datos y reemplazarla por un valor pronosticado. Por
otra parte, en el módulo de proyección de demanda la
tarea que presenta un mayor tiempo de simulación es el
autoajuste de parámetros p, d, q del algoritmo ARIMA,
como se presentó en la sección 2.3.3 dicha función evalúa
todas las combinaciones posibles de los parámetros
dentro de rangos definidos, al contrario de la función
hyperopt que busca solo evaluar las mejores
combinaciones de hiperparámetros para los algoritmos de
scikit-learn.
4.2.5 Análisis de resultados
Los análisis realizados con la herramienta
computacional permitieron evaluar el rendimiento de
varios algoritmos predictivos en tareas de minería de
datos y tareas de proyección de demanda de potencia
eléctrica.
El análisis de minería de datos permitió identificar
valores faltantes en las series de demanda de potencia
eléctrica del SNI, los valores faltantes encontrados se
presentaron en su mayoría en diferentes meses del año
2014, y en los días 29 de febrero de los años bisiestos
2016 y 2020, con un total de 672 datos faltantes, la
imputación de dichos datos permitió generar series
anuales históricas completas.
Se determinó la presencia de valores atípicos en las
series, los valores atípicos se presentaron con mayor
incidencia en los años 2016 y 2020, específicamente 11
comportamientos anómalos en el mes de abril de 2016 y
30 comportamientos anómalos en el mes de abril de
2020. Dichos valores fueron eliminados y reemplazados
por valores más probables a un comportamiento normal
de demanda de potencia eléctrica. Al realizar un análisis
de los valores atípicos identificados se puede afirmar que,
los comportamientos anómalos presentados el sábado 16
de abril de 2016 se debieron al terremoto que se presentó
en Manabí y que tuvo un gran impacto en todo el país,
reduciendo la demanda de potencia con un decrecimiento
anual mayor al 40%. Por otra parte, los valores atípicos
identificados en el mes de abril de 2020 indican la
disminución del consumo de potencia eléctrica debido al
estado de emergencia en el que se declaró a todo el país
debido a la pandemia de Coronavirus.
Las curvas de proyección a corto plazo presentaron
en general un porcentaje de error medio absoluto menor
al 4% en los algoritmos de aprendizaje automático Light
Gradient Boostin Machine, Random Forest y Decision
Tree, al contrario del algoritmo ARIMA que presenta un
error MAPE de hasta 5,26% para los diferentes
escenarios planteados, también los tiempos de
simulación para los algoritmos de scikit-learn se
presentaron por debajo del tiempo de simulación del
algoritmo ARIMA, indicando menores esfuerzos
computacionales. En contraste con los resultados de [2]
y [3], se determina que los algoritmos de aprendizaje
automático presentan una mejor interpretación del
comportamiento no lineal de la demanda de potencia.
5. CONCLUSIONES Y RECOMENDACIONES
La aplicación del enfoque predictivo del aprendizaje
automático permitió mitigar valores faltantes y valores
atípicos que se encuentran inmersos en las series de
datos. Los valores faltantes y valores atípicos han sido
identificados en la literatura técnica como los causantes
directos de errores en estudios de proyección. De esta
manera, la herramienta computacional implementada
brinda la posibilidad de realizar análisis de proyección de
demanda eléctrica a corto plazo con un mayor grado de
confiabilidad.
El presente estudio permitió corroborar el
rendimiento y calidad de varios algoritmos de
aprendizaje automático, así como el comportamiento de
predicción del algoritmo estadístico ARIMA mediante la
comparación de error en diferentes escenarios. De esta
manera, se determinó que el algoritmo Random Forest
obtuvo un mejor rendimiento de proyección. Dicho
análisis comparativo mostró que los algoritmos de
aprendizaje automático tienden a representar de mejor
manera el comportamiento no lineal de factores que
afectan el consumo de demanda eléctrica como el clima,
o la época del año.
El procedimiento de ingeniería de características para
caracterizar e identificar los diferentes comportamientos
de la demanda de potencia eléctrica, determinó que los
algoritmos de aprendizaje automático pueden asimilar de
mejor manera los diferentes patrones del conjunto de
datos analizado por la herramienta computacional.
Además, el adecuado ajuste de los diferentes
hiperparámetros de los algoritmos de proyección
permitió construir modelos de aprendizaje automático
que presentaron en general un buen desempeño para
diferentes escenarios de proyección.
83
Gallo et al. / Minería de Datos y Proyección a Corto Plazo de la Demanda de Potencia en el SNI
El problema de proyección de demanda descrito a
detalle en este estudio, que define la proyección de la
demanda de potencia eléctrica en un horizonte de dos
semanas basándose en el consumo de potencia de días
previos, determinó que, el análisis de minería de datos de
los registros horarios de demanda de potencia en la
semana previa al pronóstico es un requerimiento
primordial para disminuir errores de proyección.
El ajuste adecuado de los diferentes hiperparámetros
de los algoritmos de aprendizaje automático es un
requerimiento muy importante para que el rendimiento
de proyección sea el mejor posible. Es por esto, que se
recomienda un estudio minucioso del aporte que realiza
cada hiperparámetro en la construcción de un modelo de
aprendizaje automático para ajustar algoritmos más
confiables y eficientes.
REFERENCIAS BIBLIOGRÁFICAS
[1] R. Medina and E. Montoya, “Estimación estadística
de valores faltantes en series históricas de lluvia,”
trabajo de fin de máster, Universidad Tecnológica de
Pereira, Pereira, 2008.
[2] S. Jurado, A. Nebot, F. Mugica, and N. Avellana,
“Hybrid methodologies for electricity load
forecasting: Entropy-Based Feature Selection with
Machine Learning and Soft Computing
Techniques,” ENERGY, vol. 86, pp. 276–291, Jun.
2015.
[3] V. Hinojosa, “Pronóstico de Demanda de Corto
Plazo en Sistemas de Suministro de Energía
Eléctrica utilizando Inteligencia Artificial,”
Universidad Nacional de San Juan, Argentina, 2007.
[4] M. Khan and A. Abraham, “Short Term Load
Forecasting Models in Czech Republic Using Soft
Computing Paradigms,” International Journal of
Knowledge-Based Intelligent Engineering Systems,
vol. 7, pp. 172–179, 2004.
[5] A. El khantach, M. Hamlich, and N. Belbounaguia,
“Short-term load forecasting using machine learning
and periodicity decomposition,” Energy, vol. 7, no.
3, pp. 382–394, Jun. 2019.
[6] K. Berk, Modeling and Forecasting Electricity
Demand A Risk Management Perspective.
Germany: Springer, 2015.
[7] V. Hinojosa, “Pronóstico de Demanda de Corto
Plazo en Sistemas de Suministro de Energía
Eléctrica utilizando Inteligencia Artificial,”
Universidad Nacional de San Juan, Argentina, 2007.
[8] M. Jacob, C. Neves, and D. Vukadinović Greetham,
“Short Term Load Forecasting,” in Forecasting and
Assessing Risk of Individual Electricity Peaks.
Mathematics of Planet Earth, Springer, 2019, pp.
15–37.
[9] Y. Liu, Python Machine Learning by Example, 2nd
ed. Birmingham: Packt, 2017.
[10] L. Igual and S. Seguí, Introduction to Data Science:
A Python Apporach to Concepts, Techniques and
Applications. Switzerland: Springer, 2017.
[11] L. BREIMAN, “Random Forests,” Machine
Learning, vol. 45, pp. 5–32, 2001.
[12] Scikit Learn, “scikit-learn Machine Learning in
Python.” Jun. 28, 2020, Accessed: Jun. 28, 2020.
[Online]. Available: https://scikit-
learn.org/stable/index.html.
[13] Medium, “A Trip to Random Forest.” Mar. 2018,
Accessed: Jun. 28, 2020. [Online]. Available:
https://medium.com/greyatom/a-trip-to-random-
forest-5c30d8250d6a.
[14] M. Swamynathan, Mastering Machine Learning
with Python in Six Steps: A practical
Implementation Guide to Predictive Data Analytics
Using Python. Bangalore: Apress, 2017.
[15] K. Brent, J. Bergstra, and C. Eliasmith, “Hyperopt-
Sklearn,” in Automated Machine Learning:
Methods, Systems, Challenges, Waterloo: Springer,
2019.
[16] A. O. Gallo, “Análisis predictivo para minería de
datos y proyección de demanda a corto plazo de la
demanda de potencia en el sistema eléctrico
ecuatoriano”, Escuela Politécnica Nacional, Quito,
Ecuador, Oct. 2020.
[17] G. Bontempi, S. Ben Taieb, and Y. Le borgne,
“Machine learning strategies for time series
forecasting,” Berlin Germany, Jul. 2012, vol. 138,
pp. 62–77.
Angel Gallo Cruz.- Nació en
Quito-Ecuador. Realizó sus
estudios de tercer nivel en la carrera
de Ingeniería Eléctrica de la
Escuela Politécnica Nacional. Ha
colaborado en estudios y
elaboración de informes técnicos
de minería de datos, proyección de
demanda, y estabilidad de voltaje en la ex Agencia de
Regulación y Control de Electricidad. Sus áreas de
interés incluyen: Aprendizaje automático para análisis de
datos, Operación de Sistemas Eléctricos de Potencia, y
Sistemas de Control aplicado al SEP.
84
Edición No. 18, Issue I, Julio 2021
Fabián Pérez Yauli.- Nació en
Ambato-Ecuador. Obtuvo el título
de Ingeniero Eléctrico en la Escuela
Politécnica Nacional, Quito-
Ecuador en 2004. En 2012 obtuvo
el grado de Doctor en
Ingeniería Eléctrica en la
Universidad Nacional de San Juan,
Argentina, con una beca otorgada por el Servicio
Alemán de Intercambio Académico (DAAD).
Actualmente, es profesor titular a tiempo completo
en la Escuela Politécnica Nacional. Su rama de
investigación incluye protecciones de sistemas de
potencia y procesamiento de señales.
Diego Salinas Herrera.- Nació en
Catamayo-Loja. En 2011, obtuvo
su título de Ingeniero Eléctrico en
la Escuela Politécnica Nacional.
Tiene más de 12 años de
experiencia en la realización de
estudios especializados para la
planificación, operación,
regulación y control del sector eléctrico ecuatoriano. Ha
formado parte de equipos interinstitucionales para la
Integración Eléctrica de la Región Andina. Actualmente,
forma parte del equipo de profesionales de la Dirección
de Estudios e Información del Sector Eléctrico de la
Agencia de Regulación y Control de Energía y Recursos
Naturales No Renovables.
85