Artículo Académico / Academic Paper
Recibido: 18-10-2021, Aprobado tras revisión: 18-01-2022
Forma sugerida de citación: Monteros, M. (2022). “Modelo Predictivo de Recomendación para el Despacho Energético del
Complejo Hidroeléctrico Paute”. Revista Técnica “energía”. No. 18, Issue II, Pp. 104-112
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2022 Operador Nacional de Electricidad, CENACE
Predictive Recommendation Model for the Energy Dispatch of the Paute
Hydropower Complex
Modelo Predictivo de Recomendación para el Despacho Energético del
Complejo Hidroeléctrico Paute
R.M. Monteros
1
1
Corporación Eléctrica del Ecuador CELEC EP - CELEC SUR, Cuenca, Ecuador
E-mail: marcelo.monteros@celec.gob.ec
Abstract
This work proposes to make the most of the water
resource used for the generation of electricity in
Ecuador. Three models based on artificial
intelligence have been made for the Mazar, Molino
and Sopladora hydroelectric plants that belong to
the Paute-Integral hydroelectric complex. For the
implementation of the predictive recommendation
algorithms, the behavior of the Mazar, Molino and
Sopladora plants was first modeled, after which
optimization was carried out to maximize electricity
generation according to the capacity of the
hydroelectric plants and hydrology. Finally, with the
results obtained, it is observed that the maximization
of electricity generation is achieved for the Mazar
and Molino plants. Regarding the Sopladora plant,
whose energy dispatch depends directly on the
electricity generation of the Molino plant, the
evaluation point remains to measure the impact
produced by the optimization of the Molino plant.
Resumen
El presente trabajo propone aprovechar al máximo
el recurso hídrico utilizado para la generación de
energía eléctrica en el Ecuador. Se ha realizado tres
modelos basados en inteligencia artificial para las
centrales hidroeléctricas Mazar, Molino y Sopladora
que pertenecen al complejo hidroeléctrico Paute-
Integral. Para la implementación de los algoritmos
predictivos de recomendación, primero se modeló el
comportamiento de las centrales Mazar, Molino y
Sopladora, posterior a lo cual se procedió a la
optimización para maximizar la generación eléctrica
acorde a la capacidad de las centrales hidroeléctricas
y la hidrología. Finalmente, con los resultados
obtenidos, se logra la maximización de la generación
eléctrica para las centrales Mazar y Molino.
Respecto a la central Sopladora, cuyo despacho
energético depende directamente de la generación
eléctrica de la central Molino, queda como punto de
evaluación medir el impacto producido por la
optimización de la central Molino.
Index terms Hydroelectric dispatch, Energy
dispatch optimization, predictive model.
Palabras clave Despacho Hidroeléctrico,
Optimización despacho energético, modelo
predictivo.
104
Edición No. 18, Issue II, Enero 2022
1. INTRODUCCIÓN
El propósito del presente estudio es diseñar un
algoritmo predictivo de recomendación que permita
predecir la producción de energía eléctrica de tres
centrales hidroeléctricas Mazar, Molino y Sopladora,
aprovechando el contexto de la capacidad de producción
en ese preciso momento, la hidrología y la filosofía de
operación.
Para lograrlo se establecen las siguientes fases:
Estado del Arte. En esta fase se realiza el
estudio e investigación de lo que se conoce
acerca de la predicción de la demanda energética.
Esto permite enfocar las acciones para la
implementación del algoritmo de predicción de
generación eléctrica.
Objetivos y Metodología. En esta fase se
describen los objetivos general y específico del
presente estudio, así como la metodología
aplicada para la construcción y evaluación del
modelo predictivo de recomendación.
Contribución. En esta fase se procede a
construir tres modelos predictivos uno para cada
una de las centrales Mazar, Molino y Sopladora.
El primer objetivo es determinar el
comportamiento normal de las tres centrales de
generación en base al contexto de la hidrología y
la filosofía de operación. Y el segundo objetivo
es la construcción de los modelos predictivos que
aprovechen la capacidad instalada y los recursos
hídricos para recomendar la producción más
acertada.
Descripción de resultados. La descripción de
resultados está dispuesta en dos etapas, la
primera es un análisis acerca del impacto de la
optimización en la operación de las centrales de
generación. Este análisis se realiza comparando
los datos actuales con los optimizados. La
segunda etapa corresponde al análisis del
impacto observable en el escenario de
vertimientos lo que constituye el aporte
significativo de este trabajo.
2. ESTADO DEL ARTE
El despacho energético depende de la demanda y de
la oferta existente en un Sistema Eléctrico de Potencia
(SEP). Sin embargo, el modelo predictivo de
recomendación que se propone está enfocado
únicamente a maximizar la producción de energía de las
centrales de generación de menor costo de producción
de energía eléctrica, que son las centrales Molino,
Mazar y Sopladora. Esta decisión está basada en la
obligación que tiene el CENACE de garantizar el
abastecimiento de energía al mínimo costo, preservando
la eficiencia y transparencia [1].
El emplazamiento de las centrales de generación
antes mencionadas se muestra en la Fig. 1, en la cual, el
modelo predictivo de recomendación debe tener la
capacidad de predecir la generación total del complejo
Paute Integral. Para lograrlo debe considerar: la estación
del año, los caudales de entrada, el nivel de los
embalses, restricciones técnicas como equipos en
mantenimiento, equipos disponibles, al igual que
feriados largos y el clima.
Para diseñar el modelo predictivo de recomendación,
se han investigado algunas alternativas; sin embargo, la
mayoría de los algoritmos se centran en el pronóstico de
la demanda de la energía eléctrica requerida a corto
plazo. Ahora, el objetivo del presente trabajo radica en
determinar la máxima cantidad de producción de
energía eléctrica que se puede generar en base a
caudales y niveles de embalse de las centrales de
generación Molino, Mazar y Sopladora. Por tanto, se
analizan los métodos basados en inteligencia artificial
que han dado resultado en el campo de despacho
energético.
Figura 1: Centrales hidroeléctricas de generación en estudio.
Fuente: [2]
2.1. Redes Neuronales Artificiales
Las redes neuronales artificiales han sido usadas
para el escenario tradicional, en que los SEP son
diseñados y operados como una sola entidad, y se
requiere un pronóstico de demanda de corto plazo, que
permita garantizar que el suministro sea confiable. El
uso de este método de aprendizaje automático ha
reportado muchos éxitos en la predicción a corto plazo
en ámbitos de STLF (Short Term Load Forecast),
principalmente enfocado en el reconocimiento y
clasificación de patrones [3].
Considerando que la predicción de la oferta de
energía está basada en hechos observados, se identifican
dos razones por la cuales se considera a las redes
neuronales aptas para la tarea de predicción y estas son
[3]: (1) Las redes neuronales artificiales tienen la
capacidad de aproximar numéricamente cualquier
función continua con una precisión arbitraria. (2) Las
redes neuronales artificiales es un método donde los
resultados dependen de los datos proporcionados; por lo
105
Monteros, R. / Modelo predictivo de recomendación para el despacho energético del complejo Hidroeléctrico Paute
tanto, no se requiere postular modelos y estimar
parámetros.
La arquitectura de red neuronal más utilizada para la
demanda de corto plazo es la Perceptrón Multicapa y las
metodologías que se han aplicado son las siguientes:
En un caso, se utilizaron datos de la demanda de
energía de cada hora del día como series temporales
distintas, correspondientes a los años 2011 y 2012; es
decir, se tiene 24 series y, por tanto, se desarrollaron 24
redes neuronales. Con este método se ha logrado que la
predicción de cada hora sea independiente. Adicional,
se ha considerado que, al realizarlo de la forma
expuesta, cada red neuronal resultante tiene menor
cantidad de parámetros con relación a una sola red
neuronal con 24 nodos de salida [3]. En el otro caso, se
utilizaron datos de la serie de tiempo recolectadas cada
15 minutos del periodo que comprende desde el 2007 al
2016. Los datos que contiene son: día, hora, minutos y
demanda [4].
Para el pre-procesamiento de datos, se ha
establecido que para determinar el perfil de la demanda
el factor más importante es el calendario, diferenciando
los días laborables, de los fines de semana y días
festivos, además del día de la semana y hora del día.
Con estas consideraciones, se ha realizado la siguiente
clasificación, basado en tres tipos de días que son:
a) Días laborables.
b) Fines de semana.
c) Días Feriados.
d) Otro factor importante es el clima; por lo cual, se
utilizó la temperatura diaria máxima ponderada,
obtenida de estaciones meteorológicas.
e) Finalmente, con el objeto de caracterizar la
estacionalidad anual de la demanda, cada mes del
año es representado por la humedad relativa
media mensual, velocidad del viento media
mensual y precipitación media mensual [4] [3].
Los diseños de los trabajos revisados están basados
en el Perceptrón Multicapa (MLP) feedForward full
conected. Este diseño está conformado por una capa
oculta cuya función de activación corresponde a la
Tangente Hiperbólica Sigmoidea; mientras que, la
función de activación de la única neurona de la capa de
salida utiliza una función lineal.
En lo referente a la cantidad de neuronas, el trabajo
[3] no indica la cantidad de neuronas en la capa oculta;
sin embargo, indica que se han utilizado 13 entradas
para predecir la demanda del día siguiente y determinar
el despacho. Las entradas son:
La demanda de la misma hora del día anterior y
de las cinco horas antes de ese día.
La demanda de la misma hora del mismo día de
la semana anterior.
La clasificación del tipo de día: laborable, fin de
semana o feriado, que ocupa dos entradas.
La temperatura máxima ponderada del día y las
características del mes que son: humedad
relativa, velocidad del viento y la precipitación
media mensual ocupan otras cuatro entradas.
Otro trabajo [4] indica el uso de ocho entradas para
predecir la demanda, una capa oculta con 27 neuronas,
una capa de salida que corresponde a la demanda de
energía eléctrica. Las entradas utilizadas son: a)
temperatura, b) humedad, c) hora del día, d) día de la
semana, e) una variable que indica si es un día festivo /
fin de semana, f) carga media del día anterior, g) carga
de la misma hora del día anterior, y h) Carga de la
misma hora y el mismo día de la semana anterior.
Finalmente, para el entrenamiento de las redes
neuronales artificiales se ha utilizado el método
backpropagation implementado en MatLab con el
algoritmo Levenberg Marquardt. [4].
2.2. Algoritmos Random Forest
El pronóstico de la demanda a corto plazo hace
referencia a la predicción con una hora, un día, o una
semana de antelación de la demanda y su precisión está
directamente relacionada con la seguridad, la estabilidad
y la economía en el funcionamiento del SEP [5].
El algoritmo Random Forest tiene la ventaja de ser
tolerante al ruido, resistente al sobreajuste y sólo se
necesita examinar pocos parámetros en comparación
con otros métodos [5].
Con lo descrito anteriormente, se analiza el trabajo
realizado por Huang et al. [5], en el que se propone un
método predictivo STLF de estimación de la demanda
energética basado en random forest. Para lo cual, se
realiza la siguiente metodología:
Los datos utilizados corresponden a la carga
histórica del año 2012 de una ciudad al noreste de
China. El conjunto total de datos contiene 366 días, el
9% (33 días) se utilizan para el conjunto de pruebas y el
91% (333 días) con conjunto de entrenamiento. El
muestreo es de cada hora.
Con el objeto de aumentar la fiabilidad del
experimento, el conjunto de prueba se distribuye al azar
y en cuatro trimestres.
Basados en los datos anteriores se establecen dos
tipos de predicciones: con una hora de anticipación y
con un día de anticipación; para lo cual, se utilizan las
siguientes características:
El valor de la carga historia de tiempo (t-i)
(i=1,2,3…;240)
Día laborable (1->Sí,2-> No)
Día actual.
El momento (de 0 a 23, 24 horas del día)
En este estudio se ignoran las covariables como la
temperatura.
106
Edición No. 18, Issue II, Enero 2022
Un punto importante en esta metodología es que se
realiza una etapa de preselección para obtener las
variables más importantes para la clase objetivo.
Únicamente las variables más importantes antes
obtenidas sirven para entrenar el modelo de Random
Forest.
3. OBJETIVOS Y METODOLOGÌA
3.1. Objetivo general
Crear un modelo predictivo de recomendación para
el proceso del pre-despacho de energía que permita
maximizar la producción de energía eléctrica en las
centrales Mazar, Molino y Sopladora en base a los
generadores en operación, los caudales de entrada de
agua y cuotas de los embalses de Mazar y Amaluza.
3.2. Objetivos específicos
Identificar los algoritmos predictivos utilizados
para despacho energético a corto plazo y sus
ventajas.
Identificar las variables predictivas que se
pueden considerar par la creación del modelo
predictivo.
Analizar la información disponible acerca del
despacho energético en las centrales de
generación Mazar, Molino y Sopladora.
Crear un modelo predictivo para cada central de
generación con las dependencias existentes por
tratarse de un complejo hidroeléctrico en
cascada.
Pruebas del algoritmo con días puntuales en los
meses de enero, febrero y marzo del 2020.
3.3. Metodología de trabajo
Con el objeto de alcanzar el objetivo general y los
objetivos específicos, la metodología del trabajo
conlleva los siguientes pasos:
1. Obtención de la información referente al
despacho energético de las centrales de
generación Mazar, Molino y Sopladora por
separado.
2. Análisis de datos de cada una de las centrales de
generación y determinación del comportamiento.
3. Definición del conjunto de información que se
utilizará para el aprendizaje y evaluación del
modelo predictivo de recomendación del
despacho energético. Para este proceso se utiliza
información de 5 años para las Centrales Mazar y
Molino (46.297 registros), y para la Central
Sopladora se utiliza información de tres años
(28.752 registros).
4. Entrenamiento del modelo predictivo de
recomendación utilizando el algoritmo Random
Forest. Para el entrenamiento se utilizará el 80%
de los datos y el 20% restante para la evaluación
del modelo.
5. Evaluación del modelo predictivo de
recomendación con métricas de regresión error
cuadrático medio (RMSE) y el coeficiente de
determinación (R² score).
6. Verificación de las variables predictivas más
importantes con Ramdom Forest.
7. Ajuste de datos de entrenamiento hasta conseguir
un error adecuado para la predicción del modelo.
8. Prueba del modelo predictivo de recomendación
con la información real.
4. CONTRIBUCIÓN
Con el objeto de corroborar los objetivos planteados,
se realiza tres modelos predictivos, uno para cada
central de generación Mazar, Molino y Sopladora. La
tecnología que se utiliza para la construcción de los
modelos antes descritos es Random Forest. Las
principales ventajas y las razones por las que se escogió
esta tecnología son las siguientes:
Es un modelo de propósito general que sirve
tanto para clasificación como para regresión.
Esto quiere decir que funciona correctamente
para el presente caso de estudio.
Este modelo es apto para trabajar con grandes
volúmenes de datos, dado que tiene la capacidad
de combinar los principios de baggin (algoritmos
ensamblados) con selección de la variable
aleatoria, añadiendo así diversidad y reduciendo
el coste computacional. Esta característica es de
gran utilidad ya que la información es horaria por
5 años y representa una gran cantidad de datos.
4.1. Organización del piloto
Para la organización del piloto se procedió a
construir tres modelos predictivos uno para cada una de
las centrales: Mazar, Molino y Sopladora. El objetivo es
determinar el comportamiento óptimo de las tres
centrales de generación basado en la filosofía de
operación, las condiciones ambientales y la capacidad
de producción disponible al momento.
Para el caso de la Central Sopladora, por ser una
central que no posee embalse, la generación de energía
depende directa y totalmente de la generación de la
Central Molino.
4.2. Fase 1. Comportamiento de las tres centrales
Para determinar el comportamiento de las tres
centrales se realiza el modelo predictivo de las tres
centrales de generación y se evalúan los resultados. Los
datos por considerar en los tres modelos corresponden a:
El caudal de entrada, medido en m³/s.
La cota de los embalses para el caso de las
centrales Mazar y Molino, para el caso de la
107
Monteros, R. / Modelo predictivo de recomendación para el despacho energético del complejo Hidroeléctrico Paute
central Sopladora es el nivel de la cámara de
interconexión. Estos datos son medidos en
metros sobre el nivel del mar (m.s.n.m.).
Las unidades de generación disponibles, medido
en unidades. Cada central de generación cuenta
con las siguientes unidades de generación:
La central Mazar: 2 unidades de
generación.
La central Molino: 10 unidades de
generación.
La central Sopladora: 3 unidades de
generación.
Respecto al central Molino, se incluye la
información de la generación de la Central Mazar y para
el caso de la Central Sopladora se incluye la generación
de la Central Molino.
4.2.1 Modelo predictivo para la central Mazar
En este acápite se explica el proceso involucrado en
el entrenamiento del modelo predictivo de
recomendación para la central Mazar.
Obtención de datos. Los datos fueron obtenidos del
sistema SARDOM (sistema desarrollado internamente
en CELEC SUR). Este sistema es utilizado para
recopilar la información de la generación de las
centrales de generación.
Los datos obtenidos para el análisis del
comportamiento de la central Mazar se basaron en los
campos expuestos en la Tabla 1.
Tabla 1: Campos Central Mazar
Campos Descripción
Hora día Constituyen las 24 horas del día
Mes Constituyen los 12 meses del año
Día
semana
Determina el día de la semana del lunes al domingo
(1 al 7)
Energía
real
Constituye el target (objetivo), y es la cantidad de
energía producida en una hora, día y mes específico.
Cota Constituye el nivel del agua en el embalse.
Caudal de
entrada
Medido en metros cúbicos por segundo, constituye la
cantidad de agua que ingresa al embalse.
Unidades
en línea
Constituye la cantidad de máquinas operando en la
hora específica. En este caso son 2 unidades de
generación.
La información obtenida acorde a la Tabla 1, está
basada en la historia de 5 años.
Análisis de datos: La dispersión de los datos se
puede revisar en la Tabla 2.
En la Tabla 2 se puede observar que el caudal más
elevado se encuentra en el último cuartil y sus valores
superan los 109 m³/s. De igual manera, respecto a la
cota el último cuartil supera los 2.153 metros sobre el
nivel del mar, lo cual coincide con la presencia de
varios vertimientos.
Tabla 2: Dispersión de datos cota y caudal
Nivel Mazar
m.s.n.m.
Caudal entrada
m³/s
Min 2.121,39 0,00
25% 2.143,23 37,83
50% 2.150,22 65,59
75% 2.153,14 109,28
Max 2.156,20 1.174,52
Los datos en percentiles de energía se visualizan en
la Tabla 3.
Tabla 3:Distribución percentil
P MW
Min 0,00
25% 0,00
50% 84,82
75% 154,65
Max 173,84
Considerando que cada unidad de generación tiene
la capacidad máxima de 85 MW, en la Tabla 3 se puede
corroborar que el 25% del tiempo no se produce energía
eléctrica, del 25% al 50% se genera energía eléctrica
equivalente a una máquina y sólo del 50% del tiempo en
adelante se utilizan las dos máquinas para generar
energía.
Definición de datos de entrenamiento: El conjunto
de datos disponible para el entrenamiento consiste en 5
años desde el 2015 hasta el 2019, en total 46.297
registros. De estos registros se obtienen el 20% para la
evaluación del modelo y se utilizan los datos
correspondientes a los tres primeros meses posteriores
para la evaluación del modelo como test en vivo, esto
es: enero, febrero y marzo del 2020.
Figura 2: Evaluación del Modelo Predictivo
Fuente: Elaborado por el autor
Entrenamiento del modelo predictivo: El
entrenamiento del modelo predictivo se realiza con 250
árboles, utilizando el 80% de los datos para el
entrenamiento y el 20% para la evaluación.
Evaluación del modelo: Los resultados de la
evaluación se observan en la Fig. 2. Las métricas
utilizadas para evaluar el modelo de predicción se
observan en la Tabla 4:
108
Edición No. 18, Issue II, Enero 2022
Tabla 4: Métricas de evaluación
Modelo RMSE RMSLE R² score
RandomForestRegressor 17,97 0,42 0,92
La Tabla 4 indica que el error en la predicción es de
17,97; sin embargo, se tiene una precisión del 92% en la
predicción de los datos de evaluación. El valor de
RMSLE de 0,42 indica que no existe sobreajuste en la
predicción, lo que implica que el modelo tiene una
capacidad aceptable para generalizar.
4.2.2 Modelo predictivo para la central Molino
En este punto se explica el proceso involucrado en el
entrenamiento del modelo predictivo de recomendación
para la central Molino.
Obtención de datos: Los datos también fueron
obtenidos del sistema SARDOM. Los datos obtenidos
para el análisis del comportamiento de la central Molino
se basaron en los campos: hora día, mes, día semana,
energía real, cota, caudal entrada, unidades en línea,
como se puede observar en la Tabla 5.
Tabla 5:Campos Central Molino
Campos Descripción
Hora día Constituyen las 24 horas del día
Mes Constituyen los 12 meses del año
Día semana Determina el día de la semana del lunes al
domingo (1 al 7)
Energía real
Molino
Constituye el target (objetivo), y es la cantidad
de energía producida en una hora, día y mes
específico.
Cota Constituye el nivel del agua en el embalse
Amaluza.
Caudal
entrada
Medido en metros cúbicos por segundo,
constituye la cantidad de agua que ingresa al
embalse.
Unidades en
línea
Constituye la cantidad de máquinas operando en
la hora específica. En este caso son 10 unidades
de generación.
Energía real
Mazar
Constituye la energía que produjo la central
Mazar
La información obtenida acorde a la Tabla 5, está
basada en la historia de 5 años, recopilada en forma
horaria.
Análisis de datos: La dispersión de los datos se
puede revisar en la Tabla 6, en la cual se puede observar
que el caudal más elevado se encuentra en el último
cuartil y sus valores superan los 168 m³/s. De igual
manera, respecto a la cota el último cuartil supera los
1.990 metros sobre el nivel del mar, lo cual coincide con
la presencia de varios vertimientos.
Tabla 6: Dispersión de datos cota y caudal Molino
Campos Cota
m.s.n.m.
Caudal
m³/s
Energía Mazar
MWh
Min 1.971,65 0 0
25% 1.983,33 67,77 0
50% 1.985,92 125,40 84,82
75% 1.990,34 168,20 154,65
Max 1.992,06 1.250,40 173,84
Distribución de datos de la variable target: La
distribución de datos de la variable target durante los
cinco años analizados mantiene la forma reflejada en la
Tabla 7.
Tabla 7: Distribución de datos target Molino
Campos Energía Mw
Min 0
25% 436,81
50% 604,01
75% 778,71
Max 1.098,28
En la Tabla 7 se puede observar el comportamiento
de la generación de energía de la Central Molino. Este
comportamiento refleja que el 50% del tiempo de
producción de energía eléctrica representa valores
superiores a 604 MWh de un total de 1.100 MWh.
Definición de datos de entrenamiento: El conjunto
de datos disponible para el entrenamiento consiste en 5
años desde el 2015 hasta el 2020, en total 46.297
registros. De estos registros se obtiene el 20% para la
evaluación del modelo y se utilizan los datos
correspondientes a los tres primeros meses posteriores
para la evaluación del modelo como test en vivo, esto
es: enero, febrero y marzo del 2020.
Entrenamiento del modelo predictivo: El
entrenamiento del modelo predictivo se realiza con 550
árboles, utilizando el 80% de los datos para el
entrenamiento y el 20% para la evaluación.
Evaluación del modelo: Los resultados de la
evaluación se observan en la Fig. 3.
Figura 3: Evaluación del Modelo Predictivo
Fuente: Elaborado por el autor
Las métricas utilizadas para evaluar el modelo de
predicción se observan en la Tabla 8:
Tabla 8: Métricas de evaluación.
Modelo RMSE RMSLE R² score
RandomForestRegressor 75,28 0,14 0,89
109
Monteros, R. / Modelo predictivo de recomendación para el despacho energético del complejo Hidroeléctrico Paute
La Tabla 8 indica que el error en la predicción es de
75,28, el cual compara el valor predicho respecto al
valor conocido; sin embargo, se tiene una precisión del
89% en la predicción de los datos de evaluación. Por
tanto, el valor RMSE se le considera tolerable dentro de
los parámetros indicados. El valor de RMSLE de 0,14
nos indica que no existe sobreajuste en la predicción, lo
que implica que el modelo tiene una capacidad
aceptable para generalizar.
4.2.3 Modelo predictivo para la central Sopladora
En este acápite se explica el proceso involucrado en
el entrenamiento del modelo predictivo de
recomendación para la central Sopladora.
Obtención de datos: Los datos obtenidos para el
análisis del comportamiento de la central Sopladora,
obtenidos del sistema SARDOM, se basaron en los
campos: hora, día, mes, día de la semana, energía real,
cota, caudal entrada, y unidades en línea; expuestos
anteriormente en Mazar, adicionando los campos
expuestos en la Tabla 9.
Tabla 9: Campos Central Sopladora
Campos Descripción
Hora día Constituyen las 24 horas del día
Mes Constituyen los 12 meses del año
Día semana Determina el día de la semana del lunes al
domingo (1 al 7)
Energía real
Sopladora
Constituye el target (objetivo), y es la
cantidad de energía producida en una hora,
día y mes específico.
Cota Constituye el nivel del agua en el embalse
Amaluza.
Caudal entrada Medido en metros cúbicos por segundo,
constituye la cantidad de agua que ingresa al
embalse.
Unidades en línea Constituye la cantidad de máquinas operando
en la hora específica. En este caso son 3
unidades de generación.
Energía real
Molino
Constituye la energía que produjo la central
Molino
Cámara
Interconexión
Sopladora
Constituye una cámara que almacena el agua
temporalmente.
La información obtenida acorde a la Tabla 9, está
basada en la historia de 3 años, recopilada en forma
horaria.
Análisis de datos: La dispersión de los datos se
puede revisar en la Tabla 10, en la que se puede
observar que el caudal más elevado se encuentra en el
último cuartil y sus valores superan los 123,17
m³/segundos. De igual manera, respecto al nivel de la
cámara de interconexión en el último cuartil supera los
1.316,42 metros sobre el nivel del mar.
Tabla 10: Dispersión de datos cota y caudal.
Cámara
Interconexión
m.s.n.m
Caudal
m³/s
Energía
MolinoM
Wh
Min 1.311,99 0 0
25% 1.315,79 74,86 444,63
50% 1.316,07 97,76 573,23
75% 1.316,42 123,17 719,94
Max 1.318,00 185,59 1.098,28
Distribución de datos de la variable target: La
distribución de datos de la variable target durante los
tres años analizados mantiene la forma reflejada en la
Tabla 11, en la que se puede observar el
comportamiento de la generación de energía de la
Central Sopladora. Este comportamiento refleja que el
50% del tiempo de producción de energía eléctrica
representa valores superiores a 260 MWh de un total de
posible de 487 MWh.
Definición de datos de entrenamiento: El conjunto
de datos disponible para el entrenamiento consiste en 3
años desde el 2017 hasta el 2020, en total 28.752
registros. De estos registros se obtiene el 20% para la
evaluación del modelo y se utilizan los datos
correspondientes a los tres primeros meses posteriores
para la evaluación del modelo como test en vivo, esto
es: enero, febrero y marzo del 2020. El piloto se lo
realiza con datos del mes de abril de 2020.
Tabla 11: Distribución de datos target Central Sopladora
Energía Mw
Count
28.752
Mean
260,56
Std
96,28
Min
0
25% 204,62
50%
260,41
75%
324,30
Max
484,50
Entrenamiento del modelo predictivo: El
entrenamiento del modelo predictivo se realiza con 400
árboles, utilizando el 80% de los datos para el
entrenamiento y el 20% para la evaluación.
Evaluación del modelo: Los resultados de la
evaluación se observan en la Fig. 4.
Figura 4: Evaluación del Modelo Predictivo Central Sopladora
Fuente: Elaborado por el autor
110
Edición No. 18, Issue II, Enero 2022
Las métricas utilizadas para evaluar el modelo de
predicción se observan en la Tabla 12:
Tabla 12: Métricas de evaluación
Modelo RMSE RMSLE R² score
RandomForestRegressor 28,07 0,22 0,91
La Tabla 12 indica que el error en la predicción es
de 28,07; sin embargo, se tiene una precisión del 91%
en la predicción de los datos de evaluación. El valor de
RMSLE de 0,22 nos indica que no existe sobreajuste en
la predicción, lo que implica que el modelo tiene una
capacidad aceptable para generalizar.
4.3. Fase 2. Optimización de los modelos predictivos
de recomendación
Para la realización de la optimización, se determina,
tanto para la Central Mazar como para la Central
Molino un límite de cota que representa la presencia de
vertimiento inminente. En caso de llegar a dicho límite,
se debe proceder con el despacho de la energía máxima,
o en su defecto, con el despacho del 90% del volumen
de agua ingresado en el embalse el día anterior, esto
acorde al siguiente artículo [6].
Acorde a lo indicado, se determina que el límite de
cota que indica vertimiento inminente para el embalse
de la Central Mazar es de: 2.151,5 m.s.n.m. y para la
cota del embalse de la Central Molino es de: 1.989
m.s.n.m. [6].
5. RESULTADOS
La descripción de resultados está dispuesta en una
primera etapa, que consiste en un análisis acerca del
impacto de la optimización en la operación de las
centrales de generación. Este análisis se realiza
comparando los datos actuales con los optimizados.
5.1. Primera etapa
Par el caso de la Central Mazar, la comparativa de
los dos escenarios actual y optimizado se puede
observar en las Fig. 5 y 6 Escenarios Central Mazar.
Figura 5: Escenario Optimizado Mazar. Fuente: Realizado por el
autor
Figura 6: Escenario Actual Mazar. Fuente: Realizado por el autor
Par el caso de la Central Molino, la comparativa de
los dos escenarios actual y optimizado se puede
observar en las Figs. 7 y 8 Escenarios Central Molino.
Figura 7: Escenario Optimizado Molino. Fuente: Realizado por
el autor
Figura 8: Escenario actual Molino. Fuente: Realizado por el autor
De este análisis se concluye que podría existir un
incremento de generación de energía aplicando el
modelo predictivo de recomendación con una seguridad
del 94% para el caso de la central Molino y 96% para el
caso de la Central Mazar.
Para el caso de la central Sopladora, depende
directamente de la producción de energía de la Central
Molino y por ende de los niveles de la cámara de
interconexión; por tanto, no se modela una optimización
para esta central, simplemente se modela el estado
actual.
6. CONCLUSIONES Y RECOMENDACIONES
Durante la ejecución del piloto se realizó una
comparación entre los valores predichos, los valores
reales y los valores estimados por el organismo
111
Monteros, R. / Modelo predictivo de recomendación para el despacho energético del complejo Hidroeléctrico Paute
encargado de regular el despacho energético del
Ecuador (CENACE). Cabe recalcar que los valores
predichos del algoritmo de recomendación cumplen con
la optimización esperada y denotan un incremento en la
generación de energía durante el periodo de invierno.
Para el caso de la central Mazar, cuando la cota llega
al valor de vertimiento inminente que corresponde a
2.151,5 m.s.n.m. el modelo predictivo recomienda el
valor máximo de generación, esto es potencias cercanas
a los 170 MW.
Así mismo, cuando no existen unidades disponibles
para la generación, el valor predicho es 0 y cuando la
cota está llegando a su valor mínimo de operación 2.105
m.s.n.m y tiene poco caudal de entrada al embalse, y
existe una máquina disponible, el algoritmo respeta la
generación mínima factible de 65 MWh acorde a lo
esperado.
Para el caso de la Central Molino, cuando la cota
llega al valor de vertimiento inminente que corresponde
a 1.989 m.s.n.m. el modelo predictivo recomienda el
valor máximo de generación; esto es, el máximo valor
de generación 1.100 MWh menos el 5% de la potencia
como reserva rodante, requerido por AGC. Así mismo,
cuando no existen unidades disponibles para la
generación, el valor predicho es 0 y cuando la cota del
embalse está llegando a su valor mínimo de operación
1.975 m.s.n.m y tiene poco caudal de entrada, y existe
una máquina disponible, el algoritmo respeta la
generación mínima factible de 25 MWh acorde a lo
esperado.
Para la central Sopladora no se generó ninguna
optimización. Para el test, se consideraron cinco
escenarios reales en los que se probó el algoritmo
planteado vs el algoritmo del CENACE. Los datos
predichos del algoritmo planteado en tres escenarios
tuvieron menor diferencia respecto al despacho real en
comparación con la predicción del algoritmo del
CENACE.
Finalmente, es importante recalcar que los factores
determinantes para la predicción adecuada son la cota,
el caudal de entrada y las unidades de generación.
REFERENCIAS BIBLIOGRÁFICAS
[1] Asamblea Nacional de la República del Ecuador,
LEY ORGANICA DEL SERVICIO PÚBLICO DE
ENERGÍA ELECTRICA, Quito, Pichincha: LEY 0
REGISTRO OFICIAL SUPLEMENTO 418, 2015.
[2] CELEC, «www.celec.gob.ec,» 31 12 2015. [En
línea]. Available: www.celec.gob.ec.
[3] O. Barboza, «Automatización de previsión de
demanda horaria de potencia,» Revista Científica
de la UCSA, pp. 4-14, 2014.
[4] I. F. Sinaluisa Lozano, A. F. Morocho Caiza y C.
Marquez Zurita, «Predicción de demanda de
energía eléctrica mediante redes neuronales
artificiales,» Risti, pp. 505-519, 2019.
[5] N. Huang, L. Guobo y X. Dianguo, «A Permutation
Importance-Based Feature Selection Method for
Short-Term Electricity Load Forecasting Using
Random Forest,» Energies, 2016.
[6] J. Zalamea, «Despacho Hidrotérmico de Mediano
Plazo aplicado al Complejo Hidroeléctrico Paute
Integral,» Revista Técnica “energía”, nº 18, pp. 95-
105, 2021.
[7] G. T. Doran, «There's a S.M.A.R.T. way to write
management's goals and objectives,» Management
Review (AMA FORUM), vol. 70, pp. 35-36, 1981.
[8] CONELEC, Estudio y Gestion de la Demanda
Electrica, Quito, Provincia, 2013.
[9] ARCONEL, Estadística Anual y Multianual del
Sector Eléctrico Ecuatoriano, Quito, Pichincha,
2018.
[10] CELEC EP, «Plan Estratégico 2017-2021,»
Cuenca, 2019.
[11] G. Argüello, INFORME OPERATIVO ANUAL,
2019.
Rubén Marcelo Monteros
Guerrero.- Nació en Quito en
1977. Recibió su título de
Ingeniero en sistemas e
Informática de la Escuela
Politécnica del Ejercito en 2000; y
en el 2008 su título de MBA en la
Escuela Politécnica de Ejercito
(ESPE), Master en Inteligencia Artificial en el 2020.
Sus campos de investigación están relacionados a la
implementación de sistemas basados en modelos
predictivos para la optimización del despacho
energético y sistemas SCADA para la operación de las
centrales de generación eléctrica.
112
