Abstract
Electric energy demand prediction models are used by energy marketers to plan the demand hour by hour of the following week. Using these predictions, the company of experts in markets (XM) plans the allocation of the generation of electric power to the different generators connected to the network. The precision of these models is extremely important because with these the purchase of energy is planned and this allows the control of operating costs to be controlled. A bad prediction by the FCUs will be put to detailed monitoring before the National Operation Council (NOC) due to the performance of the forecasts, in this article we will present some of the models that have been implemented to carry out the demand forecasts of energy, and a model is proposed using stacking methods (based on statistical methods) and text mining, which improves the deviations of energy demand forecasts and that could be im-planted by different FCU in Colombia.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
References
Barrientos, A.F., Olaya, J., González, V.M.: Un modelo spline para el pronóstico de la demanda de energía eléctrica. Revista Colombiana de Estadística 30(2), 187–202 (2007)
CODENSA, Grupo Enel: Metodología pronóstico oficial de demanda Codensa. https://www.cno.org.co/sites/default/files/documentos/noticias/Pronostico_Codensa_22072016_v1.pdf. Visitado 29 Sept 2017
Franco, C.J., Velásquez, J.D., Cardona, D.: Micromundo para simular un mercado eléctrico de corto plazo. Cuadernos de Economía 31(58), 229–256 (2012)
García Gutiérrez, Á.: Machine learning en bases de datos de lenguaje natural. Trabajo de grado en Ingeniería Informática y Matemáticas, Escuela Politécnica Superior y Universidad Autónoma de Madrid (2016)
Moreno Garcia, M.N., Segrera Francia, S.: Multiclasificadores: métodos y arquitecturas. Departamento de Informática y Automática Universidad de Salamanca (2006)
Ortiz Parra, D.A.: Aplicación de redes neuronales artificiales en el pronóstico de la demanda eléctrica a corto plazo en el sni. http://dspace.ups.edu.ec/bitstream/123456789/6672/6/UPS-KT00835.pdf
Rueda, V.M., Velasquez Henao, J.D., Franco Cardona, C.J.: Avances recientes en la predicción de la demanda de electricidad usando modelos no lineales. DYNA 78(167), 36–43 (2011)
Boada, A.: Modelo Dinámico Bayesiano y Modelos Estadísticos Predictivos. Bayesian Dynamic. Dimensión Empresarial 15(1), 25–41 (2016)
Sarmiento Maldonado, H.O., Villa Acevedo, W.M.: Inteligencia artificial en pronóstico de demanda de energía eléctrica: una aplicación en optimización de recursos energéticos. Revista Colombiana de Tecnología Avanzada 2(12), 94–100 (2008)
Tabares Muñoz, J.F., Velasquez Galvis, C.A., Valencia Cardenas, M.: Comparación de técnicas estadísticas de pronóstico para la demanda de energía eléctrica. revista Ingeniería Industrial-Año 13(1), 19–31 (2014)
Valencia Cardenas, M., Correa Morales, J.: Un modelo dinámico bayesiano para pronóstico de energía diaria. Revista Ingeniería Industrial 12(2), 7–17 (2013)
Vasquez Macedo, R.R., Mamani Huacani, D.N.: Pronóstico de la demanda de energía eléctrica para Bolivia Aplicación de inteligencia artificial. Instituto de Estudios Sociales y Económicos IESE–UMSS, Instituto Nacional de Estadística INE, Agosto (2013)
Mariñelarena, D., Errecalde, M.L., Castro Solano, A.: Extracción de conocimiento con técnicas de minería de textos aplicadas a la psicología. Revista Argentina de Ciencias del Comportamiento 9(2), 65–76 (2017)
Maté, A., Peral, J., Fernandez, A., Gil, D., Trujillo, J.: A hybrid integrated architecture for energy consumption prediction. Future Gener. Comput. Syst. 63, 131–147 (2016)
Fernández De Mesa Bustelo, M.: Análisis y mejora de la predicción de la demanda eléctrica en periodos de alto ECM. Info:eu-repo/semantics/bachelorThesis, julio de 2016
Carrasquilla Batista, A., Chacon Rodriguez, A., Nuñez Montero, K., Gomez Espinoza, O., Cerdas, J.V., Guerrero Barrantes, M.: Regresión lineal simple y múltiple: aplicación en la predicción de variables naturales relacionadas con el crecimiento microalgal. Revista Tecnología en Marcha 29(8), 33–45 (2016)
Amaris, G., Ávila, H., Guerrero, T.: Applying ARIMA model for annual volume time series of the Magdalena River. Tecnura 21(52), 88–101 (2017)
Broz, D.R., Valentina, N.V.: Predicción de precios de productos de Pinus spp. con modelos ARIMA. Madera y bosques 20(1), 37–46 (2014)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2018 Springer Nature Switzerland AG
About this paper
Cite this paper
Velasco Castillo, J.H., Castillo, A.M. (2018). Prediction Model of Electricity Energy Demand for FCU in Colombia Based on Stacking and Text Mining Methods. In: Serrano C., J., Martínez-Santos, J. (eds) Advances in Computing. CCC 2018. Communications in Computer and Information Science, vol 885. Springer, Cham. https://doi.org/10.1007/978-3-319-98998-3_23
Download citation
DOI: https://doi.org/10.1007/978-3-319-98998-3_23
Published:
Publisher Name: Springer, Cham
Print ISBN: 978-3-319-98997-6
Online ISBN: 978-3-319-98998-3
eBook Packages: Computer ScienceComputer Science (R0)