MODELO PARA LA PROYECCIÓN DE DEMANDA DE ENERGÍA ELÉCTRICA EN COLOMBIA

MODELO PARA LA PROYECCIÓN DE DEMANDA DE ENERGÍA ELÉCTRICA EN COLOMBIA

Unidad de Planeación Minero EnergéticaUPME

Subdirección de Demanda

Carlos Arturo Garcia Botero

William Alberto Martinez Moreno

Diciembre de 2014

INTRODUCCIÓN

I. Factores como los económicos, sociales y meteorológicos influyensobre la demanda de energía eléctrica (Al-Alawi, Islam., 1996), porlo que la proyección de la demanda en Colombia tiene un papelmuy importante para prever la necesidad de programar laconstrucción de nuevas centrales de generación de energíaeléctrica, la expansión del sistema de transmisión de energía ydeterminar las políticas para la regulación de los precios.

II. Para la construcción del modelo de proyección de la demanda deenergía eléctrica se emplea la teoría de combinación depronósticos y variables predictoras con error, propuesta por ElkinCastaño V., Elkin (1994).

INTRODUCCIÓN

ESTUDIOS INTERNACIONALESAUSTRALIA INDIA

NUEVA ZELANDA

ESTADOS UNIDOSREINO UNIDO

OHIO WASHINGTON

VARIABLES

Demanda de electricidad

industrial

Consumo de energía per

cápita.

Consumo de electricidad doméstica

Demanda de electricidad

Demanda de electricidad por hogar

Demanda de electricidad

Demanda de electricidad

PIB per cápita. Consumo de

electricidad no doméstica

Actividad económica

Demanda de electricidad

Efecto calendario

Demografía Importaciones. Consumo total de electricidad

Efecto calendario

Ingreso personal real

por hogar

Iluminación efectiva

Economía Exportaciones. PIB PIBIngreso real

personalNubosidad

Efecto calendario

Población. PoblaciónPoblación en

un áreaPrecio real de la electricidad

Poder de enfriamiento

de viento

Efectos de la temperatura

(temperaturas Melbourne y temperaturas

Frankston)

Precio de la electricidad

Precio de gasnatural anual

Precio real del gas natural

Temperatura

Principales cargas

industriales

Precio de venta

promedio anual de

electricidad

Velocidad del viento

AUTORFAN, SHU., AND

HYNDMAN, ROB J. (2013).

S. SARAVANAN, S. KANNAN,

and C. THANGARAJ.

(2012)

ZAID MOHAMED,

PAT BODGER. (2005)

PIELOWA, AMY.,

SIOSHANSIA, RAMTEEN., and

ROBERTSB, MATTHEW C.

(2012)

JORGENSEN, JASON B., and JOUTZ, FRED.

(2012)

TAYLOR, JAMES W. and BUIZZA,

ROBERTO. (2003)

ESTUDIOS COLOMBIA

VARIABLES

Factor de cambio

Demanda acumulada

Demanda horaria de

electricidad -

Regional

Comportamiento de la demanda

de la UCP (Unidad de Control de

Pronóstico) de EPSA

Consumo horario de energía en

el Municipio de Pereira

Demanda horaria de

electricidad

Demanda mensual de electricidad

Demanda mensual de electricidad

Demanda horaria de

electricidad

Mes de aumento en la

demanda

Mes de disminución de

la demanda

Tarifa promedio de la energía

Instalaciones domiciliarias de

gas

Consumo de ACPM

Consumo de gas natural

Efecto calendario

Efecto calendario - filtros por tipo de

día

Temperatura superficial del

mar “Niño”

Importaciones

Exportaciones

PIB

Demanda mensual de

energía

AUTORMEDINA, S.; GARCÍA, J.

(2005).

BARRIENTOS, A.F.; OLAYA,

J.; GONZÁLEZ, V.M. (2007).

VALENCIA, A.L.; LOZANO, C.A.; MORENO, C.A.

(2007)

MURILLO, J.; TREJOS, A.; CARVAJAL, P. (2003).

CASTAÑO V., ELKIN.

(2007).

VELÁSQUEZ, J.D.;

FRANCO, C.J.;

GARCÍA, H.A. (2009).

FRANCO, C.J.;

VELÁSQUEZ, J.D.; OLAYA,

Y. (2008).

SARMIENTO, H.; VILLA, W.

(2008).

Fuentes: RUEDA M., VIVIANA, “Predicción del consumo de energía en Colombia con modelos no lineales”.

Universidad Nacional de Colombia. Tesis de Maestría. Medellín, Colombia. Páginas: 1

– 75. 2011.

UPME, 2014.

Fuente: UPME, 2014.

CRECIMIENTO ANUAL DE LAS VARIABLES DEL MODELO

3,16%

5,35%

1,16%

-2,77%

-8,00%

-6,00%

-4,00%

-2,00%

0,00%

2,00%

4,00%

6,00%

8,00%

10,00%

ma

r.-9

5

ag

o.-

95

en

e.-

96

jun

.-9

6

no

v.-

96

ab

r.-9

7

sep

.-9

7

feb

.-9

8

jul.-9

8

dic

.-98

ma

y.-

99

oc

t.-9

9

ma

r.-0

0

ag

o.-

00

en

e.-

01

jun

.-0

1

no

v.-

01

ab

r.-0

2

sep

.-0

2

feb

.-0

3

jul.-0

3

dic

.-03

ma

y.-

04

oc

t.-0

4

ma

r.-0

5

ag

o.-

05

en

e.-

06

jun

.-0

6

no

v.-

06

ab

r.-0

7

sep

.-0

7

feb

.-0

8

jul.-0

8

dic

.-08

ma

y.-

09

oc

t.-0

9

ma

r.-1

0

ag

o.-

10

en

e.-

11

jun

.-1

1

no

v.-

11

ab

r.-1

2

sep

.-1

2

feb

.-1

3

jul.-1

3

dic

.-13

CRECIMIENTO ANUAL

DEMANDA DE ENERGÍA ELÉCTRICA PIB TOTAL POBLACIÓN TEMPERATURA

DEFINICIONES (I)

Un modelo VAR es un modelo de ecuaciones simultáneas formadopor un sistema de ecuaciones de forma reducida sin restringir. Quesean ecuaciones de forma reducida quiere decir que los valorescontemporáneos de las variables del modelo no aparecen comovariables explicativas en las distintas ecuaciones. El conjunto devariables explicativas de cada ecuación esta constituido por unbloque de retardos de cada una de las variables del modelo. Quesean ecuaciones no restringidas significa que aparece en cada unade ellas el mismo grupo de variables explicativas.

En un modelo VAR todas las variables son tratadas simétricamente,siendo explicadas por el pasado de todas ellas. El modelo tienentantas ecuaciones como variables, y los valores retardados de todaslas ecuaciones aparecen como variables explicativas en todas lasecuaciones. Una vez estimado el modelo, puede procederse aexcluir algunas variables explicativas, en función de su significanciaestadística, pero hay razones para no hacerlo.

Fuente: Novales, Alfonso, “Modelos vectoriales autorregresivos (VAR)”,Universidad de Complutence, Madrid, España, 2013, pp: 1- 34.

DEFINICIONES (II)

Un modelo de Vector de Corrección del Error (VEC) es unmodelo VAR restringido (habitualmente con sólo dos variables)que tiene restricciones de cointegración incluidas en suespecificación, por lo que se diseña para ser utilizado con seriesque no son estacionarias pero de las que se sabe que soncointegradas.

Fuentes: Gujarati, Damodar N., “Econometría”, Cuarta Edición, Parte II y Parte I,. Capítulos 13.1 a 13.9, y 18.1 a 18.4, Editorial Mc Graw

Hill. México, 2004, pp: 507 – 539 y 717 – 728.

Pérez López, C., “Econometría. Conceptos y Problemas resueltos de Econometría”, Capitulo 4, Madrid, España. 2006. ISNB:84-

9732-376-9.

METODOLOGÍA PARA LAS PROYECCIONES DE DEMANDA DE EE : COMBINACIÓN DE PRONÓSTICOS

Para reducir el error y el sesgo sistemático, se utilizará el Métodode combinación de pronósticos de diferentes modelos. Coneste objetivo se consideraron tres modelos que predicen lademanda de energía eléctrica en Colombia, los cuales sonmodelos multivariados (VAR y VEC). Los modelos empleadosfueron un modelo VAR endógeno y VAR exógeno, y un modeloVEC endógeno con la variable temperatura exógena.

Fuente: CASTAÑO V., ELKIN. Revista Lecturas de Economía No. 41. “Combinación de pronósticos y variables predictoras con error”. 1994.

Páginas 59 – 80.

METODOLOGÍA PARA LAS PROYECCIONES DE DEMANDA DE EE :Para los modelos VAR se estimó con las diferencias logarítmicasde las series, las cuales requerían que fueran estacionarias, porlo tanto se realizó la Prueba de Raíz Unitaria - Phillips - Perron(PP); la cual cumplió satisfactoriamente.

Por otra parte, para el Modelo VEC se estimó con los logaritmosde las series, en donde debía existir entre las variables unacombinación lineal de las mismas, por lo tanto se realizó laPrueba de Cointegración de Johansen, cumpliendo tambiénsatisfactoriamente dicha prueba.

Y en general para todos los modelos se realizó la prueba deselección de orden de rezagos, obteniendo en cada uno deellos el número de rezagos idóneo.

MODELO VAR

∆𝑙𝑛𝐷𝐸𝐸𝑡 = 𝑓(∆𝑙𝑛𝐷𝐸𝐸𝑡−𝑘 , ∆𝑙𝑛𝑃𝐼𝐵𝑇𝑜𝑡𝑎𝑙𝑡−𝑘, ∆𝑙𝑛𝑃𝑂𝐵𝑡−𝑘 , ∆𝑙𝑛𝑇𝐸𝑀𝑃𝑡−𝑘 , 𝐶𝑡𝑒)

MODELO VEC

∆𝑙𝑛𝐷𝐸𝐸𝑡 = 𝑓(∆𝑙𝑛𝐷𝐸𝐸𝑡−𝑘 , ∆𝑙𝑛𝑃𝐼𝐵𝑇𝑜𝑡𝑎𝑙𝑡−𝑘, ∆𝑙𝑛𝑃𝑂𝐵𝑡−𝑘 , 𝑇𝐸𝑀𝑃𝑡 , 𝐷𝑢𝑚𝑚𝑦𝑡 , 𝐶𝑡𝑒𝑀,𝐶𝐸 𝑙𝑛𝐷𝐸𝐸𝑡−1, 𝑙𝑛𝑃𝐼𝐵𝑇𝑜𝑡𝑎𝑙𝑡−1, 𝑙𝑛𝑃𝑂𝐵𝑡−1, ∆𝑇𝑟𝑒𝑛𝑑, 𝐶𝑡𝑒𝑐𝑒 )

ABREVIATURA

Demanda de Energía Eléctrica : DEE

PIB Total : PIBTotal

Población : POB

Temperatura Media : TEMP

Corrección del error : CE

METODOLOGÍA PARA LAS PROYECCIONES DE DEMANDA DE EE : ANÁLISIS ERRORES Y SESGO SISTEMÁTICO

Error Promedio Porcentual:

𝐴𝑃𝐸 =1

𝑛

𝑡=1

𝑛

100 ∗ (𝑃𝑡 − 𝐴𝑡𝐴𝑡

)

Error Cuadrático Medio:

𝑀𝑆𝐸 =1

𝑛

𝑡=1

𝑛

100 ∗ (𝑃𝑡 − 𝐴𝑡𝐴𝑡−1

)2 =1

𝑛

𝑡=1

𝑛

(𝑝𝑡 − 𝑎𝑡)2

Error Promedio Absoluto:

𝐴𝐴𝐸 =1

𝑛

𝑡=1

𝑛

𝐴𝑡 − 𝑃𝑡

donde,

𝑝𝑡 =𝑃𝑡 − 𝐴𝑡−1𝐴𝑡−1

𝑎𝑡 =𝐴𝑡 − 𝐴𝑡−1𝐴𝑡−1

B = Sesgo = (𝑝 − 𝑎)

𝑀𝑆𝐸

2

M = 𝑀𝑜𝑑𝑒𝑙𝑜 =(𝑆𝑝 − 𝑟𝑆𝑎)

2

𝑀𝑆𝐸

R = 𝐴𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜 = (1 − 𝑟2) ∗ 𝑆𝑎

2

𝑀𝑆𝐸)

Siendo P el valor proyectado y A el valor real histórico.

Donde Sp es la desviación estándar de la población de p, rson los coeficientes de correlación entre P y A, y Sa es ladesviación estándar de a.

Fuente: CONSIDINE, TIMOTHY J. & CLEMENTE, FRANK A. (2007). “Gas-Market Forecast: BETTING ON BAD NUMBERS”.

RESULTADOS

PROYECCIONES DEL MERCADO DE ENERGÍA ELÉCTRICA EN COLOMBIA (I)

VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO

APE 0.16% -0.10% 3.40% 0.65%

AAE 155.97 151.54 485.42 139.43

MSE 0.019% 0.017% 0.135% 0.016%

MSE VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO

Sesgo (B) 0.21% 1.62% 88.80% 23.51%

Modelo (M) 31.56% 17.03% 1.50% 26.45%

Aleatorio (R) 68.23% 81.36% 9.71% 50.04%

12.500

13.000

13.500

14.000

14.500

15.000

15.500

16.000

16.500

GW

h

Mes - Año

Comportamiento de los modelos con respecto al histórico

Histórico VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO Lineal (Histórico)

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

VAR ENDÓGENO VAR EXÓGENO VEC COMBINADO

Mes - Año Proyecciones UPME

% de Participación de las Componentes del Error Medio Cuadrático

Sesgo (B) Modelo (M) Aleatorio (R)

PROYECCIONES DEL MERCADO DE ENERGÍA ELÉCTRICA EN COLOMBIA (II)

Sea, B = Sesgo

M = ModeloR = Aleatorio

MSE (B, M, R) │ {B, M, R ϵ IR (0, 1)

B + M + R = 1}.

Max MSER │MSEOptimo < MSE(VAR Endógeno, VAR Exógeno, VEC)

donde,

Se obtuvo como resultado empleandola ecuación, que el modelo VARendógeno se le asigna unaparticipación del 20%, el modelo VARexógeno un 60% y el modelo VEC un20%. Además, dichas participacionescoinciden con asignadas por medio decriterio experto.

0,99 <(εM(VAR Endógeno, VAR Exógeno, VEC) – εMOptimo)2

< 1,01 (εB(VAR Endógeno, VAR Exógeno, VEC) – εBOptimo)2

CONCLUSIONESI. Se desarrolló un modelo que estadísticamente es robusto,

permitiendo combinar de manera óptima los resultados de lasproyecciones generados por distintos modelos. Conjuntamente,se utiliza el análisis comparativo de las proyecciones de cada unode los modelos para evaluar los Errores y el Sesgo Sistemático.

II. Los componentes del error MSE permiten analizar aquellascondiciones donde los valores de las proyecciones del modelosobrestiman o subestiman las condiciones de la demanda deenergía eléctrica. Una de las técnicas, como el método deevaluación de pronósticos empleado por la EIA es un muy buenreferente para analizar el desempeño de los modelos.

III. Los métodos empleados para la proyección de la demanda deenergía eléctrica dependen de los datos, tales como la mismademanda, el PIB, la población y la temperatura. Este modeloproporciona un insumo de planeación energética novedoso ycambia los paradigmas tradicionales de proyección enColombia.

WWW.UPME.GOV.CO

CARLOS.GARCIA@UPME.GOV.CO

WILLIAM.MARTINEZ@UPME.GOV.CO

SÍGANOS EN TWITTER:

@UPMEOFICIAL

@CARLOSGARCIAB0

GRACIAS