"Desarrollo de un modelo predictivo para mejorar la estimación de energía por leer en los medidores (ELM) con el uso de datos generados por medidores del segmento masivo"

Abstract

Una de las grandes problemáticas en el sector de la distribución de energía eléctrica es la dificultad para conocer el detalle del comportamiento del consumo energético de sus clientes en el tiempo. Para ello, se han incorporado nuevas tecnologías, como los medidores inteligentes, que permiten medir y monitorear de forma remota y constante las fluctuaciones del consumo. Con esto, una de las decisiones más importantes de parte de las distribuidoras eléctricas es saber cuánta energía comprar mes a mes a las generadoras para distribuirla a sus clientes durante el transcurso de éstos, y no quedarse sin abastecimiento con esta compra, lo que se traduciría en pérdidas monetarias para la empresa causadas por subestimación de compra. Dado que esta orden de compra se realiza los días previos a los últimos días del mes y que no existe la capacidad productiva para realizar la lectura de todos los medidores tradicionales al finalizar el mes, es que se realizó una estimación de la energía por leer de estos medidores (ELM). Con esta estimación, se realiza la orden de compra del mes posterior. El siguiente trabajo tiene como objetivo diseñar un modelo predictivo que permita estimar la lectura de los medidores cuyo consumo no se alcanza a facturar al finalizar el mes. Para ello, se utilizó la facturación histórica de los clientes para entrenar modelos tradicionales y modelos de aprendizaje automático para la estimación de series de tiempo. Se implementó la metodología KDD para realizar los pronósticos, que fueron posteriormente evaluados. De los modelos implementados, el que logra obtener mejores resultados fue el modelo autorregresivo ARIMA(2,1,0). Respecto al error actual en la determinación de la ELM, ARIMA(2,1,0) alcanza una mejora del 30%; por otro lado, el modelo Prophet logra obtener una mejora del 13% en el cálculo del error. Se propone como mejoras futuras agregar nuevos periodos de información a la data ya entregada, ya que ésta es una de las razones principales del bajo desempeño obtenido por los modelos más complejos. Además, se sugiere agregar nuevos regresores como el clima, que aporten información oportuna para mejorar la toma de decisiones que conlleva el cálculo del ELM.