Hourly electricity consumption forecasting for Antioquia-Colombia using statistical-machine learning models

Abstract

Energy sector plays a fundamental role in encouraging a country's economic growth and social progress due to its functionality as an input for productive processes and as a public service asset that provides greater welfare to the population. Electricity consumption forecasting is a valuable instrument for policy-makers to guide pricing, taxation and investment decisions, as well as energy and operational security planning, helping to ensure a continuous supply of electricity and reducing cost overruns associated with the provision of energy distribution services. The aim of this research is to forecast hourly electricity consumption in Antioquia-Colombia using Statiscal-Machine Learning models with exogenous variables such as day-type and maximum temperature. The results show that LSTM Neural Network can be an efficient model for the operational deployment of electricity distribution since its average electricity supply error for an operational week is estimated to be around 493 MWh, while XM Market Operator's benchmark model obtained an error of 3420 MWh during the evaluated week. (Tomado de la fuente)

El sector energético desempeña un papel fundamental en el fomento del crecimiento económico y el progreso social de un país debido a su funcionalidad como insumo de los procesos productivos y como activo de servicio público que proporciona mayor bienestar a la población. La previsión del consumo de energía eléctrica es un valioso instrumento para que los hacedores de política orienten las decisiones de tarifas, impuestos e inversión, así como la planificación de la seguridad energética y operativa, contribuyendo a garantizar un suministro continuo de electricidad y reduciendo los sobrecostos asociados a la prestación de los servicios de distribución de energía. El objetivo de esta investigación es pronosticar el consumo de electricidad horario en Antioquia-Colombia utilizando modelos de Statistical-Machine Learning con variables exógenas como el tipo de día y la temperatura máxima. Los resultados muestran que la Red Neuronal LSTM puede ser un modelo eficiente para el despliegue operativo de la distribución eléctrica debido a que su error promedio de suministro de electricidad para una semana operativa se estima en alrededor de 493 MWh, mientras que el modelo de referencia del Operador de Mercado XM obtuvo un error de 3420 MWh durante la semana evaluada.