Predicción de carga eléctrica a corto plazo en el área occidental de la República Mexicana mediante el uso de redes neuronales artificiales

Abstract

En este trabajo, se muestran los resultados de tres modelos neuronales artificiales diferentes, aplicados en la predicción a corto plazo (horaria) de la carga eléctrica a consumir por la región occidental de la República Mexicana. Se recopilaron 17,520 datos horarios de carga correspondientes a los años 1996 y 1997 de la citada región, esta muestra se introdujo como patrón a 3 modelos y funciones de aprendizaje: "backpropagation" (retropropagación), "cascade correlation" (correlación en cascada) y "recurrent cascada de correlation" (correlación en cascada recurrente). En cada uno de ellos se usaron 'diferentes arquitecturas y parámetros diversos a fin de encontrar, en primera instancia, la configuración que, dentro de cada modelo, nos entregara el mejor desempeño y a continuación las ventajas y desventajas encontradas en cada modelo comparándolo con los otros dos. Posteriormente se indica cuál fue el modelo, arquitectura y configuración con mejor desempeño y se hace un análisis del porqué de este resultado. En diversas ocasiones se han realizado pruebas entre distintos modelos de redes neuronales artificiales pero muy pocas entre arquitecturas tan diferentes como las aquí mostradas, permitiéndonos poder comparar entre filosofías de aprendizaje como las redes de alimentación hacia delante (feed-forward), las redes de correlación en cascada (cascade correlation) cuyo algoritmo nos permite irlas formando al mismo tiempo que aprenden y las redes recurrentes con su característica de poseer una memoria de corta duración. El resultado de esta experimentación nos permite proponer un método de predicción alterno para la toma de decisiones que realiza el personal de la Comisión Federal de Electricidad (C.F.E.) en el Centro Regional de Control de Energía del área occidental del país. en nuestro trabajo nos permitimos usar el nombre de cada una de esas arquitecturas en inglés debido a que son mejor conocidas en esos términos.