Publicado

2014-01-01

Tecnica bayesiana de pronóstico para la demanda de energía en Colombia

Bayesian forecasting technique for energy demand in Colombia

Palabras clave:

Pronósticos bayesianos, método Delphi (es)

Descargas

Autores/as

  • José Fernando Tabares Muñoz Universidad Pontificia Bolivariana
  • Carlos Andrés Velásquez Galvis Universidad Pontificia Bolivariana
  • Marisol Valencia Cárdenas Universidad Nacional de Colombia

El pronóstico de la demanda energética diaria tiene gran importancia para las entidades reguladoras de la energía en Colombia. Es cada vez más necesario usar técnicas innovadoras para pronosticar este tipo de variables. En este trabajo se presenta una aproximación a un pronóstico bayesiano, basado en una técnica de elicitación que permite obtener información de expertos y su integración a una única distribución de probabilidad, midiendo el indicador de error absoluto medio porcentual (MAPE) sobre los pronósticos realizados. Se encontró que el uso del método puede ser enriquecedor para innovar frente a la manera de hacer el pronóstico energético y lograr niveles de acierto adecuados, sin contar con ningún dato histórico.

The daily energy demand forecast is very important for energy regulators in Colombia. Innovative techniques becomes increasingly necessary to forecast such variables. This paper presents a Bayesian approach to a forecast, based on a technique that enables elicitation of expert information and their integration into a single probability distribution, measuring the mean absolute percentage error indicator (MAPE) on the forecasts presented. We found that the use of the method could be enriching to innovate against the way to forecast energy and achieve appropriate levels of condence, without any historical data.

Referencias

Alba, E. De, & Mendoza, M. (2007), Bayesian forecasting methods for-short time series. Journal of Applied Forecasting, 1-10. Retrieved from http://allman.rhon.itam.mx/~mendoza/Foresight.pdf.

Andersson, M. & Karlson, S. (2007), Bayesian forecast combination for VAR models. Sveriges Riskbanc-Working Papers, 1-17. Retrieved from http://www.riksbank.se/Upload/Dokumentriksbank/Katpublicerat/WorkingPapers/2007/wp216.pdf.

Barrera, C. J. & Correa, J. C. (2008), Distribución predictiva bayesiana para modelos de pruebas de vida vía MCMC.Revista Colombiana de Estadística, 31(2), 145-155.

Bolstad, W. M. (1986), Harrison-Stevens Forecasting and the Multiprocess Dynamic Linear Model. The American Statistician, 40(2), 129-135.

Cogley, T.; Morozov, S. & Sargent, T. J. (2003), Bayesian Fan Charts for U. K. In ation: Forecasting and Sources of Uncertainty in an Evolving Monetary System (pp. 1-40). Retrieved from https:// les.nyu.edu/ts43/public/research/fantom2.pdf.

Congdon, P. (2002), Bayesian Statistical Modelling. (U. of London, Ed.) (p. 529). London, England: Wiley Series in Probability and Statistics.

Craig, P.; Goldstein, M.; Rougier, J. & Seheult, A. H. (2001), Bayesian forecasting for complex systems using computer simulators. Journal of the American Statistical Association, 96(454), 717-729.

Duncan, G.; Gorr, W. & Szczypula, J. (1993), Bayesian Unrelated Time Forecasting Series: for Seemingly to Local Forecasting Application Government Revenue. Management Science, 39(3), 275-293.

Flora Lu, Q. (2005), Bayesian Forecasting of Stock Prices, Via the Ohlson Model. Master thesis, Worcester Polytchnic Institute.

Geweke, J. & Whiteman, C. (2013), Handbook of economic Forecast. (Graham Elliott and Allan Timmermann, Ed.) (Graham Ell., pp. 2-1324). Retrieved from http://www.sciencedirect.com/science/handbooks/15740706.

Gill, J. (2002), Bayesian Methods-A social and Behavioral Sciences Approach. Second Edition, Chapman & Hall/CRC Statistics in the Social anda Behavioral Sciencies (p. 459).

Gómez, G. A.; Carreño, J. C. & Zambrano, J. (2011), Herramienta de software para el pronóstico de demanda horaria de potencia eléctrica en el sistema eléctrico de Codensa S.A. ESP. Tecnura, 15(28), 7-22.

Harrison, P. J. & West, M. (1991), Dynamic Linear model Diagnosis. Biometrika Trust, 78(4), 797-808.

Herr, H. & Krzysztofowicz, R. (2010), Bayesian Ensemble Forecast of River Stages. Hidrology, 387, 151-164.

Landeta, J.; Barrutia, J. & Lertxundi, A. (2011), Hybrid Delphi: A methodology to facilitate contribution from experts in professional contexts. Technological Forecasting and Social Change, 78(9), 1629-1641.

Medina, S. & García, J. (2005), Predicción de demanda de energía en Colombia mediante un sistema de inferencia difuso neuronal. Energética, 33, 15-24.

Mol, C. De; Giannone, D. & Reichlin, L. (2008), Forecasting using a large number of predictors: Is Bayesian shrinkage a valid alternative to principal components? Journal of Econometrics, 146(2), 318{328. Retrieved from http://www.sciencedirect.com/science/article/pii/S0304407608001103.

Neelamegham, R. & Chintagunta, P. (1999), A Bayesian model to forecast new product performance in domestic and international markets. Marketing Science, 18(2), 115-136. Retrieved from http://bear.warrington.u.edu/centers/mks/articles/684541.pdf.

Oracle Corp. (2006), The Bayesian Approach to Forecasting (p. 8). USA. Retrieved from http://www.oracle.com/us/products/applications/057028.pdf.

Pedroza, C. (2006), A Bayesian forecasting model: predicting U.S. male mortality. Biostatistics (Oxford, England), 7(4), 530-550. doi:10.1093/biostatistics/kxj024.

Pezzulli, S.; Frederic, P.; Majithia, S.; Sabbagh, S.; Black, E.; Sutton, R. & Stephenson, D. B. (2004), The seasonal forecast of electricity demand: a simple Bayesian model with climatological weather generator, 1-16. Retrieved from http://empslocal.ex.ac.uk/people/sta/dbs202/publications/2005/pezzullib.pdf.

Putnam, B. H. & Ph, D. (2007), Practical experiences in financial markets using Bayesian forecasting systems (pp. 1-30).

Rueda, V.; Velásquez, J. D. & Franco, C. (2011), Avances recientes en la predicción de la demanda de electricidad usando modelos no lineales. DYNA, 78(167), 36-43.

Weinberg, J.; Brown, L. D. & Stroud, J. R. (2005), Bayesian Forecasting of an Inhomogeneous Poisson Process with Applications to Call Center Data. Journal of the American Statistical Association, 102(480), 1185-1198.

West, M. & Harrison, J. (1989), Bayesian Forecasting and Dynamic Models (p. 704). Springer Series in Statistics.

Cómo citar

APA

Tabares Muñoz, J. F., Velásquez Galvis, C. A. y Valencia Cárdenas, M. (2014). Tecnica bayesiana de pronóstico para la demanda de energía en Colombia. Revista de la Facultad de Ciencias, 3(1), 9–18. https://revistas.unal.edu.co/index.php/rfc/article/view/49272

ACM

[1]
Tabares Muñoz, J.F., Velásquez Galvis, C.A. y Valencia Cárdenas, M. 2014. Tecnica bayesiana de pronóstico para la demanda de energía en Colombia. Revista de la Facultad de Ciencias. 3, 1 (ene. 2014), 9–18.

ACS

(1)
Tabares Muñoz, J. F.; Velásquez Galvis, C. A.; Valencia Cárdenas, M. Tecnica bayesiana de pronóstico para la demanda de energía en Colombia. Rev. Fac. Cienc. 2014, 3, 9-18.

ABNT

TABARES MUÑOZ, J. F.; VELÁSQUEZ GALVIS, C. A.; VALENCIA CÁRDENAS, M. Tecnica bayesiana de pronóstico para la demanda de energía en Colombia. Revista de la Facultad de Ciencias, [S. l.], v. 3, n. 1, p. 9–18, 2014. Disponível em: https://revistas.unal.edu.co/index.php/rfc/article/view/49272. Acesso em: 16 feb. 2025.

Chicago

Tabares Muñoz, José Fernando, Carlos Andrés Velásquez Galvis, y Marisol Valencia Cárdenas. 2014. «Tecnica bayesiana de pronóstico para la demanda de energía en Colombia». Revista De La Facultad De Ciencias 3 (1):9-18. https://revistas.unal.edu.co/index.php/rfc/article/view/49272.

Harvard

Tabares Muñoz, J. F., Velásquez Galvis, C. A. y Valencia Cárdenas, M. (2014) «Tecnica bayesiana de pronóstico para la demanda de energía en Colombia», Revista de la Facultad de Ciencias, 3(1), pp. 9–18. Disponible en: https://revistas.unal.edu.co/index.php/rfc/article/view/49272 (Accedido: 16 febrero 2025).

IEEE

[1]
J. F. Tabares Muñoz, C. A. Velásquez Galvis, y M. Valencia Cárdenas, «Tecnica bayesiana de pronóstico para la demanda de energía en Colombia», Rev. Fac. Cienc., vol. 3, n.º 1, pp. 9–18, ene. 2014.

MLA

Tabares Muñoz, J. F., C. A. Velásquez Galvis, y M. Valencia Cárdenas. «Tecnica bayesiana de pronóstico para la demanda de energía en Colombia». Revista de la Facultad de Ciencias, vol. 3, n.º 1, enero de 2014, pp. 9-18, https://revistas.unal.edu.co/index.php/rfc/article/view/49272.

Turabian

Tabares Muñoz, José Fernando, Carlos Andrés Velásquez Galvis, y Marisol Valencia Cárdenas. «Tecnica bayesiana de pronóstico para la demanda de energía en Colombia». Revista de la Facultad de Ciencias 3, no. 1 (enero 1, 2014): 9–18. Accedido febrero 16, 2025. https://revistas.unal.edu.co/index.php/rfc/article/view/49272.

Vancouver

1.
Tabares Muñoz JF, Velásquez Galvis CA, Valencia Cárdenas M. Tecnica bayesiana de pronóstico para la demanda de energía en Colombia. Rev. Fac. Cienc. [Internet]. 1 de enero de 2014 [citado 16 de febrero de 2025];3(1):9-18. Disponible en: https://revistas.unal.edu.co/index.php/rfc/article/view/49272

Descargar cita

Visitas a la página del resumen del artículo

525

Descargas

Los datos de descargas todavía no están disponibles.

Licencia

Los autores o titulares del derecho de autor de cada artículo confieren a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia una autorización no exclusiva, limitada y gratuita sobre el artículo que una vez evaluado y aprobado se envía para su posterior publicación ajustándose a las siguientes características:

1.    Se remite la versión corregida de acuerdo con las sugerencias de los evaluadores y se aclara que el artículo mencionado se trata de un documento inédito sobre el que se tienen los derechos que se autorizan y se asume total responsabilidad por el contenido de su obra ante la Revista de la Facultad de Ciencias, la Universidad Nacional de Colombia y ante terceros.

2.    La autorización conferida a la revista estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo de la Revista de la Facultad de Ciencias en el Sistema Open Journal Systems y en la página principal de la revista (https://revistas.unal.edu.co/index.php/rfc/index), así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.

3.    Los autores autorizan a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia para publicar el documento en el formato en que sea requerido (impreso, digital, electrónico o cualquier otro conocido o por conocer) y autorizan a la  Revista de la Facultad de Ciencias para incluir la obra en los índices y buscadores que estimen necesarios para promover su difusión.

4.    Los autores aceptan que la autorización se hace a título gratuito, por lo tanto renuncian a recibir emolumento alguno por la publicación, distribución, comunicación pública y cualquier otro uso que se haga en los términos de la presente autorización.

5. Todos los contenidos de la Revista de la Facultad de Ciencias, están publicados bajo la Licencia Creative Commons Atribución – No comercial – Sin Derivar 4.0. 

MODELO DE CARTA DE PRESENTACIÓN y CESIÓN DE DERECHOS DE AUTOR