DEMANDA DE ENERGÍA ELÉCTRICA EN BOLIVIA:
UN MODELO SARIMA-GARCH & ARN
DEMAND OF ELECTRIC ENERGY IN BOLIVIA: A
MODEL SARIMA-GARCH & ARN
RESUMEN: El pronóstico de la demanda de energía eléctrica para el Sistema Interconectado Nacional (SIN), resulta de alta relevancia para la planificación de la generación de energía eléctrica y así poder prever de manera eficiente y anticipada los proyectos para la generación futura de energía eléctrica de modo de evitar desequilibrios en el Mercado de Energía Mayorista (MEM), así mismo es prioridad del Estado conocer la demanda de energía eléctrica el cual está planteado en la agenda 2025. En este documento se modela la demanda mensual de energía eléctrica del SIN. Se definen el modelo SARIMA, verificando que el modelo planteado sea correcto. Y para controlar la variación de la dispersión condicional se propone además un modelo ARCH. Así mismo para comparar el pronóstico se elabora un modelo de Redes Neuronales Artificiales –ARN. Por último, para ver la FIR de la demanda de energía eléctrica ante un shock en el índice de actividad económica IGAE se elabora un modelo de Vectores Autorregresivos.
PALABRAS CLAVE: Demanda de Energía Eléctrica, SARIMA, ARCH,Pronóstico de la demanda Redes Neuronales Artificiales – ARN.
ABSTRACT: The forecast of demand for electric power for the National Interconnected System (SIN), is highly relevant for the planning of electric power generation and thus to be able to anticipate in an efficient and anticipated way the projects for the future generation of electric power so Of avoiding imbalances in the Wholesale Energy Market (MEM), it is also a priority of the State to know the demand for electric energy, which is set out in Agenda 2025. In this document, the monthly electricity demand of the SIN is modeled. The SARIMA model is defined, verifying that the model is correct. And to control the variation of the conditional dispersion, an ARCH model is also proposed. In order to compare the prognosis, a model of Artificial Neural Networks (ARN) is elaborated. Finally, to see the FIR of the electric energy demand against a shock in the index of conomica IGAE activity, a model of Self-Regressive Vectors is elaborated.
KEYWORDS: Electric Power Demand, SARIMA, ARCH, Forecast demand, Artificial Neural Networks -ARN.
CLASIFICACIÓN JEL: C01, C32, D03, D11, D12, E17 y Q41.
AUTORES: Edward E. Herman Pinaya, Alcides V. Oxa Gerónimo & Rolly R. Vásquez Macedo
Dejar una contestacion