PRONÓSTICO DE LA DEMANDA

ELÉCTRICA RESIDENCIAL BASADO EN EL

MODELO DE REGRESIÓN ADAPTATIVA
MULTIVARIANTE SPLINE (MARS)
 PRONÓSTICO DE LA DEMANDA
ELÉCTRICA RESIDENCIAL BASADO EN EL
MODELO DE REGRESIÓN ADAPTATIVA
MULTIVARIANTE SPLINE (MARS)

Miguel Eduardo Ortiz Alvarado

Egresado de la Carrera de Ingeniería Eléctrica
Facultad de Ingenierías
Universidad Politécnica Salesiana

Dirigido por:
Edwin Marcelo García Torres
Facultad de Ingenierías
Universidad Politécnica Salesiana

Quito - Ecuador
 Datos de Catalogación Bibliográfica

Miguel Eduardo Ortiz Alvarado

PRONÓSTICO DE LA DEMANDA ELÉCTRICA RESIDENCIAL BASADO

EN EL MODELO DE REGRESIÓN ADAPTATIVA MULTIVARIANTE
SPLINE (MARS)

Universidad Politécnica Salesiana

Ingeniería Eléctrica

Breve reseña historia e información de contacto:

Miguel Eduardo Ortiz Alvarado (Y'1988-M'01).

Bachiller Técnico Industrial, especialidad Electrónica del
Instituto Tecnológico Superior Central Técnico. Egresado
de la Carrera de Ingeniería Eléctrica de la Universidad
Politécnica Salesiana. Miembro Estudiantil del Grupo de
Investigación en Redes Eléctricas Inteligentes-GIREI. Su
trabajo se basa en investigación de técnicas y modelos para
predicción de la demanda eléctrica residencial, procesos
estocásticos y redes eléctricas inteligentes. Entre sus
intereses están las redes eléctricas de distribución y
generación distribuida.
mortiz@est.ups.edu.ec
Dirigido por:
Marcelo García (A’1978-M’10). Nació en Ambato,
Ecuador. Se graduó en Ingeniería Eléctrica de la
Universidad Politécnica Salesiana, Ecuador en 2010 y
actualmente se encuentra cursando un Master en Gestión
de la Energía en la Universidad Técnica de Cotopaxi. Es
profesor e investigador de la Universidad Politécnica
Salesiana - Quito Ecuador. En la actualidad es miembro
del Grupo de Investigación en Redes Eléctricas
Inteligentes-GIREI.
egarcia@ups.edu.ec

Todos los derechos reservados:

Queda Prohibida, salvo excepción prevista en la Ley, cualquier forma de
reproducción, distribución, comunicación pública y transformación de esta obra para
fines comerciales, sin contar con la autorización de los titulares de propiedad
intelectual. La infracción de los derechos mencionados puede ser constitutiva de
delito contra la propiedad intelectual. Se permite la libre difusión de este texto con
fines académicos o investigativos por cualquier medio, con la debida notificación a
los autores.

DERECHOS RESERVADOS
©2015 Universidad Politécnica Salesiana
QUITO – ECUADOR
 DEDICATORIA.

El presente trabajo se lo dedico al todopoderoso que guía mis pasos, que

me dio la luz primera y la capacidad para cumplir mis metas. A mi padre
Miguel (†) por su amor incondicional, por su lucha incansable y sobre todo
por su ejemplo de sacrificio, el cual nos dejó un legado vida a toda su
familia. Esta meta es parte de una promesa de amor y un homenaje
póstumo a su memoria. A mi madre Delia, que por difíciles que fuesen los
tiempos, cuidó de su familia y sin ese apoyo fundamental no sería posible
este sueño. A mi hermana Vero, siempre pendiente de todos en casa y que
estuvo allí dándome su mano en momentos decisivos. A mis hermanos
Estefy y Luis por ser inspiración y mostrarles que el camino del conocimiento
es lo que los llevará lejos. A Javier, por sus consejos y compañía desde el
inicio de este sueño, por su cariño. A mis amigos, compañeros de estudio y
trabajo, que siempre tuvieron una mano amiga y la mejor disposición para
ayudarme a cumplir una meta más en mi vida. A todos ustedes les dedico mi
lucha y mi compromiso de ser más para servir mejor.
 AGRADECIMIENTO.

A todos mis maestros, que supieron se guía y senda de conocimiento en

este gran desafío de la ingeniería, a mi tutor de proyecto, el Ing. Marcelo
García por su apoyo a la consecución del mismo y a la gran familia
Salesiana, por su obra inspirada en San Juan Bosco para cambiar la vida de
los jóvenes.
 DECLARATORIA DE COAUTORÍA DEL DOCENTE TUTOR/A
Yo, Edwin Marcelo García Torres declaro que bajo mi dirección y asesoría fue
desarrollado el trabajo de titulación Pronóstico de la Demanda Eléctrica Residencial
Basado en el Modelo de Regresión Adaptativa Multivariante Spline (Mars) realizado
por Miguel Eduardo Ortiz Alvarado, obteniendo un producto que cumple con todos
los requisitos estipulados por la Universidad Politécnica Salesiana para ser
considerados como trabajo final de titulación.

Quito, Diciembre 2015

………………………………….
Edwin Marcelo García Torres
Cédula de identidad: 1803087400
 CESIÓN DE DERECHOS DE AUTOR

Yo, Miguel Eduardo Ortiz Alvarado, con documento de identificación N°

0502232655, manifiesto mi voluntad y cedo a la Universidad Politécnica
Salesiana la titularidad sobre los derechos patrimoniales en virtud de que soy
autor/es del trabajo de grado/titulación intitulado: “Pronóstico de la Demanda
Eléctrica Residencial Basado en el Modelo de Regresión Adaptativa Multivariante
Spline (Mars)”, mismo que ha sido desarrollado para optar por el título de:
Ingeniero Eléctrico, en la Universidad Politécnica Salesiana, quedando la
Universidad facultada para ejercer plenamente los derechos cedidos anteriormente.
En aplicación a lo determinado en la Ley de Propiedad Intelectual, en mi condición
de autor me reservo los derechos morales de la obra antes citada. En
concordancia, suscribo este documento en el momento que hago entrega del
trabajo final en formato impreso y digital a la Biblioteca de la Universidad
Politécnica Salesiana.

Firma

.............................................
Nombre: Miguel Eduardo Ortiz Alvarado
Cédula: 0502232655
Fecha: Diciembre 2015
GLOSARIO

A
ADMINISTRACIÓN DE LA DEMANDA: Es una serie de acciones encaminadas
a optimizar el uso de los recursos instalados y tiene como fin reducir o controlar la
demanda de energía.
C
CONFIABILIDAD: es la probabilidad de que el sistema cumpla con su objetivo,
bajo condiciones determinadas de uso en un lapso de tiempo.
D
DEMANDA MÁXIMA: es la máxima coincidencia de cargas en un lapso definido.
E
EFICIENCIA ENERGÉTICA: consiste en una serie de acciones para reducir el
consumo de energía eléctrica y está relacionado con la cantidad de energía útil que se
puede obtener de un sistema.
F
FORECASTING: Es el término usado para predicción o pronóstico de la demanda
de energía en un lapso determinado.
G
GENERACIÓN DISTRIBUIDA: Etapa de generación que se ubica cerca de la
carga y es una fuente adicional para suministrar energía. Su característica principal
es la interconexión con la etapa de distribución o sub transmisión del sistema
eléctrico.
GENERADOR PÚBLICO: persona natural o jurídica cuyo título habilitante le
faculta realizar actividades de generación.
I
INTELIGENCIA ARTIFICIAL: Rama de la computación que asocia un fenómeno
natural, con una analogía artificial por medio de un software.
M
MARS: Regresión Adaptativa Multivariante Spline, pos sus siglas en inglés, es una
técnica estocástica de pronóstico propuesta por Friedman en los años 90.

1
 P
PROCESO ESTOCÁSTICO: Se define como un proceso en el cual se involucren
probabilidades. Es un concepto matemático que sirve para caracterizar una sucesión
de variables aleatorias, que dependen de otra variable.
R
REGRESIÓN: Es un proceso estadístico que estima una relación entre variables,
generalmente una variable independiente con una o más variables independientes.
S
SERIES DE TIEMPO: Se denominan a las variables que tengan datos registrados
con intervalos sucesivos de tiempo.
SMART GRID: Red eléctrica inteligente, es un modelo de red con eficiencia y
confiabilidad energética.
SISTEMA DE DISTRIBUCIÓN: Parte del sistema eléctrico de potencia que tiene
como objetivo la entrega de energía al consumidor final.

2
INDICE GENERAL

GLOSARIO................................................................................................................... 1

INDICE GENERAL ...................................................................................................... 3

INDICE DE FIGURAS ................................................................................................. 4

INDICE DE TABLAS ................................................................................................... 4

TÍTULO DE LA INVESTIGACIÓN .............................................................................. 5

RESUMEN DEL PROYECTO ...................................................................................... 5

ABSTRACT ................................................................................................................... 5

1. INTRODUCCIÓN ................................................................................................ 6

Planteamiento del Proyecto ..................................................................................... 6

Estado del Arte ......................................................................................................... 9

2. OBJETIVOS ....................................................................................................... 13

OBJETIVO GENERAL ........................................................................................... 13

OBJETIVOS ESPECÍFICOS.................................................................................. 13

3. METODOLOGÍA ............................................................................................... 13

4. DESARROLLO DE LA INVESTIGACIÓN ........................................................ 14

4.1 MODELOS Y MÉTODOS DE PARA PREDICCIÓN DE LA DEMANDA

ELECTRICA .......................................................................................................... 14

4.1.1 Modelos de regresión lineal ..................................................................... 16

4.1.2 Series de tiempo ........................................................................................ 16

4.1.3 Modelos ARIMA ...................................................................................... 17

4.2 MULTIVARIATE ADAPTIVE REGRESSION SPLINES ............................ 18

4.2.1 Método spline - mínimos cuadrados penalizado ....................................... 24

4.2.2 Splines Cúbicos Naturales ........................................................................ 24

5. RESULTADOS ESPERADOS ............................................................................ 25

6. ESTRATEGIA PARA LA DIVULAGACIÓN DE LOS RESULTADOS .............. 29

3
7. SECTORES BENEFICIADOS ............................................................................ 29

8. CONCLUSIONES .............................................................................................. 29

9. RECOMENDACIONES ..................................................................................... 30

10. REFERENCIAS ............................................................................................... 31

INDICE DE FIGURAS
Ilustración 1 Factores que influyen en el pronóstico de la demanda de energía
eléctrica [7]................................................................................................................... 8
Ilustración 2 Temática de la investigación ................................................................. 11
Ilustración 3 Formulación del problema. ................................................................... 11
Ilustración 4 Comparativo de soluciones. .................................................................. 12
Ilustración 5 Clasificación de los métodos de pronóstico de demanda de energía
eléctrica. ..................................................................................................................... 15
Ilustración 6 Las funciones base usadas por MARS. ................................................. 19
Ilustración 7 Metodología para pronóstico utilizando regresión................................ 23
Ilustración 8 Función demanda año 2013. ................................................................. 26
Ilustración 9 Función demanda año 2014. ................................................................. 27
Ilustración 10 Método de interpolación spline para el año 2015. .............................. 28

INDICE DE TABLAS
Tabla 1 Matriz de estado del arte...………………………...……..……………...…...9
Tabla 2 Histórico de demanda residencial para los años 2013 y 2014……….……..25

4
TÍTULO DE LA INVESTIGACIÓN
PRONÓSTICO DE LA DEMANDA ELÉCTRICA RESIDENCIAL BASADO EN EL MODELO
DE REGRESIÓN ADAPTATIVA MULTIVARIANTE SPLINE (MARS)

RESUMEN DEL PROYECTO

Un problema que suscita mucho interés a resolver en ingeniería es determinar el
comportamiento de la demanda de energía eléctrica de los usuarios a través del tiempo,
debido a que esta no tiene una característica lineal y además está sujeta a una amplia variedad
de variables exógenas, incluyendo las condiciones prevalecientes del tiempo, temporada del
año, variables demográficas y económicas, así como un carácter aleatorio inherente en su uso
individual. La predicción de la demanda de energía de los consumidores tiene como propósito
mejorar la confiabilidad, tomar decisiones y planificación del sistema, entre otras. El método
más adecuado para resolver este problema no está claramente definido, sin embargo, en este
trabajo se hace realiza una revisión general de los modelos y métodos comúnmente
empleados para su pronóstico, con énfasis en la técnica de Regresión Adaptativa
Multivariante Splines (MARS) -por sus siglas en inglés-, que es un modelo de regresión no
paramétrica y su principal objetivo es predecir los valores de una variable dependiente o
resultado, de un conjunto de variables independientes o predictoras. Además se toma en
cuenta que se debe contar con suficiente información histórica de la curva de carga diaria para
realizar estudios estadísticos y de predicción, con el fin de planificar recursos y en el futuro
sea una herramienta para la implementación de una red inteligente, ya que mejorará las
características de administración de la demanda y las tareas de gestión en la distribución. La
aplicación del modelo en la investigación propone delimitar un patrón de datos históricos de
consumo residencial y extrapolar a predicciones futuras.

ABSTRACT
A problem to be solved much interest in engineering is to determine the behavior of the
electricity demand of users over time, because this does not have a linear characteristic and is
also subject to a wide variety of exogenous variables, including the prevailing weather
conditions, time of year, demographic and economic variables, as well as an inherent
randomness in individual use. The prediction of energy demand of consumers has the purpose
to improve reliability, make decisions and system planning, among others. The most
5
appropriate method to resolve this issue is not clearly defined, however, this work is carried
out a general review of the models and methods commonly employed for prognosis, with
emphasis on technical Multivariate Adaptive Regression Splines (MARS) which it is a
nonparametric regression model and its main objective is to forecast the values of a dependent
variable or outcome of a set of independent or predictor variables. Also take note that you
must have sufficient historical information on the daily load curve for statistical and
forecasting studies, in order to plan future resources and will be a tool for the implementation
of an intelligent network because improve the characteristics of demand management and
management tasks in distribution. Applying the model research proposes to define a pattern of
residential consumption historical data and extrapolate to future predictions.

1. INTRODUCCIÓN

Planteamiento del Proyecto

La predicción de la demanda de electricidad es un problema de suma importancia en
ingeniería y uno de los principales retos es escoger la técnica o método más adecuado para
dicha predicción, ya que de los resultados obtenidos se tomarán las decisiones más acertadas
para garantizar el suministro de energía, obtener el menor número de interrupciones en el
servicio y al menor costo posible.
Existen una gran cantidad de artículos que plantean dar solución a la predicción de la
demanda de electricidad y algunos métodos han sido empleados para el pronóstico la
demanda de energía eléctrica, pero en el presente documento se analiza un modelo estadístico
como se evidencia en la sección 4.2.
En general se los puede clasificar en tres principales grupos [1]:

1. Modelos estocásticos.
2. Inteligencia artificial.
3. Aquellos en base al criterio humano.

Además la predicción de la demanda es de vital importancia para los servicios públicos y esta
puede dividirse en tres categorías:

6
1. Predicción a corto plazo.
2. Predicción a mediano plazo.
3. Predicción a largo plazo.
La predicción a corto plazo predice la demanda de carga en un intervalo de tiempo que
va desde un día hasta varias semanas. Puede ayudar a estimar los flujos de carga y tomar
decisiones que puedan prevenir una sobrecarga. La predicción de carga a medio plazo predice
la demanda de carga en el rango de un mes a varios años y proporciona información para la
planificación y operación del sistema eléctrico. La predicción de carga a largo plazo predice
la demanda de carga en un intervalo de tiempo que va desde un año hasta veinte años [2].
Al realizar pronósticos de la demanda de energía existen varias razones por las que
dicho estudio puede complicarse, por ejemplo la característica de los datos, el horizonte de
pronóstico y las propias limitantes de la metodología empleada, pero esa necesidad de
pronóstico es fundamental para todos los agentes del mercado y se justifica por algunos
motivos, dependiendo el tipo de agente, por ejemplo en el caso de los generadores nos ayuda
a determinar la demanda a corto plazo, planificar la cantidad de energía a ofrecer el día
siguiente, además de realizar un programa para la operación de unidades y fijar precios. En el
mediano plazo permite definiciones y análisis de evolución del mercado eléctrico. Para el
largo plazo nos da la posibilidad de detectar periodos con exceso o faltante en generación con
el fin de tomar acciones y plantear medidas para un ahorro en el consumo de energía, etcétera
[3].
Para la distribución y transmisión como se menciona en [3] y [4] nos da la posibilidad
de monitorear la red e identificar puntos críticos en el sistema y tomar las acciones necesarias
para evitar una falla. Con un estudio de pronóstico (entre otros adicionales) se puede definir
un programa de expansión del sistema de transmisión, ya que en la comercialización de
energía es de vital importancia analizar el comportamiento del mercado en un mediano y
largo plazo. Sirve para definir planes estratégicos para la comercialización de energía. Para el
operador del mercado, el estudio del pronóstico de la demanda es de especial importancia por
ser una herramienta para la programación y operación de las unidades de generación y con
ello se evita sobrecostos en la producción de electricidad [5].
El concepto de la predicción de la demanda no es nuevo y han sido pocos los estudios
que han empleado un enfoque sistemático para identificar el modelo idóneo para el problema
de la predicción. Una debilidad presente en la mayoría de los enfoques es que, a pesar de las
7
especificaciones del modelo, tienen cierta parte intuitiva y no son en realidad en base a los
datos, pero resulta evidente que al permitir que los datos que determinan la forma del modelo,
además del valor de los parámetros, se pueden obtener pronósticos mejorados [6].
Para realizar un estudio de predicción de la demanda de energía eléctrica se debe tener
en cuenta también ciertos factores que influyen en el proceso, debido a que esta tiene una
característica no lineal y está sujeta a una variedad de variables externa, como condiciones
climáticas, temporada del año, variables económicas y demográficas así como las condiciones
propias de uso. Esto se evidencia de mejor manera en la Ilustración 1, donde se hace una
breve explicación de los factores que influyen en la predicción de la demanda de electricidad.

Ilustración 1 Factores que influyen en el pronóstico de la demanda de energía eléctrica [7]

Además según [8] es fundamental la predicción de la de la carga eléctrica para planificar

recursos y para la realización de una futura red inteligente, ya que mejora las características
de administración de la demanda y las tareas de gestión en la distribución, por ejemplo con el
balance de carga y la reducción del pico de demanda, la capacidad de recuperación a fallas y
apagones, entro otras.
En la parte del desarrollo se hace una revisión general de algunos de los métodos que existen
para la predicción de la demanda, destacando algunas de sus características principales,
ventajas y desventajas.

8
Estado del Arte
Tabla 1 Matriz estado del arte. Fuente: Autor
PRONÓSTICO DE LA DEMANDA ELÉCTRICA RESIDENCIAL BASADO EN UN MODELO DE REGRESIÓN ADAPTATIVA MULTIVARIANTE SPLINE (MARS)

RESTRICCIONES
FORMULACIÓN DEL PROBLEMA PROPUESTAS PARA SOLUCIÓN
DATOS TEMÁTICA DEL
FUNCIONES OBJETIVO RESOLVER EL PROBLEMA PROPUESTA
PROBLEMA

MULTIVARIANTE
REGRESIÓN

Regresion no parampetrica adaptativa

optimización en el consumo de energía
Métodos de predicción de la demanda

Número de variables del sistema

PROCESOS ESTOCÁSTICOS

Optimización de la demanda
Fundamentos de regresiones

Short term load forecasting

Long-term load forecasting

Electric power distribution
"ESTADO DEL ARTE"

Suavización expinencial

Weather compensation
ITEM AÑO TÍTULO DEL ARTÍCULO REFERENCIA

Estudios de predicción
DE

Inteligencia artificial

Hábitos de consumo
Anlasisi de métodos
Mercados eléctricos

Time series análisis

Variables exógenas

Promedios móviles
Redes neuronales
Statical learning

Series de tiempo

Optimal scoring

statical learning
Regresión lineal

Refresion lineal
ADAPTATIVA

Data mining
Regresiones

Forecasting
MODELO

Tendencia
SPLINE

ARIMA
Tarifas
Costos

spline
Un modelo spline para el
{A. F.
1 2007 pronóstico de la demanda de
Barrientos} x x x x x x x x x x x x x x
energía eléctrica
Short Term Load Forecasting
2 2008
Using Data Mining Technique
{I. Azmira} x x x x x x x
Predicción de demanda de
energía en colombia mediante
3 2005
un sistema de inferencia difuso
{M. García} x x x x x x
neuronal
Modelo de promedios móviles
4 2007 para el pronóstico horario de {A. Valencia} x x x
potencia y energía eléctrica
Electricidad Usando Modelos
No Lineales Recent Advances
5 2011
in Load Forecasting Using
{V.M. Rueda} x x x x x x
Nonlinear Models
Time series forecasting of
6 2000
utility load duration curves
{B. S. Maybee} x x x x x
Electric Power Distribution
7 2013 Engineering, Third Edition, 3 {T. Gonen} x x x x x
edition
Electricity demand forecasting { M. Rossi and
8 2013
of single residential units D. Brunelli } x x x x x
Neural network based short- {T. W. S. Chow
9 1996 term load forecasting using and C. T. x x
weather compensation Leung}
Forecasting Electricity Demand {S. Fan, S.
10 2012 in Australian National Member, and R. x x x x x x
Electricity Market J. Hyndman}

9
 Métodos Utilizados Para el
Pronóstico de Demanda de
11 2013
Energía Eléctrica en Sistemas
{A. Ariza} x x x x x x
de Distribución
Estudio del pronóstico de la
{ J. Murillos, a
demanda de energia electrica,
12 2003
utilizando modelos de series de
Trejos, and P. x x x x
Carvajal }
tiempo
Time Series Analysis: {G. Box,
13 2008 Forecasting and Control, 4 George; x x x x x
edition Jenkins}
A Time Series Analysis of { S. Katara, A.
14 2014 Electricity Demand in Tamale , Faisal, and G. x x x x x
Ghana M. Engmann }
MULTIVARIATE ADAPTIVE
15 1990
REGRESSION SPLINES
{H. Friedman} x x x
Flexible Discriminant Analysis {R. T. and A. B.
16 1993
by Optimal Scoring Trevor Hastie} x x x x x x
{ J. F. Trevor
The Elements of statistical
17 2009
learning
Hastie, Robert x x x x x
Tibshirani}
CANTIDAD: 2 7 3 3 2 3 1 2 12 4 0 1 0 2 0 2 2 4 3 0 1 2 1 1 7 0 1 6 7 4 3 1 1 3 1 1

10
 TEMÁTICA
MODELO DE…
8
Time series análisis 6 Métodos de…
4
2
Statical learning 0 Regresiones

Electric power… Fundamentos de…

Mercados eléctricos

Ilustración 2 Temática de la investigación. Fuente: Autor

FORMULACIÓN DEL PROBLEMA

14
12
10
8
6
4
2
0

Ilustración 3 Formulación del problema. Fuente: Autor

11
 SOLUCIÓN DADA MEDIANTE
8
7
6
5
4
3
2
1
0

Ilustración 4 Comparativo de soluciones. Fuente: Autor

12
 2. OBJETIVOS

OBJETIVO GENERAL
 Analizar los modelos y métodos actualmente más empleados en la predicción de la
demanda residencial de electricidad y conocer la importancia de dicho pronóstico
para garantizar la confiabilidad en un sistema eléctrico.

OBJETIVOS ESPECÍFICOS
 Investigar los principales modelos para la predicción de la demanda de energía,
tomando en cuenta los factores que influyen en el proceso y las limitaciones propias
de los métodos.
 Determinar la importancia de las predicciones de la demanda de electricidad a corto
plazo, mediano y largo plazo para el control y programación de los sistemas de
energía como dato entrada para algoritmos de planificación de generación y
transmisión de energía.
 Analizar los resultados obtenidos en investigaciones para pronóstico de la demanda
usando métodos de regresión adaptativa multivariante Spline.

3. METODOLOGÍA
Para analizar el problema de la predicción de la demanda residencial de electricidad se hará
énfasis especialmente en la técnica propuesta por Friedman en los años 90, la regresión
adaptativa multivariante Spline, empleando un análisis formal del modelo estadístico
propuesto, detallando sus ecuaciones y limitaciones propias, así como el desarrollo de una
técnica de pronóstico. Para ello se hace uso de herramientas de edición grafica como visio y
paquetes de cálculo computacional como Matlab.

13
 4. DESARROLLO DE LA INVESTIGACIÓN

4.1 MODELOS Y MÉTODOS DE PARA PREDICCIÓN DE LA DEMANDA

ELECTRICA
La predicción de la demanda es un aspecto importante en el desarrollo de cualquier
modelo para la planificación de un sistema eléctrico y se pueden representar como una
demanda máxima, curvas de carga diaria, semanal o anual. Las predicciones a corto plazo
son fundamentales para el control y programación de los sistemas de energía y ellas son
necesarias como dato entrada para los algoritmos de planificación, generación y
transmisión de electricidad.
En el corto plazo, la carga está influenciada principalmente por las condiciones
meteorológicas, los efectos estacionales (diarios y ciclos semanales, días festivos) y eventos
especiales, además de los cambios climáticos que son importantes en la predicción de la
demanda de electricidad [9]. En los últimos años varias técnicas han sido desarrolladas para
el pronóstico de la demanda de electricidad. Los modelos estadísticos son ampliamente
adoptados para el problema de la predicción de carga, que incluyen modelos de regresión
lineal, modelos de procesos estocásticos, suavización exponencial y modelos ARIMA (por
sus siglas en inglés) [10]. En esta sección -como se mencionó en la introducción- se hará
una revisión general de los modelos enunciados con sus principales características.

14
Ilustración 5 Clasificación de los métodos de pronóstico de demanda de energía eléctrica.
Fuente: Autor

15
4.1.1 Modelos de regresión lineal
Gráficamente el modelo más sencillo para relacionar una variable dependiente con una
independiente es una línea recta, debido a ello su denominación de regresión lineal. Un
modelo de regresión lineal tiene como objetivo encontrar la ecuación de la recta que ajuste
correctamente al conjunto de puntos de datos X, es decir se debe calcular la suma de las
distancias al cuadrado entre sus puntos reales y los definidos por la recta estimada en base a
las variables introducidas en el modelo, de forma que la estimación ideal será la que
minimice estas distancias. En consecuencia, a esta recta se conoce como línea de regresión
[11]. La ecuación que describe la recta tiene la forma:
𝑦 = 𝑏0 + 𝑏𝑋 + 𝜀 (1)

Donde:
𝑏0 Intersección con el eje 𝑌, cuando 𝑋 = 0
𝑏 Pendiente de la recta y es la variación en 𝑌 al incremento de 𝑋 en una unidad.
𝜀 Es la diferencia entre el valor real y el valor pronosticado.
Para hallar los valores de 𝑏0 y 𝑏 se emplea el método conocido como Método de mínimos
cuadrados para encontrar la mejor relación lineal entre la variable dependiente y la variable
independiente.

4.1.2 Series de tiempo

La demanda eléctrica per se varía continuamente con en el tiempo y constituye una
secuencia ordenada de observaciones sobre una variable en particular. Series de tiempo se
le denomina a cualquier variable con datos registrados sobre intervalos consecutivos de
tiempo [12]. Es un método que requiere la menor información posible, debido a que la
única variable independiente es el tiempo y su propósito es cuantificar el consumo de
energía eléctrica en intervalos uniformemente distribuidos.
Para analizar una serie de tiempo se grafican sus valores, con lo que es posible realizar un
estudio completo de la misma. Obtenidos dichos gráficos nos ayudan a detectar
irregularidades o valores fuera de rango en caso de haberlos, por ejemplo la aparición de un
nivel, efectos del clima o cambios periódicos. Las discontinuidades en una serie de tiempo
resultan primordiales para el análisis de los datos por intervalos. Para un análisis con series
de tiempo es importante estudiar sus componentes y realizar cambios para modificarlas o
16
eliminarlas según sea el caso, con ello se obtienen series de tiempo estacionarias que
permiten un análisis de mayor precisión.
En el modelo de series de tiempo algunas componentes:

- Tendencia
- Fluctuaciones cíclicas
Componentes de series de tiempo
- Fluctuaciones estacionarias
- Fluctuaciones aleatorias

Una manera para analizar una serie de tiempo, es con un promedio simple, el cual es un
método que usa datos recientes para hacer pronósticos de carga y evaluar de igual manera a
todos los usuarios. El resultado se obtiene aplicando la media a los valores válidos y se usa
para el pronóstico del siguiente periodo. Se recomienda su uso en el caso de tener
demandas estables y no existe estacionalidad. Su fórmula es:

∑𝑛𝑡=1 𝑌𝑡 (2)
𝑃𝑠 =
𝑛
Donde:
𝑛 = Es la cantidad de periodos a determinar el promedio.
𝑌𝑡 = Demanda en un periodo 𝑖.
El término n nos indica el grado de suavización de la predicción, es decir si n es mayor,
existe mayor suavización, en cuyo caso es recomendable para datos poco aleatorios, ya que
como resultado se obtiene una proyección constante y reacciona más lentamente a las
variaciones en la demanda.

4.1.3 Modelos ARIMA

Definido como proceso autorregresivo integrado de media móvil –por sus siglas en inglés-
ARIMA es un modelo estocástico utilizado para analizar series de tiempo y su aplicación se
debe a Box y Jenkins [13]. Dicho modelo se ha aplicado con éxito en algunos países, por
ejemplo en [14] un caso de estudio en Ghana en donde el método ARIMA fue el modelo

17
usado para proporcionar un pronóstico de siete años de la demanda de electricidad en la
ciudad y entre otros, se llegó a la conclusión de que la demanda doméstica y comercial fue
aumentando más rápidamente que la demanda en el sector industrial. Una gran desventaja
de los modelos ARIMA es que en su implementación se necesita hacer 24 modelos sólo
para realizar el pronóstico de un día y realiza una verificación de supuestos en base a cada
uno de dichos modelos. Por consiguiente se evidencia que los ARIMA no son tan viables
en la predicción de la demanda de energía, ya que desde un punto de vista práctico es una
tarea complicada y que requiere mucho tiempo.

4.2 MULTIVARIATE ADAPTIVE REGRESSION SPLINES

La Regresión Adaptativa Multivariable Spline, más conocida por sus siglas en inglés como
MARS, fue presentada por Friedman [15] en los años noventa y su principal objetivo es
predecir los valores de una variable dependiente o resultado, de un conjunto de variables
independientes o predictoras. La propuesta de Friedman es un procedimiento para una
regresión no paramétrica adaptativa [16] y no hace ninguna suposición sobre la relación
funcional entre las variables dependientes e independientes, en su lugar construye una
relación de un conjunto de coeficientes y funciones base que provienen de los datos de la
regresión. Fundamentalmente, el método se basa en el concepto de dividir el espacio de
entrada en regiones, cada una con su propia ecuación de regresión. Esto la hace
particularmente adecuada para problemas con dimensiones superiores de entrada, es decir,
con más de 2 variables, que con otras técnicas de regresión seguramente tendríamos
inconvenientes.
MARS utiliza expansiones en funciones base lineales por partes o trozos de la forma:
(𝑥 − 𝑡)+ (𝑡 − 𝑥)+ . El "+" identifica a la parte positiva, por lo que:

𝑥 − 𝑡, 𝑖𝑓 𝑥 > 𝑡,
(𝑥 − 𝑡)+ { }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

𝑡 − 𝑥, 𝑖𝑓 𝑥 < 𝑡,
(𝑡 − 𝑥)+ { }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

18
 Cada función es lineal a trozos, con un punto de unión en 𝑡 (obsérvese la Ilustración 6).
En [17] se las denomina Splines lineales y la idea es formar pares reflejados para cada 𝑋𝑗 de
entrada con los puntos de unión del valor observado en cada 𝑥𝑖𝑗 de esa entrada. Por lo
tanto, el grupo de funciones base será:
∁ = {(𝑋𝑗 − 𝑡)+ , (𝑡 − 𝑋𝑗 )+ } (3)

𝑡 ∈ {𝑥1𝑗 , 𝑥2𝑗 , … , 𝑥𝑁𝑗 }

𝑗 = 1,2, … , 𝑝.

Ilustración 6 Las funciones base (0.5-x)+ (azul) y (x-0.5)+ (rojo) usadas por MARS.
Fuente: Autor

Si todos los valores de entrada son distintos, hay 2𝑁𝑝 funciones base en total. Hay que
tener en cuenta que aunque cada función base depende sólo de un único 𝑋𝑗 , es considerada
como una función sobre todo el dominio de entrada de ℝ𝑝 .
Para la construcción de modelo es una regresión lineal por pasos hacia adelante, pero en
lugar de utilizar las entradas originales, es posible utilizar las funciones de la serie ∁,
descrita en la ecuación ( 3 ) y sus productos. Así, el modelo tiene la forma:

19
 𝑀 (4)
𝑓(𝑋) = 𝛽0 + ∑ 𝛽𝑚 ℎ𝑚 (𝑋)
𝑚=1

Donde cada ℎ𝑚 (𝑋) es una función en ∁ o un producto de dos o más de dichas funciones.
Dada una alternativa para el ℎ𝑚 , los coeficientes 𝛽𝑚 se estiman minimizando el residuo de
la suma de cuadrados, es decir, mediante una regresión lineal estándar. El desafío en
realidad, está en construir las funciones ℎ𝑚 .
Iniciamos únicamente con la función constante ℎ0 (𝑋) = 1 en nuestro modelo, todas las
funciones en el conjunto ∁ son funciones elegibles y en cada etapa se considera como un
nuevo par de funciones base a todos los productos de una función ℎ𝑚 en el conjunto
modelo 𝑀, con uno de los pares reflejados en C. Entonces añadimos al modelo M el
término de forma que se obtenga la mayor disminución en el error de su formación. Aquí
𝛽̂𝑀 + 1 y 𝛽̂𝑀 + 2 son coeficientes estimados mediante mínimos cuadrados, junto con todos
los otros coeficientes del modelo 𝑀 + 1.
𝛽̂𝑀 + 1ℎ𝑙 (𝑋). (𝑋𝑗 − 𝑡)+ + 𝛽̂𝑀 + 2ℎ𝑙 (𝑋). (𝑡 − 𝑋𝑗 )+ (5)

ℎ𝑙 𝜖 𝑀
Entonces los resultados obtenidos son agregados al modelo y el proceso continúa hasta que
el modelo establecido 𝑀 contenga un número máximo predeterminado de términos. Al
final de este proceso tenemos una modelo grande de la forma de la ecuación ( 4 ). Este
modelo típicamente sobreajusta los datos, y así se aplica un procedimiento de eliminación
en reversa.
El término cuya remoción causa el menor incremento en el residuo del error cuadrático, es
borrado del modelo en cada etapa, obteniendo un mejor estimado del modelo 𝑓̂𝜆 para cada
número de términos 𝜆.
Se podría usar una validación cruzada para estimar un valor óptimo de 𝜆, pero para los
optimizar recursos computacionales del procedimiento MARS, en su lugar utiliza una
validación cruzada generalizada. Este concepto se define como:

20
 ∑𝑁 ̂
𝑖=1(𝑦𝑖 − 𝑓𝜆 (𝑥𝑖 ))
2 (6)
𝐺𝐶𝑉 (𝜆) =
1 − 𝑀 (𝜆) 2
( )
𝑁

Donde:
𝐺𝐶𝑉 = 𝑣𝑎𝑙𝑖𝑑𝑎𝑐𝑖ó𝑛 𝑐𝑟𝑢𝑧𝑎𝑑𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙𝑖𝑧𝑎𝑑𝑎
El valor 𝑀 (𝜆) es el número efectivo de parámetros en el modelo: esto se explica tanto por
el número de términos en los modelos, como el número de parámetros usados en la
selección de las posiciones óptimas de los puntos de unión (nodos).
Algunos resultados matemáticos y de simulación sugieren que se debería compensar un
valor de tres parámetros para la selección de un nodo en una regresión lineal por tramos, de
este modo si hay 𝑟 funciones base linealmente independientes en el modelo y se
seleccionaron 𝐾 nodos en el proceso, la fórmula es:
𝑀(𝜆) = 𝑟 + 𝑐𝐾 (7)

Donde 𝑐 = 3
El parámetro 𝑐 del modelo se lo conoce también como penalización.

En consecuencia elegimos el modelo según la secuencia de regresión que minimice la

validación cruzada generalizada (GCV).
Para entender porque usar las funciones base lineales a trozos miremos la Ilustración 6, ya
que una propiedad fundamental de las funciones en dicha figura es su habilidad para operar
localmente y son cero en una parte del rango. Cuando ambas se multiplican, el resultado es
diferente de cero solamente sobre una pequeña parte del rango de la función, donde tienen
componentes diferentes de cero. Como resultado, la superficie de regresión se construye,
usando componentes diferentes de cero sólo donde son necesarias.
La importancia de esta parte radica en que hay que “usar” estos parámetros cuidadosamente
cuando tenemos altas dimensiones en la entrada, ya que dichos recursos pueden agotarse
rápidamente. El uso de otras funciones base tales como polinomios, produciría un producto
distinto de cero en todas partes y no funcionaría igual.
Por otra parte nos ayuda a reducir la extensión del cálculo, consideremos por ejemplo la
función 𝑀, con cada 𝑁 de sus pares reflejados para una entrada 𝑋𝑗 . Esto requerirá un ajuste

21
al modelo de 𝑁 de una sola entrada del modelo de regresión lineal y cada una de ellas usa
𝑄(𝑁) operaciones dando como resultado un total de 𝑄(𝑁 2 ) operaciones. Sin embargo,
podemos aprovechar la forma simple de la función lineal por partes. Primero encajamos el
par reflejado con el nodo más a la derecha. Como el nodo se desplaza sucesivamente una
posición a la izquierda a la vez, las funciones base difieren de cero sobre la parte izquierda
del dominio, y por una constante sobre la parte derecha. Por tanto, luego de cada
desplazamiento podemos actualizar el ajuste en 𝑄(1) operaciones y con ello se hará posible
probar cada nodo en solamente 𝑄(𝑁) operaciones.
En la Ilustración 7 se muestra un flujograma para realizar pronósticos utilizando
regresiones.

22
Ilustración 7 Metodología para pronóstico utilizando regresión. Fuente: Autor

23
4.2.1 Método spline - mínimos cuadrados penalizado
Una medida de ajuste para la función 𝑓 está dada por 𝑛−1 ∑𝑛𝑖=1(𝑦𝑖 − 𝑓(𝑥𝑖 ))2 , mientras que
la medida de suavidad relacionada con 𝑓, con condiciones de continuidad de funciones
1
elegibles como funciones de regresión 𝑊2𝑚 , está dada por ∫0 ( 𝑓 𝑚 (𝑥))2 𝑑𝑥 y se conoce
como “penalidad por aspereza”. En el modelo se usa dos funciones, para estimar una
función Spline única 𝑓𝜆 con el propósito de minimizar una combinación convexa.
𝑞
En la expresión ( 2 ), el parámetro de suavización es 𝜆 = 𝑞−1 y representa la tasa de

intercambio entre el error residual y la variación local. Entonces si 𝑓𝜆 (𝑥) es un Spline

natural, para minimizar ( 2 ) sobre todas las funciones en 𝑊2𝑚 queda reducido a un espacio
finito n-dimensional de splines naturales.

𝑛 1 (8)
−1 ))2
(1 − 𝑞)𝑛 ∑(𝑦𝑖 − 𝑓(𝑥𝑖 + 𝜆 ∫ (𝑓 𝑚 (𝑥))2 𝑑𝑥
𝑖=1 0

4.2.2 Splines Cúbicos Naturales

El comportamiento de los polinomios al ajustarse a los datos tiende a ser irregular cerca de
las fronteras, por ende aplicar una extrapolación puede no resultar conveniente y esto se
puede agravar aplicando splines. Los polinomios se ajustan más allá de los nodos frontera
se extienden más que los correspondientes polinomios globales en esa región, pero esto
puede ser conveniente para realizar un ajuste de splines por el método de mínimos
cuadrados. Los splines cúbicos naturales añaden restricciones adicionales, sabiendo que la
función es lineal más allá de los nodos de frontera y ello permite liberar cuatro grados de
libertad (dos restricciones cada una de las dos regiones de frontera), que se pueden “gastar”
de manera más eficiente esparciendo más nodos en la región interior.
Un spline cúbico natural con nodos está representado por k funciones base. Se puede
empezar a partir de una base de splines cúbicos, y obtener la base reducida al imponer las
restricciones de frontera.

24
Donde:
𝑁1 (𝑥) = 1, 𝑁2 (𝑥) = 𝑋, 𝑁𝑘+2 (𝑥) = 𝑑𝑘 (𝑋) − 𝑑𝑘−1 (𝑥) (9)

(𝑋 − 𝜉𝑘 )3+ (𝑋 − 𝜉𝐾 )3+ ( 10 )
𝑑𝑘 (𝑥) =
𝜉𝐾 − 𝜉𝑘

Cada una de estas funciones base puede tender a cero en la segunda y tercera derivada para
𝑋 > 𝜉𝐾 .

5. RESULTADOS ESPERADOS
Para el problema de predicción se tomará datos de registros de lecturas anteriores, usando
para la interpolación el método spline descrito en la sección 4.2. Dicho modelo se lo realiza
con el paquete Adaptive Regression Splines para Matlab, un toolbox que sirve para calcular
los parámetros especificados del modelo. En el parámetro 𝑐 de la ecuación ( 7 ), para un
modelo aditivo, se tomará el valor para dicha variable que se recomienda en [17], pág. 325
correspondiente a 2. Los demás parámetros incluidos los coeficientes, la valoración cruzada
generalizada, los nodos, funciones base, etcétera, nos da como resultado del paquete
computacional de Matlab.
Para los datos de la regresión se analiza un consumo residencial promedio contando con
lecturas de consumo consecutivas de dos años antes, provisto por la empresa de
distribución local mostrado en la Tabla 2
Tabla 2 Histórico de demanda residencial para los años 2013 y 2014. Fuente: Autor

DEMANDA DEMANDA
2013 2014
(kWh) (kWh)
Enero 176 Enero 193
febrero 160 febrero 163
Marzo 194 Marzo 164
Abril 176 Abril 152
Mayo 177 Mayo 138
Junio 192 Junio 162
Julio 197 Julio 193

25
 Agosto 197 Agosto 143
Septiembre 243 Septiembre 148
Octubre 190 Octubre 190
Noviembre 219 Noviembre 197
Diciembre 262 Diciembre 218

El objetivo es establecer una predicción de consumo de energía para el año 2015 con el
método Spline propuesto. Se muestra primero el patrón de consumo de los años previos en
sus respectivas curvas.
En la Ilustración 8 se observa el comportamiento de la carga para el año 2013, conforme a
la Tabla 2. Se evidencia que su pico anual está en el mes 12 (diciembre) y el menor en el
mes 2 (febrero).

Ilustración 8 Función demanda año 2013. Fuente: Autor

26
En la Ilustración 9 se muestra el comportamiento de la carga durante el año 2014, en base a
la Tabla 2, teniendo su pico en el mes 12 (diciembre), con 218kWh y su más bajo en el mes
5 (mayo) con 138kWh.

Ilustración 9 Función demanda año 2014. Fuente: Autor

27
En la Ilustración 10 se hace una comparación de resultados con la demanda prevista para el
año 2015 y su interpolación basado en el método spline, usando matlab.

Ilustración 10 Método de interpolación spline para el año 2015. Fuente: Autor

Se observa que el pico mantiene una tendencia de comportamiento de los años 2013 y
2014, ubicándose en el mes 12 (diciembre) con 200kWh. Con la interpolación Spline, el
punto de menor consumo se ubica en el mes 1.552 del año, con 144.9kWh. La suavización
considera restricciones entre los nodos de la curva, el parámetro 𝑐 definido y los parámetros
adicionales propios del modelo explicado anteriormente.

28
 6. ESTRATEGIA PARA LA DIVULAGACIÓN DE LOS RESULTADOS
Dentro de las estrategias de divulgación se plantean las siguientes:
1. Informe escrito final como producto de la tesis. El informe será entregado a
biblioteca UPS
2. Jornada Científica de Ingeniería Eléctrica.

7. SECTORES BENEFICIADOS
Los sectores beneficiados con el proyecto son los siguientes:
1. Universidad Politécnica Salesiana
2. Grupos de investigación vinculados con la optimización de la demanda.
3. Sectores públicos y privados relacionados al tema de investigación.

8. CONCLUSIONES
Para realizar un estudio de pronóstico de la demanda eléctrica se debe tener en cuenta
factores que intervienen en el análisis, como el nivel socioeconómico, sector donde se hará
el pronóstico, número de clientes, condiciones climáticas entre otras. El objetivo es llegar a
una estimación que incluya la mayoría de sus variantes relacionadas.
De la comparación de los modelos descritos en este estudio se concluye que es
determinante la elección correcta del modelo, además de otras consideraciones.
Dimensionar sus alcances y contar con los datos históricos del consumo en kWh es
fundamental al momento de llevar a cabo el análisis.
Como se pudo observar, cada modelo tiene sus alcances, limitaciones y formulación para
obtener predicciones que se acerquen lo más posible a la realidad. Si bien pueden
diferenciar, es debido a los ajustes en los parámetros, tipo de regresión, suavización y
formal polinomial de los mismos.
Considerar la literatura técnica existente, analizando los estudios y casos previos en los que
se han realizado similares pronósticos nos ayuda a determinar los beneficios, limitaciones y
recomendaciones de los autores de dichos estudios. En las referencias mencionadas se
obtiene información valiosa para seguir en el desarrollo del modelo, considerando sus
experiencias.

29
 9. RECOMENDACIONES
Efectuar un seguimiento adecuado de la evolución en la curva de carga a través del tiempo
nos dará una mejor estimación para el proceso. Se puede contar con datos fiables y en el
volumen requerido, contando en lo posible con un programa informático y una base de
datos exportable para el cálculo computacional.
El intervalo de registros del consumo eléctrico residencial debería en un futuro ser de al
menos cada 15 minutos. Con la implementación de una red inteligente se lograría este
objetivo. La factibilidad de dicha implementación sería un objeto de estudio para futuros
trabajos.
Realizar registros de carga por parte de la empresa de distribución local a los clientes para –
entre otros propósitos- cumplir estándares de calidad que influirán en los datos
proporcionados para los estudios y mejora de resultados.

30
 10. REFERENCIAS
[1] A. F. Barrientos, J. Olaya, and V. M. González, “Un modelo spline para el
pronóstico de la demanda de energía eléctrica,” Rev. Colomb. Estad., vol. 30, no. 2,
pp. 187–202, 2007.

[2] I. Azmira, A. Razak, S. Majid, and H. A. Rahman, “Short Term Load Forecasting
Using Data Mining Technique,” no. PECon 08, pp. 139–142, 2008.

[3] M. García, “Predicción de demanda de energía en colombia mediante un sistema de

inferencia difuso neuronal,” pp. 15–24, 2005.

[4] A. Valencia, C. Lozano, and C. Moreno, “Modelo de promedios móviles para el

pronóstico horario de potencia y energía eléctrica,” no. 29, pp. 96–105, 2007.

[5] V. M. Rueda, J. David, V. Henao, C. Jaime, and F. Cardona, “Electricidad Usando

Modelos No Lineales Recent Advances in Load Forecasting Using Nonlinear
Models,” Dyna, vol. 167, no. June 2015, pp. 36–43, 2011.

[6] B. S. Maybee, “Time series forecasting of utility load duration curves,” vol. 4, no. 1,
pp. 4–8, 2000.

[7] T. Gonen, Electric Power Distribution Engineering, Third Edition, 3 edition. {CRC}
Press.

[8] M. Rossi and D. Brunelli, “Electricity demand forecasting of single residential

units,” 2013 IEEE Work. Environ. Energy Struct. Monit. Syst. EESMS 2013 - Proc.,
no. Dii, 2013.

[9] T. W. S. Chow and C. T. Leung, “Neural network based short-term load forecasting
31
 using weather compensation,” vol. 11, no. 4, pp. 1736–1742.

[10] S. Fan, S. Member, and R. J. Hyndman, “Forecasting Electricity Demand in

Australian National Electricity Market,” no. February, pp. 1–4, 2012.

[11] A. Ariza, “Métodos Utilizados Para el Pronóstico de Demanda de Energía Eléctrica

en Sistemas de Distribución,” 2013.

[12] J. Murillos, a Trejos, and P. Carvajal, “Estudio del pronóstico de la demanda de

energia electrica, utilizando modelos de series de tiempo,” Sci. Tech., vol. 23, no. 23,
pp. 37–40, 2003.

[13] G. Box, George; Jenkins, Time Series Analysis: Forecasting and Control, 4 edition.
Wiley.

[14] S. Katara, A. Faisal, and G. M. Engmann, “A Time Series Analysis of Electricity

Demand in Tamale , Ghana,” vol. 4, no. 6, pp. 269–275, 2014.

[15] H. Friedman, “MULTIVARIATE ADAPTIVE REGRESSION SPLINES *,” no.

August, 1990.

[16] R. T. and A. B. Trevor Hastie, “Flexible Discriminant Analysis by Optimal

Scoring.” 1993.

[17] J. F. Trevor Hastie, Robert Tibshirani, “The Elements of statistical learning.”

32