In this thesis, I use the technique Multiple Linear Regression (MLR) to predict 24 hours ahead of demand and price of electricity in the electricity market in Ontario, Canada. Due to a shift towards electricity market, it is important previously estimation of these two variables depending on the type of market participant, whose reasons are outlined in this document. To do this work, the demand and price is modeled by estimating a model that includes the double seasonality (daily and weekly) present in this series and that these patterns were identified through the autocorrelation function. This requires a large amount of data is used for estimating model parameters, as based on experimentation best results are obtained by using a large window of data and applying a logarithmic transformation of the data. In addition to presenting a good performance, the speed with which it predicts and estimates the model is almost immediate. Given that the time series of demand and electricity prices show a nonlinear behavior, whose complexity makes it impossible to adequately represent their evolution and hence the absence of a mathematical model. For this reason in this work such time series are approximated by a simple linear model describing their behavior and predicting with good accuracy, evaluating by traditional Mean Absolute Percentage Error (MAPE), used in most of the works consulted, because it provides the best idea as the approximation to the real values.
En la presente tesis, se emplea la técnica de Regresión Lineal Múltiple (RLM) para realizar la predicción de 24 horas adelante de la demanda y precio de electricidad en el mercado eléctrico de Ontario, Canadá. Debido al cambio hacia a un mercado eléctrico, es importante la estimación con anterioridad de estas dos variables dependiendo del tipo de participante en el mercado, cuyas razones son expuestas en este documento. Para realizar este trabajo, se pronostica la demanda y el precio mediante la estimación de un modelo que recoge la doble estacionalidad (diaria y semanal), presente en estas series, y tales patrones son identificados a través de la función de autocorrelación. Para esto se emplea una gran cantidad de datos en la estimación de los parámetros de los modelos, pues en base a experimentación se obtienen mejores resultados y aplicando una transformación logarítmica a los datos. Además de presentar un buen desempeño, la rapidez con la que se predice y se estima el modelo es en menos de un segundo. Dado que las series de tiempo de la demanda y precio de la electricidad, muestran un comportamiento no lineal, cuya complejidad hacen imposible representar su evolución adecuadamente y por ende la inexistencia de un modelo matemático. Por tal razón en este trabajo se aproximan tales series de tiempo mediante un modelo lineal sencillo que describa su comportamiento con buena proximación, para generar predicciones precisas, evaluando estas, por medio del Porcentaje del Error Medio Absoluto (MAPE), utilizado en la mayoría de los trabajos consultados, ya que proporciona la mejor idea en cuanto a la aproximación a los valores reales.
