Nowadays it is of vital importance to know when and how an event will occur or a need will arise so that the best decisions can be made. Forecasting is an important tool to determine the uncertainty of events, so that events can be planned and prevented before they happen. Forecasting can be used in several areas. For example, marketing, production, weather events, etc. In the case of electrical systems, it can be used in planning, system operation or maintenance. In itself, it can be used in areas where a variable that is recorded over time is available. It is important to consider forecasting in power systems because it aids in the future planning of electricity production facilities and to ensure that existing facilities can meet peak demand. Currently, software is available that performs forecasting, but they lack a feature. The use of a large amount of data directly conflicts with the computation time, since the more data that is analyzed, the longer it takes to perform the forecast. In addition, each forecasting method requires a parameter, which is influenced by how quickly the forecast will respond to changes in the historical data. If you do not have the knowledge of the method, it will take time to vary the parameter to obtain the desired results. In this thesis work we present a series of algorithms that by means of parallel computation based on threads will select the optimal parameter through an exhaustive search, in order to obtain a parameter that obtains the lowest error in the forecast and with the help of multiple processors optimizes the computation time. This allows the use of any univariate historical data set using the well-known forecasting methods such as moving averages, weighted moving averages, exponential smoothing, least squares, and Holt-Winters.
Hoy en día es de vital importancia conocer cuándo y cómo ocurrirá un evento o surgirá una necesidad de modo que se tomen las mejores decisiones. El pronóstico es una herramienta importante para determinar la incertidumbre de los eventos, pudiéndose planificar y prevenir eventos antes de que sucedan. El pronóstico puede ser usado en diversas áreas. Por ejemplo, marketing, producción, eventos meteorológicos, etc. En el caso de los sistemas eléctricos, se puede utilizar en la planeación, operación del sistema o mantenimiento. En sí, puede utilizarse en las áreas donde se disponga de una variable que se registra en el tiempo. Es importante considerar el pronóstico en los sistemas eléctricos porque ayudan a la planificación futura de las instalaciones de producción de electricidad y para garantizar que las instalaciones existentes puedan satisfacer los picos de demanda. Actualmente, se dispone de software que realizan el pronóstico, pero carecen de una característica, el uso de una gran cantidad de datos genera un conflicto directamente con el tiempo de cómputo, ya que, entre más cantidad de datos se analice, más tiempo tarda en realizarse el pronóstico. Además, cada método de pronóstico requiere de un parámetro, el cual está influenciado con qué tan rápido va a responder el pronóstico ante los cambios de los datos históricos. Si no se tiene los conocimientos del método al momento de variar el parámetro, se consumirá tiempo para obtener los resultados que se desean. En este trabajo de tesis se presenta una serie de algoritmos que por medio del cómputo en paralelo basado en hilos seleccionarán el parámetro óptimo a través de una búsqueda exhaustiva, con el fin de obtener un parámetro que obtenga el menor error en el pronóstico y con ayuda de múltiples procesadores optimice el tiempo de cómputo. Esto permite usar a cualquier conjunto de datos históricos univariables utilizando los métodos de pronóstico conocidos como promedios móviles, promedios móviles ponderados, suavización exponencial, mínimos cuadrados, y Holt-Winters.
