Modelo de temperatura para la mejora de la predicción de la demanda eléctrica: Aplicación al sistema peninsular español

En la sociedad actual, la energía eléctrica se ha convertido en un bien indispensable, siendo el sector energético un sector estratégico en la economía global. De esta forma, la electricidad supone uno de los pilares básicos del “Estado del bienestar”, siendo de gran importancia para los hogares, la industria y, cada vez más, en el transporte. Sin embargo, la energía eléctrica tiene un inconveniente, dado que no puede ser almacenada, salvo en centrales hidráulicas de bombeo y en pequeños sistemas de baterías. Esto significa que, para el consumo diario, debe existir, en todo momento, un equilibrio entre la electricidad producida y la demandada por los consumidores. Por ello, dentro del sector eléctrico cobra especial importancia la predicción de la demanda eléctrica. Además, la predicción cobrará también especial relevancia a la hora de buscar la reducción de los costes económicos y medioambientales atribuidos a la generación, transporte y distribución de energía eléctrica. En este trabajo, cuyo objetivo es la realización de un estudio para obtener unas predicciones de la demanda eléctrica más precisas y fiables, se parte de un modelo que tiene en cuenta dos factores: la temperatura y los días especiales. Este contiene 24 modelos univariantes iguales para cada una de las 24 horas del día, los cuales tienen en cuenta la correlación que existe entre horas próximas. Específicamente, la reducción en los errores y la incertidumbre se hace en este trabajo a partir del desarrollo de la modelización de la temperatura, la cual se comprueba que tiene una gran influencia en la demanda obtenida cada día. No obstante, al no ser la correlación entre demanda y temperatura lineal, es necesario recurrir a la inclusión de splines, curvas definidas a trazos que se unen suavemente en los nodos. Asimismo, a la hora de realizar predicciones basadas en la temperatura es necesario considerar, no sólo la temperatura del propio día, sino, además, la de los días anteriores. El número de días precedentes considerados se denominarán retardos. Así, el primer paso es obtener el número de nodos y de retardos óptimo para minimizar los errores que están siendo obtenidos. Para ello se comparan los errores en las predicciones obtenidos con diferentes modelos dónde únicamente se varía el número de nodos y retardos utilizados. Con ello se llega a un primer modelo sobre el cuál se compararán el resto de modelos y que servirá para evaluar la reducción de errores que son obtenidas a partir de este trabajo. Por otro lado, hasta ahora se habían realizado las estimaciones a partir de la media de las temperaturas máximas en las diez ciudades más representativas del territorio peninsular español. Por tanto, el siguiente paso consiste en considerar en el modelo los datos de las temperaturas mínimas para las mismas ciudades, con el propósito de estudiar si se consigue una mejora de los resultados. Para ello, se comprueba en primer lugar que son mejores los resultados obtenidos si se obtienen los regresores de la temperatura a partir de los datos de las temperaturas máximas en vez de los de las mínimas. Posteriormente, se realiza un desdoble en la matriz de los regresores de temperatura, estando en ella incluidas tanto una submatriz con los regresores obtenidos a partir de las temperaturas máximas, como otra con los obtenidos a partir de las mínimas. Así, se comprueba que los resultados obtenidos a partir de este modelo suponen una mejora con respecto a los anteriores. A continuación, se estudia la influencia de la temperatura de un día y la de los dos días precedentes sobre la demanda según el día sea laborable o festivo. Para ello se realiza un nuevo desdoble en la matriz de regresores de la temperatura, componiéndose de dos submatrices: una representando a los días laborables y la otra a los días especiales. Dado que se había comprobado que también era beneficioso el desdoble de la matriz para incluir los datos tanto de las temperaturas máximas y mínimas, se llega a un modelo con una matriz de regresores de temperatura con cuatro submatrices. A partir de este último modelo, se representa la influencia de la temperatura máxima y mínima sobre la demanda para distintas horas del día, tanto para días laborables como especiales. De esta forma, para cada hora considerada se obtienen cuatro gráficas. Sin embargo, al estudiar dichas gráficas se observa que en alguna se están obteniendo resultados difíciles de explicar. Por ejemplo, a partir de una de las gráficas se extrae que la demanda de energía eléctrica disminuye al reducirse la temperatura mínima de 5ºC a 0º. Se deduce que esto se debe a la multicolinealidad, pues la temperatura máxima y la mínima de un mismo día tienen alta correlación lineal. Es decir, el modelo no es capaz de distinguir entre el efecto de la temperatura máxima y de la mínima sobre la demanda. Este hecho produce una distorsión en las gráficas que dificulta su interpretación. Por ello, para la interpretación del efecto de la temperatura sobre la demanda, se decide eliminar la temperatura mínima, realizando las estimaciones considerando únicamente los datos de las temperaturas máximas. Así, se logra estudiar la influencia de la temperatura sobre la demanda, como se pretendía, dado que se elimina el problema de multicolinealidad. Por último, se realiza la comparación de los diversos modelos utilizados a lo largo del trabajo, obteniendo el que menores errores presenta, comprobando, además, que se logra el objetivo principal de reducir los errores en la predicción de demanda eléctrica. En conclusión, el estudio realizado en este Trabajo Fin de Grado prueba los beneficios de utilizar un modelo con 3 nodos y 5 retardos, donde se utiliza una matriz de regresores de temperatura en la que se tienen en cuenta los datos de las temperaturas máximas y los de las mínimas, además de realizar un desdoble entre días laborables y especiales. Con este modelo se logra el fin de obtener unas predicciones más precisas y fiables