Modelo de predicción de la demanda eléctrica mediante regresión dinámica

Hoy en día, resulta difícil imaginar una sociedad que pueda continuar evolucionando y generando riqueza sin disponer de un abastecimiento adecuado y regular de energía. Desde los inicios de la Revolución Industrial hasta hoy, las principales fuentes de energía han ido evolucionando en función de los avances tecnológicos y de las nuevas necesidades que han ido surgiendo. A la vez que las fuentes han ido desarrollándose, también lo ha hecho la manera en que dicha energía se transporta desde las fuentes de producción hasta los consumidores finales. En la actualidad, la forma más común para el transporte de la energía se corresponde con la energía en su forma eléctrica. Dentro de los sistemas de suministro eléctrico actual se distinguen tres fases claramente diferenciadas. Por un lado se encontraría la fase de generación, destinada a producir la energía necesaria para satisfacer el consumo. Otra fase importante la constituye el transporte, que permite transferir la energía producida hacia los centros de consumo y, por último, encontramos la fase de distribución que hace posible que la energía llegue al cliente final. Esta forma de transporte de energía es muy ventajosa debido a la rapidez con la que se atiende las necesidades de los consumidores, mucho mayor que cualquier otra forma de almacenamiento de energía. Por otro lado, las pérdidas en el transporte de la electricidad se minimizan al realizarse el transporte a altas tensiones. El único inconveniente que tiene la utilización de la energía eléctrica es que no puede ser almacenada, por lo que es necesario que exista un equilibrio relativamente constante entre producción y consumo. Debido a este último inconveniente, resulta especialmente importante poder conocer de antemano la demanda que va a haber en un día determinado para poder así dimensionar correctamente las centrales de generación y ajustar su producción a la demanda prevista. De no conocerse esta previsión, las pérdidas originadas por la diferencia entre la producción y la demanda podrían ser muy considerables y acabar afectando muy negativamente no sólo en términos económicos sino también medioambientales. Cuando la demanda de energía es mayor que la que puede cubrirse con las centrales base o centrales principales, destinadas a suministrar la mayor parte de energía eléctrica, la demanda restante debe cubrirse con las denominadas centrales de reserva. El impacto medioambiental asociado a una mala previsión está relacionado con este tipo de centrales que se utilizan para cumplir con la obligación de cubrir el total de energía demandada cuando la predicción realizada falla. Estas centrales, denominadas centrales en reserva, suelen ser centrales térmicas de ciclo combinado que producen mayor número de emisiones de efectos contaminantes en comparación con las centrales base. Con el objetivo de minimizar estos impactos, existen numerosas líneas de investigación abiertas por parte de numerosas universidades y empresas ligadas al sector eléctrico que tratan de estudiar las diferentes variables que pueden afectar a la demanda de energía eléctrica. Estos estudios tienen como principal objetivo lograr predicciones cada vez más fiables que minimicen el error cometido entre la energía producida y la posteriormente demandada. El presente Trabajo de Fin de Grado expuesto a continuación busca contribuir a los estudios desarrollados hasta ahora en el ámbito de la predicción de demanda de energía eléctrica y sugerir futuras líneas de investigación que ayuden a la mejora continua de este tipo de modelos. El ámbito geográfico de este estudio se corresponde con el de la ciudad autónoma de Ceuta, aunque los resultados obtenidos pueden ser fácilmente extrapolables a cualquier otro ámbito geográfico, incluso a nivel nacional. El modelo de predicción implementado considera la demanda para cada una de las distintas horas del día de manera independiente, realizando un estudio univariante que incluye la construcción de 24 modelos individuales para cada hora. Para su elaboración se han analizado las series de demanda de las 24 horas del día desde el 03/01/2006 hasta el 12/05/2014, prestando especial atención a las distintas estacionalidades tanto mensuales y semanales, como diarias y horarias, a las que se encuentra sujeta la demanda de energía eléctrica. En concreto se desarrolla un modelo de predicción de la demanda de energía eléctrica haciendo uso de la regresión dinámica. El método elegido tiene como objetivo demostrar la viabilidad de este tipo de modelos para su uso como herramienta de predicción en este ámbito. La regresión lineal, es un método muy potente a la hora de evaluar cómo influyen determinadas variables, denominadas independientes, en la evolución de una variable respuesta o dependiente. Dado que el comportamiento de la demanda de energía eléctrica no sólo se ve influido por una única variable independiente o variable regresora, es necesario recurrir a la regresión lineal múltiple. La gran dificultad que presenta la modelización mediante regresores radica en la búsqueda de esas variables regresoras o explicativas que influyen en la demanda, a priori desconocidas. Las variables regresoras estudiadas se han introducido de manera progresiva en el modelo y se corresponden con la temperatura, los días especiales, los días de la semana y, por último, aquellos relacionados con la demanda y los errores cometidos, en los días y horas previas a la estimación realizada. La introducción de estos regresores no es casual, su inclusión se debe a su importante influencia sobre la demanda de energía eléctrica. El efecto de la temperatura sobre la demanda es muy notable sobre todo en los meses de invierno y de verano, dado el intensivo uso de los equipos de climatización. Para modelar este efecto de la temperatura se ha recurrido a emplear el método de regresiones con splines (Hastie y Tibshirani, 1990). Este método consiste en dividir el rango de temperaturas en distintos tramos definidos mediante una secuencia de nodos, para posteriormente ir ajustando un polinomio en cada uno de los tramos. Las temperaturas que se emplean para este efecto son las temperaturas máximas de cada uno de los días. Por otro lado, para la modelización de los especiales, se incluyen los días festivos y las jornadas de huelga que, por motivos evidentes, hacen disminuir la demanda de energía eléctrica asociada a la actividad económica. Estos regresores se incluyen mediante variables de tipo binario o dummy, y recogen la influencia producida en la demanda de energía eléctrica no sólo como consecuencia de los días especiales en cuestión, sino también los días cercanos en el tiempo a aquellos. Dada la estacionalidad semanal en la demanda de energía eléctrica, también se han incluido regresores encaminados a aportar información al modelo relativos a este hecho. Para su modelización se emplean al igual que para los días festivos, variables de tipo binario para definir cada uno de los días de la semana. Los últimos regresores introducidos incorporan al modelo la información más reciente y aquella relacionada con los valores de demanda y errores obtenidos mediante el modelo para las horas y días previos a los que se realiza la estimación. Estos regresores se clasifican en dos tipos: por un lado aquellos regresores que, para una hora consideren las demandas reales y los errores del modelo cometidos en los días previos para esa misma hora, estos serán conocidos como regresores primarios de demanda, y de error, respectivamente. El segundo tipo se corresponden con aquellos regresores que, para una hora, consideran las demandas reales y los errores del modelo cometidos para las horas previas a dicha hora , y son los denominados regresores secundarios de demanda y de error respectivamente. Una vez se ha conseguido modelizar matemáticamente estos regresores, se procede a la construcción, programación y automatización del correspondiente modelo mediante el uso de software específico. Este software, además de una potente herramienta de cálculo, también ayuda a la fácil visualización gráfica de las mejoras obtenidas a medida que se añaden los distintos regresores mencionados. Esta ayuda se considera indispensable a la hora de analizar los resultados obtenidos: El estudio se divide en dos fases. Por un lado, la fase de estimación de los coeficientes del modelo, en la cual se comparan los distintos modelos obtenidos tras la introducción de los distintos regresores y se seleccionan aquellos modelos que permiten realizar mejores estimaciones. A continuación de esta fase, se inicia la fase de predicción, en la cual se usan los coeficientes obtenidos para el modelo definitivo en la fase de estimación, como herramienta para realizar predicciones futuras de series de demanda no incluidas en la fase de estimación del modelo. La fase de estimación se encuentra, a su vez, dividida en dos capítulos, en el Capítulo 5 se implementa un modelo inicial (M4), para el cual no se ha tenido en cuenta, en la parte de desarrollo, la inclusión de determinadas restricciones de tipo técnico. Estas restricciones se encuentran asociadas a los protocolos seguidos en la toma de decisiones en el mercado eléctrico, que obligan a obtener las predicciones de la demanda del día d a las 10 a.m. del día d-1. En el Capítulo 6, se usan las conclusiones extraídas del primer modelo inicial, para poder así construir un modelo definitivo (Mr3), en el cual se aplican las restricciones técnicas que no se aplicaron en la elaboración del modelo inicial y que resulta ser el elegido finalmente para realizar las predicciones. Para la comparación de los modelos de estimación entre sí se ha prestado especial atención a dos indicadores: el primero se corresponde con el error cuadrático medio (ECM) en porcentaje obtenido para las 24 horas del día, que aporta información del error relativo cometido en las estimaciones, el segundo indicador empleado se corresponde con el porcentaje de días críticos obtenidos en el modelo respecto al total de días incluidos en la estimación del mismo. En este punto se entiende como día crítico aquel que presenta un error cuadrático medio (ECM) mayor del 10% y que, por tanto, se trata de días que añaden un gran error en la estimación. A modo de conclusión, se exponen los resultados extraídos de la fase de estimación para los distintos modelos obtenidos en cada uno de los capítulos. Para representar la mejora conseguida con estos modelos, se comparan los indicadores de éstos con un modelo de referencia (M1) que contiene únicamente los regresores de temperatura y de días especiales. El error cuadrático medio (ECM) obtenido sin aplicar las restricciones técnicas (M4) es ligeramente inferior al obtenido con el modelo una vez aplicadas éstas (Mr3). Sin embargo, para obtener un modelo que sea utilizable en la práctica resulta imprescindible incluir estas restricciones que limitan el campo de actuación de los regresores primarios y secundarios empleados en la estimación. Debido a esto, el modelo definitivo propuesto en la fase de predicción es el Mr3. En la fase de predicción, se usan los coeficientes del modelo Mr3, para realizar la predicción de las series de demanda no incluidas como dato en la fase de estimación. Una vez realizadas estas predicciones, se comprueba que los indicadores obtenidos, tanto de error cuadrático medio (ECM) como de días críticos, son exactamente los mismos que los obtenidos en la fase de estimación, lo que confirma la validez del modelo de predicción. Por todo lo anterior, se comprueba la capacidad, rapidez y eficiencia de los modelos de regresión lineal diseñados en este Trabajo Fin de Grado para su aplicación como herramienta fiable de predicción de la demanda de energía eléctrica