Desarrollo de un combinador óptimo de predicciones de demanda

Es sabida la importancia que tiene la energía eléctrica en el modelo de vida actual de los países occidentales, pero esta energía presenta un problema sin solución en la actualidad que es la imposibilidad de almacenarla en grandes cantidades. Esta problemática genera una necesidad en la sociedad: predecir el consumo de energía que se va a producir en el futuro inmediato para poder abastecer la demanda de los consumidores. Para ello el gestor del sistema, que será el agente principal en esta investigación, utiliza una serie de programas predictores que intentan aproximar lo máximo posible la demanda futura bajo una serie de factores que determinan el resultado final. Para una mejora de la predicción de demanda eléctrica, propósito final de la investigación llevada a cabo, es necesario comprender como funciona el mercado eléctrico en la península, lugar de análisis. En España el gestor del sistema es el encargado de predecir la demanda de energía eléctrica. Además realiza las labores de transporte de la misma y de gestión de generación de la energía mediante la oferta y la demanda del mercado, es decir, es el encargado de decidir junto con el OMIE (Operador del Mercado Ibérico de Energía) que tecnología generará en cada momento la energía eléctrica demandada. Esto se consigue a través de la casación del mercado, en el que cada empresa generadora diariamente pone un precio de venta de la electricidad que producirá. Finalmente aquellas empresas que generen electricidad a menor coste cubriendo la demanda serán aquellas que consigan producir ese requerimiento de energía por parte de la sociedad. Este sistema permite que las empresas con tecnologías que presentan dificultades para controlar la energía que generan (como es el caso de las energías renovables) o aquellas cuyos costes de parada harían no rentables su actividad o directamente no sean variables (como son las centrales nucleares) puedan aportar energía a la red en todo su periodo de ejecución. Es importante conocer las curvas de demanda en España para entender cuándo serán necesarias más tecnologías con carga regulable conectadas a la red o si por el contrario con las tecnologías mencionadas anteriormente se cubre toda la demanda. Además de las horas del día, la cantidad de energía eléctrica demandada por los consumidores es función de otros parámetros como son el día de la semana, la festividad de ese día, es decir, si es laborable o no, y la temperatura media muy variable en meses fríos o calurosos y meses templados. También existen otros factores cuya influencia en la demanda es menor pero que deben ser considerados, como son los días anteriores o posteriores a una festividad o la producción de ciertos eventos singulares que producen un alto consumo de energía eléctrica. En la actualidad el gestor del sistema dispone de varios modelos de predicción que tienen en cuenta de forma distinta la influencia de los mencionados factores de dependencia en la demanda eléctrica. Estos programas son confidenciales por los que en la investigación no se ha tenido acceso a ellos. Sin embargo, sí son necesarios para el estudio en cuestión los resultados que estos programas dieron para el horizonte de estudio para poder analizar los datos de predicción. El objetivo de este TFG es la mejora de la predicción de la demanda eléctrica. Para ello se analizan los programas de predicción utilizados por el gestor de sistema comprobando en qué horas del día y en qué días de la semana dan resultados más próximos a la realidad. Se hallan una serie de combinaciones óptimas de los cuatro programas que permitirán disminuir el error en la predicción y se comparan estos errores con el error que resulta de la media de los cuatro programas disponibles para la optimización, solución tomada como referencia para la validación de la investigación. Se ha tomado como medida de comparación el Error Cuadrático Medio, es decir, el error relativo que se ha cometido entre la predicción y la demanda de energía real en el periodo de estudio. La investigación se desarrolla por fases consecutivas ampliando en cada programa que se iba desarrollando el código del anterior, resultando finalmente un estudio completo de los predictores. El código ejecutado se realiza en Matlab. Específicamente se utilizan las funciones incluidas en el Toolbox de optimización. La función fmincon fue la elegida para la obtención de los resultados. Fmincon permitió hallar cuál es la combinación óptima de los cuatro programas en cada caso de estudio que causa un Error Cuadrático Medio menor. El primer programa implementado desarrolla una combinación óptima para todo el horizonte de estudio (del 16/12/2014 al 30/10/2015). El resultado de este programa corrobora que la función fmincon daba una combinación óptima distinta a la media que producía un ECM 1.84% menor. Posteriormente, con vistas a una implementación real del programa, se separó todo el horizonte del que se disponían datos en dos, uno de predicción, que alberga 8 meses y otro de comprobación, que comprende los dos últimos meses del periodo. De esta forma se halla la combinación que menor ECM da para los 8 primeros meses de horizonte y se prueba qué ECM resulta de esa combinación en los otros dos meses restantes. El resultado de esta implementación fue un ECM mayor para la combinación óptima hallada que para la media, por lo que se concluye que para el horizonte de estudio sin distinción de horas ni días la combinación óptima no mejora la predicción. Una vez realizado este estudio se profundiza en el análisis hallando una combinación óptima para cada hora en los primeros 8 meses (periodo de predicción). Luego se comprueba si se reduce el error respecto a la predicción promedio utilizando esta combinación óptima hallada en los 2 meses de periodo de comprobación. Se concluye que para las horas tampoco se consigue mejorar la media de los cuatro programas de predicción con la combinación óptima, de hecho la predicción promedio es un 1.8% mejor que la hallada. Estos resultados desfavorables de nuestro estudio pueden ser posibles debido a la dependencia estacional de la demanda eléctrica, ya que se ha obtenido una combinación óptima para los meses de invierno, cuya predicción es más difícil por sus festividades y la demanda eléctrica es mayor por las bajas temperaturas que se registran. Habría que implementar el estudio a un horizonte de predicción más amplio del que se disponía a la hora de realizar el presente trabajo pero que por motivos de confidencialidad no se ha podido tener acceso. El análisis concluye con la obtención de una combinación óptima diferenciando por días. Como en los casos anteriores, se obtuvo una combinación óptima para cada día de la semana que conseguía reducir el ECM y mejorar la predicción en los 8 primeros meses de predicción para después comprobar si esta combinación óptima mejoraba la predicción promedio de los cuatro programas en los 2 últimos meses del periodo. También se incluyen en la presente investigación un análisis de las emisiones que conlleva la producción de energía eléctrica, pudiéndose disminuir el impacto ambiental que conlleva una sobreproducción de electricidad consecuente de una mala predicción de la demanda. Cabe destacar la importancia de la responsabilidad ética en este trabajo debido al carácter confidencial de los programas de predicción analizados, lo que ha dificultado la obtención de un mayor periodo de datos y que acarrean responsabilidades legales en cuanto al manejo de éstos. Este es el motivo por el que no se han publicado en el documento los valores de predicción que resultan de cada programa analizado ni los propietarios de éstos. Resumiendo todo el trabajo desarrollado y las conclusiones halladas, con el estudio realizado en este TFG se demuestra que con el suficiente periodo de análisis se puede llegar a una ponderación óptima en el que se usen los puntos fuertes de cada programa de predicción consiguiendo el objetivo primordial que es la mayor exactitud en la predicción de la demanda eléctrica