Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/11000/5175

Predicción de la demanda eléctrica utilizando técnicas de inteligencia artificial. Aplicación al mercado eléctrico español


Vista previa

Ver/Abrir:
 TESIS Lopez Garcia, Miguel.pdf
6,99 MB
Adobe PDF
Compartir:
Título :
Predicción de la demanda eléctrica utilizando técnicas de inteligencia artificial. Aplicación al mercado eléctrico español
Autor :
López García, Miguel
Tutor:
Valero Verdú, Sergio
Senabre Blanes, Carolina
Departamento:
Departamentos de la UMH::Ingeniería Mecánica y Energía
Fecha de publicación:
2016-02-05
URI :
http://hdl.handle.net/11000/5175
Resumen :
La evolución de los mercados hacia una economía más libre en la que los roles del productor y el consumidor se solapan e incluso llegan a confundirse está llegando al sector eléctrico. La diversificación de la producción o la capacidad de alterar los patrones de consumo hacen que la participación en los mercados eléctricos y la operación de los sistemas deban dar un paso adelante para gestionar de forma eficiente esta dinamización de los comportamientos. La tecnología ha permitido incrementar el número de decisiones posibles que pueden tomar tanto productores como consumidores. Aumenta el número de tecnologías capaces de producir energía pero se incrementa el número de restricciones sobre los horarios de funcionamiento de los mismos. Aumenta el número de tecnologías que consumen electricidad pero también la capacidad de programar los consumos e incluso de almacenar energía. En este entorno tan cambiante, los agentes participantes necesitan sistemas de gestión de datos que sirvan de apoyo a su proceso de toma de decisiones para asegurar que éstas nos llevan a un sector más eficiente del que nos beneficiaremos todos. La predicción de la demanda es una información crucial a la hora de gestionar la realización de ofertas tanto de compra como de venta en el mercado eléctrico y también para operar de forma eficiente el mercado eléctrico y reducir los sobrecostes de ajustes técnicos. Existen múltiples horizontes de predicción para la demanda eléctrica. En esta tesis nos centraremos en la predicción a corto plazo, que incluye desde la predicción de las próximas horas a las de los próximos 10 días. El problema de la predicción a corto plazo es complejo ya que el número y tipo de variables que influyen en la demanda varía de un caso a otro y las relaciones que se establecen entre estas variables y la demanda suelen presentar un marcado carácter no lineal. Por eso, el proceso de diseño requiere tanto la selección y el procesado de la información más relevante como el diseño de un motor de predicción capaz de captar las relaciones complejas entre demanda e información de entrada. El trabajo de investigación que aquí se presenta se divide en dos bloques. En primer lugar, se han planteado los sistemas y procesos necesarios para estandarizar el diseño modular de modelos de predicción. Este tipo de diseño permite, además de obtener un modelo de predicción, que cada uno de las etapas en las que consiste en modelo pueda analizarse por separado de manera que se entienda la aportación que realiza a la mejora de la precisión de la predicción. Este trabajo se ha llevado a cabo a través del diseño de un modelo de ejemplo basado en un motor de predicción que utiliza redes neuronales en forma de mapa autoorganizados. Se trata de una técnica cuya aplicación se había circunscrito hasta ahora al ámbito de la clasificación y agrupación de datos pero que en este caso se innova en su aplicación al propio proceso de predicción. El segundo bloque pretende mejorar el propio proceso de investigación y de colaboración de la comunidad científica. Los resultados de un modelo de predicción son relevantes pero desgraciadamente dependen en gran medida de las características de la base de datos a la que se apliquen. Por tanto, es imposible conocer si un modelo concreto es aplicable a una base de datos diferente a aquella con la que fue testeado o diseñado. Para facilitar este proceso, se han diseñado indicadores de predictibilidad de las bases de datos que permitan caracterizar las relaciones entre la demanda y las variables más relevantes de cada base de datos. De este modo, es posible conocer a qué tipo de base de datos pertenece aquella con la que se han obtenido los resultados reportados y, por tanto, si es similar a aquella con la que el usuario desea trabajar. Se trata de un proceso de benchmark fundamental a la hora de establecer un proceso de desarrollo colaborativo. Finalmente y como aplicación real del trabajo desarrollado, se incluye el diseño de una herramienta de predicción diseñada a petición del operador del sistema eléctrico español, Red Eléctrica de España. Para esta aplicación se incluyen los detalles del diseño y los resultados de funcionamiento para un periodo de 315 días en condiciones reales dentro de las instalaciones de REE. Además se incluyen los resultados de los propios sistemas de REE y se concluye que la inclusión del sistema diseñado en el proceso de predicción de REE produciría reducciones significativas del error de predicción especialmente en los días que actualmente su sistema predice de forma más defectuosa. Esta tesis se ha realizado bajo la modalidad de presentación de tesis doctorales con un conjunto de publicaciones, recogida en la normativa de la Universidad Miguel Hernández de Elche. En cumplimiento de dicha normativa se han incorporado las publicaciones que la componen como anexo y se han incluido las secciones correspondientes a la descripción general de los trabajos, el resumen global de los resultados obtenidos y las conclusiones finales.
Palabras clave/Materias:
Técnicas de predicción estadística
Inteligencia artificial
Ingenierias y tecnologías eléctricas
Área de conocimiento :
CDU: Ciencias aplicadas: Ingeniería. Tecnología
Tipo documento :
application/pdf
Derechos de acceso:
info:eu-repo/semantics/openAccess
Aparece en las colecciones:
Tesis doctorales - Ciencias e Ingenierías



Creative Commons La licencia se describe como: Atribución-NonComercial-NoDerivada 4.0 Internacional.