Mejoras de eficiencia computacional y precisión para sistemas predictivos de demanda eléctrica

Abstract

Debido a la inviabilidad del almacenamiento de energía eléctrica a gran escala, la energía eléctrica se genera y consume simultáneamente. En consecuencia, las entidades eléctricas necesitan sistemas de previsión de demanda para planificar operaciones y gestionar suministros. Predicciones de demanda precisas permiten el ahorro económico de suministros de generación de energía, así como reforzar la fiabilidad del abastecimiento a los consumidores. Por otra parte, las predicciones de demanda también permiten gestionar las energías renovables en las redes eléctricas, reduciendo indirectamente las emisiones de gases de efecto invernadero. Esta tesis se centra en mejorar, a escala peninsular, el sistema predictivo de Red Eléctrica de España (REE) y desarrollado por la Universidad Miguel Hernández (UMH). Se presenta un enfoque independiente de sus modelos matemáticos, ofreciendo metodologías aplicables a otros sistemas predictivos de otras redes eléctricas. Se exploran dos mejoras: una obtención determinista y automática del horario de cálculos y un preprocesado de datos de temperatura que da pie a análisis demográficos. Ambas mejoras también incrementan la precisión de las predicciones, siendo un criterio base de diseño. En Europa, debido a las directivas y las nuevas tecnologías, los sistemas de predicción pasan de trabajar en intervalos horarios a cuarto-horarios, lo que reduce el tiempo de cálculo y aumenta la carga computacional. Por lo tanto, un sistema predictivo puede no disponer de tiempo suficiente para calcular todos los pronósticos futuros. Los sistemas de predicción realizan cálculos a lo largo del día, repitiendo los mismos pronósticos a medida que se acerca la hora prevista. Sin embargo, hay predicciones que no son más precisas que otras ya calculadas, lo que da pie a no ejecutarlas y emplear las predicciones previas para ahorrar esfuerzo computacional y mantener la precisión. Con la idea de evitar cálculos contraproducentes, se desarrolla un algoritmo que estima qué pronósticos brindan mayor precisión que los anteriores, con lo que construye un horario de ejecuciones. El algoritmo se adapta a las necesidades computacionales y el sistema predictivo, con lo que se ha aplicado al sistema de predicción de REE, obteniendo un horario de ejecuciones que consigue una mayor precisión y se adapta a la carga computacional. Por otra parte, la demanda eléctrica depende de la temperatura ambiente por el uso de equipos de aire acondicionado y calefacción. Esta tesis propone un método automático de procesamiento y selección de variables térmicas con un doble objetivo: mejorar tanto la precisión como la interpretabilidad del sistema de pronóstico global. La metodología experimental se ha realizado con el sistema predictivo de REE. La nueva forma de trabajar con las temperaturas es interpretable, ya que separan el efecto de la temperatura según la ubicación y el tiempo mediante variables con un significado específico. Ambos estudios demuestran experimentalmente que las técnicas propuestas cumplen su cometido, mejorando la precisión y el coste computacional del sistema predictivo. También se observa que en España el calor tiene mayor influencia sobre la demanda que el frío. En los días calurosos, la temperatura del segundo día anterior tiene mayor influencia que la del anterior, mientras que en los días fríos ocurre lo contrario. A partir de la construcción del horario de ejecuciones se ha concluido que las temperaturas afectan poco a la demanda durante la madrugada; las previsiones de temperatura de menos de cuatro días de antelación implican una mayor precisión que las de más de cuatro; y que cuanto menor es la diferencia de tiempo entre el momento de predicción y el de ejecución, mayor precisión se tiene.

Due to the infeasibility of large-scale electrical energy storage, electrical energy is generated and consumed simultaneously. Therefore, electricity entities need demand forecasting systems to plan operations and to manage supplies. Improving the forecasts accuracy allows economic savings of energy generation supplies, as well as reinforcing the reliability of energy supply to electricity consumers. In addition, demand forecasts allow renewable energies to be managed in electricity networks, indirectly reducing greenhouse gas emissions. This thesis focuses on improving, at peninsular scale, the forecasting system of Red Eléctrica de España (REE) developed by the Miguel Hernández University (UMH). An independent approach of mathematical models is presented, offering methodologies applicable to other forecasting systems from different electrical grids. Two improvements are tackled: a deterministic and automatic schedule obtention and a preprocessing of temperature data, which can be used as a tool for demographic studies. Both enhancements also increase the forecasting accuracy. In Europe, due to directives and new technologies, forecasting systems are transitioning from hourly intervals to quarter-hourly intervals, which reduces the calculation time and increases the computational burden. Therefore, a predictive system may not have enough time to compute all future forecasts. Forecasting systems perform calculations throughout the day, repeating the same forecasts while the forecast time approaches. However, there are predictions that are not more accurate than others already calculated, which leads to not executing them and using previous predictions to save computational effort and maintain accuracy. With the intention of avoiding counterproductive calculations, an algorithm is developed, that estimates which forecasts provide better accuracy than previous ones, then it builds a computing schedule. The algorithm adapts to the computational needs and the predictive system. It has been applied to the REE prediction system, obtaining a computing schedule that achieves greater precision and adapts to the computational load. Temperature affects electricity consumption through air conditioning and heating equipment. This thesis proposes an automatic method of processing and selecting variables with a double objective: to improve both the accuracy and the interpretability of the global forecasting system. The experimental methodology has been carried out with the REE predictive system. The new way of working with temperatures is interpretable as it separates the effect of temperature based on location and time, using variables with a specific meaning. Both studies experimentally demonstrate that the proposed techniques fulfill their purpose, improving the accuracy and computational cost of the predictive system. It is also observed that in Spain heat has a greater influence on demand than cold. On hot days, the temperature of the second previous day has a greater influence than that of the previous one, while on cold days the opposite occurs. Based on the construction of the execution schedule, it has been concluded that temperatures have reduced effect on demand during the early morning hours; temperature forecasts for less than four days ahead provide more accuracy than those more than four; and according as the time difference between the moment of prediction and the moment of execution decreases, the accuracy increases.