Modelo de predicción de demanda eléctrica de Las Palmas de Gran Canaria

Yangyang, Yang (2016). Modelo de predicción de demanda eléctrica de Las Palmas de Gran Canaria. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM).

Descripción

Título: Modelo de predicción de demanda eléctrica de Las Palmas de Gran Canaria
Autor/es:
  • Yangyang, Yang
Director/es:
  • Juan Ruiz, Jesús
  • Caro Huertas, Eduardo
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería en Tecnologías Industriales
Fecha: Junio 2016
Materias:
Palabras Clave Informales: Predicción, demanda de energía eléctrica, Gran Canaria
Escuela: E.T.S.I. Industriales (UPM)
Departamento: Ingeniería de Organización, Administración de Empresas y Estadística
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (6MB) | Vista Previa

Resumen

La energía eléctrica es un bien imprescindible en toda actividad humana y cualquier país desarrollado pone los medios para garantizar su suministro en cualquier instante del día. La sociedad evoluciona de manera que cada vez dependemos más de la tecnología y de manera indirecta de la energía eléctrica. La energía eléctrica, por desgracia, no se puede almacenar en grandes cantidades para usarla en cualquier momento, ya que la única forma de almacenarlo para su uso directo es a través de las baterías, que siempre tienen una capacidad de almacenamiento bastante limitado, además, el rendimiento de este nunca es del 100%. Por otra parte, la mayoría de las plantas de producción de electricidad requiere un tiempo largo para el arranque y puesta en marcha, por lo que no puede satisfacer nunca de forma momentánea una demanda superior a la producida. También, una mala previsión puede causar el desequilibrio entre la oferta y demanda, y producir una caída de la red. Los errores que se cometen en las predicciones tienen igualmente un impacto económico. Ya que las compañías para asegurar el complimiento de su compromiso, abastecer la demanda en cualquier momento, cuentan siempre con unas centrales en funcionamiento, además de estas, una cantidad de centrales en reserva, que no están produciendo electricidad, pero disponibles para arrancar en cualquier momento que la operadora le indique. Por ello, estas centrales, aunque finalmente no hayan producido electricidad porque no se produjo cambios imprevistos, reciben unos pagos por capacidad, que se refleja posteriormente en la factura de luz de los consumidores. A consecuencia de esto, tener una buena predicción de demanda de las horas posteriores es indispensable. Para ello, las compañías cuentan con muchas técnicas avanzadas de predicción. Para este Trabajo de Fin de Grado, el objetivo central es la mejora de la técnica de predicción de demanda eléctrica aplicada para una zona geográfica específica, en concreto, la comunidad de Las Palmas de Gran Canaria. Se pretende lograr este objetivo mediante un modelo que refleje de manera más exacta la demanda. Esto, conllevaría una incertidumbre menor, por tanto, el sistema podría operar dentro de unos márgenes menores, reduciéndose el número de centrales en reserva, por tanto, disminuyendo el pago de consumidores por ello. Además, si la predicción se hace con mayor anterioridad, esto permite negociar con plantas más baratas para cubrir horas punta que antes no se podría por el largo tiempo de puesta en marcha, reduciéndose el precio final de casación del mercado. Por otra parte, en España se ha desarrollado o se está desarrollando proyectos de conexión de distintos sistemas de red, como, por ejemplo, el proyecto Rómulo, una conexión de 237 km de longitud que une Península-Baleares puesto en marcha en agosto de 2012. En la zona de estudio del presente trabajo, también se está desarrollando línea de conexión entre Lanzarote y Fuerteventura, por lo que se valora desde un punto de vista de predicción la mejora que puede suponer al considerarlos como un sistema único. El objetivo del modelo es predecir la demanda a corto plazo, a un día vista. Para conseguir este objetivo, se trabaja con 24 modelos univariantes, correspondientes a cada hora de un día, cada uno con sus parámetros a estimar. Para empezar, se ha analizado los diferentes comportamientos de las distintas islas de su consumo eléctrico. En un día, el patrón de demanda de las tres islas es similar. La demanda disminuye en las primeras horas del día, hasta las 5 de la mañana, donde alcanza el valor mínimo, después crece hasta la hora 14, donde se produce un pico, después de este momento, se produce una caída suave hasta un valle entre la hora 16, 17 horas, en seguida, la demanda sube hasta alcanzar otro pico a la hora 22. A continuación de esta hora, se produce una caída hasta llegar al valle de la hora 5 y así sucesivamente. La forma concreta de la curva diaria depende de las fechas, el carácter festivo o laborable del día, de la isla y de otros aspectos que se describirán en este trabajo. En una semana, se observa que los comportamientos de lunes a viernes son similares. En Gran Canaria, el sábado produce una bajada suave, y en el domingo tiene el menor consumo de todos los días de la semana. Pero en Lanzarote, el comportamiento de sábado es similar al de lunes a viernes, mientras que, en Fuerteventura, durante el sábado produce una subida en la demanda de la energía eléctrica. En un año se observa que en las tres islas tienen un ciclo parecido, en el que durante los meses más calurosos tiene una mayor demanda, coincidiendo también con las vacaciones del verano cuando reciben una mayor cantidad de turistas. Se ha observado que los factores que se incluye en el modelo, la temperatura y los días festivos tienen una influencia clara sobre la demanda. Para modelizar todo el comportamiento de la serie de demanda de energía eléctrica de una hora del día, el modelo recurrido es de tipo Reg-ARIMA, eso quiere decir que está compuesto por una parte de regresores, y otra parte ARIMA. Los regresores que se ha incluido en el modelo son las correspondientes a la temperatura y a las festividades. Para modelizar el comportamiento del efecto de la temperatura, se han utilizado los históricos de la temperatura máxima y la temperatura mínima, además de diferenciar el posible efecto sobre un día laborable con un día no laborable. El efecto de las festividades es diferente si cae en diferentes días de la semana. Por ejemplo, un festivo en domingo, no influye mucho en el consumo de ese día y puede tener impacto en el lunes, mientras que un festivo en miércoles, suele reducir mucho la demanda sobre el mismo día y no afectar al día siguiente. Pero hay similitudes entre el efecto sobre un día de algunos días como puede ser martes con miércoles. Por tanto, para no saturar el modelo con regresores, dentro de lo posible se ha igualado parámetros que, por una parte, mejoras en el tiempo de estimación, y por otro evitas el problema de disponer de pocos históricos para algunos casos. El modelo también incluye una función, llamado refresco horario o corrección horaria, que utiliza las correlaciones existentes entre los errores cometidos de las horas anteriores para mejorar las predicciones de las horas inmediatamente posteriores. Así consiguiendo mejores resultados. Una vez visto el modelo, se procede a la estimación y a la predicción del mismo. El modelo descrito se ha desarrollado en Matlab, una vez que se haya terminado con la estimación y predicción. Se valora los resultados obtenidos. Para los parámetros de la parte dinámica, se representa los 24 valores de cada parámetro, un valor para cada hora. También se dibujan los límites del intervalo de confianza de 95%. Así se puede valorar si los parámetros son significativos, o no son significativos para alguna hora, o no ha sido en ninguna hora. Es significativo si en el intervalo está excluido el 0. Para los parámetros de la temperatura, se ha pintado 4 gráficos y cada gráfico está a la vez compuesto por 4 horas diferentes, hora 6, hora 12, hora 18, y hora 24. Los 4 gráficos son: • Efecto de temperatura máxima sobre los días laborables • Efecto de temperatura máxima sobre los días no laborables • Efecto de temperatura mínima sobre los días laborables • Efecto de temperatura mínima sobre los días no laborables Para los parámetros de los días festivos, los gráficos pintados son parecidos a los regresores de la parte dinámica, solo que, en este caso, se representa los diferentes efectos sobre cada hora de los días continuos en una forma de matriz. En el que puedes apreciar si es significativo o la reducción que ha habido comparado con un día normal. Por otra parte, para la modelización del sistema único de Lanzarote-Fuerteventura, la demanda prevista y la real empleada es la suma de las dos islas por separado, el histórico de la temperatura máxima se ha supuesto como la media de los máximos de cada isla y así mismo para la mínima. Y se incluyen también los festivos de ambas islas. En la parte de análisis de resultados, para medir la precisión de las predicciones se ha utilizado la raíz del error cuadrático medio (Root Mean Squared Error, RMSE). Un resumen de los resultados y conclusiones más importantes es el siguiente: En el modelo estimado para Gran Canaria en el periodo de predicción a un día vista, el RMSE cometido es 1,9%, mientras que, si se emplea una corrección en la hora 10 con esos resultados de predicción, el RMSE baja hasta 1,74%. El modelo adaptado para Fuerteventura en el periodo de predicción a un día vista, el RMSE cometido es 2,21%, y si se hace una corrección en la hora 10 con esos resultados de predicción, el RMSE baja hasta 2%. El modelo empleado para Lanzarote en el periodo de predicción a un día vista, el RMSE cometido es 2,02%, mientras que, si se hace una corrección en la hora 10 con esos resultados de predicción, el RMSE baja hasta 1,88%. El sistema de Fuerteventura-Lanzarote, la mejora es destacable si se compara con los propios resultados obtenidos para las dos islas tratadas por separado. Con respecto a Lanzarote, se mejora un 7,45%, y para Fuerteventura se logra una mejora de 21,27%.

Más información

ID de Registro: 42961
Identificador DC: http://oa.upm.es/42961/
Identificador OAI: oai:oa.upm.es:42961
Depositado por: Biblioteca ETSI Industriales
Depositado el: 22 Sep 2016 08:39
Ultima Modificación: 13 Oct 2016 14:43
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM