Análisis y mejora de la predicción de la demanda eléctrica en periodos de alto ECM

Fernández de Mesa Bustelo, María (2016). Análisis y mejora de la predicción de la demanda eléctrica en periodos de alto ECM. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM).

Descripción

Título: Análisis y mejora de la predicción de la demanda eléctrica en periodos de alto ECM
Autor/es:
  • Fernández de Mesa Bustelo, María
Director/es:
  • Caro Huertas, Eduardo
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería en Tecnologías Industriales
Fecha: Julio 2016
Materias:
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 (12MB) | Vista Previa

Resumen

La energía eléctrica es hoy en día un bien de consumo de primera necesidad en la sociedad. Actualmente se utiliza para una infinidad de aplicaciones y resulta imprescindible para el desarrollo del día a día, tanto en los hogares como en la industria, el comercio y otros muchos ámbitos. El problema de la energía eléctrica reside en la imposibilidad de almacenarla una vez generada. Por tanto, la que no es consumida en el momento en el que se produce, se pierde. Por esta razón, las empresas encargadas de distribuir la energía trabajan con un margen amplio sobre la demanda prevista, para poder asegurarse de abastecer a la sociedad. Para ello es necesaria la presencia de centrales de producción de energía capaces de generar electricidad de forma rápida y con total disponibilidad. Éstas hacen que el precio de la energía eléctrica aumente considerablemente. Por ello, con una buena previsión que permita saber con la mayor exactitud posible la energía que va a necesitar la población, se puede disminuir este precio a la vez que se reduce el margen entre la demanda energía prevista y la real. De la misma forma, al reducir el número de centrales en reserva en uso, se reduce al impacto ambiental debido a que éstas son las que generan una mayor contaminación. Con este fin se crean modelos de predicción de demanda eléctrica, como el que es objeto de este trabajo, cada vez más cercanos a la demanda real pero que siguen teniendo algunas inconveniencias. En este Trabajo de Fin de Grado se analiza un modelo de predicción de demanda de energía eléctrica con intención de mejorar ciertos errores que se observan entre la demanda y la previsión de la energía que se va a consumir. Generalmente, la curva de demanda de energía en un día cualquiera sigue una curva con una forma característica, que se adecúa a los horarios de trabajo y horas de sueño y comida de la población. Ésta es decreciente desde el comienzo del día (medianoche) hasta llegar a su valor mínimo a las 7h, donde empieza a crecer hasta las 13h aproximadamente. A esa hora, vuelve a decrecer hasta las 17h, cuando la demanda emprende su subida hasta el máximo, que se da sobre las 20h. Sin embargo, la influencia que ejercen diversos factores hace que esta curva varíe ligeramente según las características de un día concreto. De estos factores, los más importantes son la temperatura y la laborabilidad. Ambos efectos se tienen en cuenta en el modelo de predicción original. La influencia de la temperatura sobre la demanda eléctrica es debida al uso de aparatos de climatización: la calefacción en invierno y el aire acondicionado en verano. El consumo de energía por parte de estos equipos es mayor cuanto menor sea la temperatura en invierno y cuánto mayor sea la temperatura en verano. Por tanto, la curva de demanda durante estos meses varía de esta forma. La modelización de la temperatura en el programa de predicción se realiza por medio de splines cúbicos, que dividen la temperatura en distintos tramos y ajustan un polinomio para cada uno. Como temperatura de referencia en el modelo se utiliza el valor medio de las temperaturas máximas diarias medidas en diez de las ciudades más pobladas de España. La influencia de la laborabilidad está relacionada con la demanda de energía por parte de la población laboral, sobre todo, la industria. De esta forma, influye el hecho de que el día sea laborable o no para el consumo de energía, disminuyendo la demanda los fines de semana y los meses de verano, al igual que las festividades. La modelización de los días festivos es compleja porque dependen del día de la semana en que caen. Además, la demanda de estos días, también influye en los días anteriores y posteriores, lo que la dificulta aún más. En este trabajo se introduce una modificación en el modelo tras analizar el efecto que tiene una mala predicción de la demanda sobre días posteriores. Se observa una diferencia entre dos tipos de días, y para cada uno de ellos se le aplica su modificación correspondiente. Los del primer tipo son aquellos que tienen una demanda más alta o baja de lo normal por alguna razón concreta, pero que al día siguiente vuelven a sus valores de demanda normales. Un ejemplo de esto son las huelgas. El programa, al registrar una demanda real menor que la predicción, disminuye la previsión en gran medida al día siguiente. Así, al volver la demanda real a sus valores habituales, queda al día siguiente una predicción menor que la demanda real. Para estos días, la modificación aplicada consiste en hacer los residuos, que representan la diferencia entre la demanda real y la prevista, nulos. De esta manera, se hace entender al programa que la predicción demanda del día en cuestión ha sido buena y no tiene que modificarla al día siguiente. Los del segundo tipo son días cuyos precedentes se habían hecho buenas previsiones, por lo que una mala predicción solo el día en cuestión no genera un cambio en la predicción de días posteriores. En este caso, al contrario que el anterior, la demanda lleva una tendencia que puede ser positiva o negativa pero que va a continuar a lo largo de los días. Un ejemplo de esto puede ser una bajada repentina de las temperaturas al empezar el otoño. Por tanto, al día siguiente se vuelve a cometer el mismo error en la predicción. La modificación que se aplica a este tipo de días es aumentar los residuos. Es decir, hacer creer al modelo que el error ha sido mayor y así, al tener más influencia que el resto de los días anteriores, que éste modifique la demanda del día posterior. Estos cambios son incluidos en el código del programa y al ejecutarlo se comparan ambos comportamientos: las predicciones antes y después de aplicar las modificaciones. Cuantitativamente, se observa una mejora generalizada en aproximadamente la mitad de los días objeto de estudio, que supone un ahorro económico considerable por cada día mejorado.

Más información

ID de Registro: 43165
Identificador DC: http://oa.upm.es/43165/
Identificador OAI: oai:oa.upm.es:43165
Depositado por: Biblioteca ETSI Industriales
Depositado el: 26 Sep 2016 11:54
Ultima Modificación: 26 Sep 2016 11:54
  • 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