Modelos estadísticos para la predicción del desvío en la demanda de energía eléctrica aplicado al mercado ibérico

San José Fernández, María Lourdes (2017). Modelos estadísticos para la predicción del desvío en la demanda de energía eléctrica aplicado al mercado ibérico. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM), Madrid.

Descripción

Título: Modelos estadísticos para la predicción del desvío en la demanda de energía eléctrica aplicado al mercado ibérico
Autor/es:
  • San José Fernández, María Lourdes
Director/es:
  • Juan Ruiz, Jesús
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería en Tecnologías Industriales
Fecha: Julio 2017
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 (3MB) | Vista Previa

Resumen

La electricidad es una de las principales formas de energía usadas en el mundo actual. Además de ser un servicio, se ha convertido en una necesidad básica para realizar gran cantidad de las actividades diarias en cualquier civilización. Estas actividades comprenden ámbitos como el transporte, las comunicaciones, la iluminación artificial y el uso de aparatos electrónicos en los que es indispensable la energía eléctrica. El funcionamiento del sector eléctrico español y los diferentes tipos de mercados que lo componen es complejo. A lo largo de los últimos años, se han empleado diversas técnicas para poder predecir el comportamiento de los mercados y sus agentes, y de esta forma, proporcionar información valiosa para las empresas involucradas en el sector. Principalmente, han sido la demanda energética y el precio de la electricidad los objetos de estas predicciones así como los factores que influyen en ellos. Las técnicas más comunes para ello han sido las regresiones lineales y las series temporales pero con los avances tecnológicos y programas computacionales destinados a estos fines, los modelos predictivos englobados en la Minería de Datos están tomando cada vez mayor protagonismo. El presente Trabajo Fin de Grado, tiene como principal objetivo desarrollar varios programas en el lenguaje R sobre distintos modelos predictivos, para analizar y estudiar la diferencia entre la cantidad realmente demandada en el mercado el día del consumo y la fijada en la subasta del día anterior. La diferencia entre ambos valores se denomina desvío y es un factor importante en la determinación del precio final de la electricidad que ha sido tan estudiado las últimas décadas. Su importancia se debe al coste extra en el que incurren las empresas cuando sus previsiones se desvían en el mismo sentido que el mercado, lo cual se convierte en un problema para la estrategia y competitividad de las mismas. Para una empresa es muy importante predecir el signo de este desvío y con ello mejorar sus costes energéticos tomando las decisiones adecuadas. El análisis de esta problemática que sufren solamente aquellos agentes del mercado que demandan energía es el principal objetivo de este proyecto. Para ello, primeramente se deberá entender los mecanismos por los que productores y consumidores acuerdan un precio y unas cantidades de energía a intercambiar, generando así la componente de mercado del precio de la electricidad. A partir del año 1997 comienza en España y en el resto de Europa la liberalización del sector. Cada día, empresas tanto españolas como portuguesas, acuden al Mercado Ibérico de la Electricidad (MIBEL) para realizar transacciones de la energía que va a generarse y consumirse al día siguiente en España y Portugal. MIBEL comprende tanto los mercados a plazos o mercados a futuro como los mercados de producción organizados diarios e intradiarios. Son éstos últimos los que serán de nuestro interés para el proyecto. El Operador del Mercado OMIE es el encargado de gestionar los mercados diario e intradiarios que reciben las ofertas de venta y adquisición de energía presentadas por distintos agentes. Los vendedores (generadores, importadores, “traders”, otros intermediarios, etc.) presentan ofertas de venta y los compradores (comercializadores, consumidores finales, exportadores, “traders”, otros intermediarios, etc.) presentan ofertas de compra al Operador del Mercado para cada una de las 24 horas del día siguiente. Con estas ofertas, OMIE construye las curvas de oferta y demanda de cada hora siendo creciente el precio en cada tramo en el caso de las ventas, y decreciente en el caso de las compras. Del cruce de las curvas de oferta y demanda resulta el precio del mercado para cada hora del día siguiente y se identifican las ofertas “casadas” (las ofertas de venta y de compra que se convierten en compromisos firmes de entrega de energía). El resultado de la casación de la subasta proporciona para cada hora del día siguiente el precio y las cantidades de energía eléctrica a generar y comprar. Cuando se cierra el proceso del mercado diario, se abrirán seis sesiones distintas correspondientes a mercados intradiarios, considerados mercados de ajustes. Estos mercados modificarán ligeramente los precios pues en ellos, aquellos agentes que participaron en el mercado diario, podrán presentar nuevas ofertas según nuevas previsiones más cercanas al momento real de consumo y generación. Por último, entran en funcionamiento los mercados de operación gestionados por Red Eléctrica Española orientados a organizar los ajustes de última hora para asegurar el suministro y el equilibrio instantáneo entre generación y demanda eléctricas. Debido a múltiples factores, la cantidad de energía total fijada en la subasta del mercado el día anterior al despacho y la cantidad de energía realmente demandada el día siguiente en el momento del consumo pueden no coincidir. La diferencia entre ambas cantidades se conoce como desvío en la demanda y será considerada positiva cuando la demanda real sea superior a la fijada y negativa en caso contrario. El hecho de que para una hora determinada del día siguiente el desvío sea positivo o negativo, es lo que este proyecto intentará predecir. Su interés es importante pues las empresas que compran energía en el mercado deberán pagar una penalización cuando consumen más energía de la solicitada en la subasta si el desvío es positivo. En cambio, cuando una empresa consume una cantidad real de energía menor a la determinada la subasta y el desvío del mercado es negativo, será penalizada. Las otras dos combinaciones no llevan asociado ningún sobrecoste. Entendiendo los fundamentos de distintos modelos predictivos y conociendo en profundidad las funcionalidades del software empleado en este trabajo (R-Studio), elaboraremos varios programas que logren predecir el comportamiento de la variable que representa el desvío de la demanda. Esto será de especial interés para las compañías consumidoras de energía pues disponer de la información precisa, les permitirá tomar las decisiones correctas en cuanto a los ajustes que deban hacer en la cantidad finalmente comprada de energía eléctrica y lograrán evitar las penalizaciones mencionadas y los costes extra asociados. De manera más concreta, la propuesta de este Trabajo Fin de Grado consiste en emplear tanto modelos lineales tradicionales de predicción como modelos de Minería de datos, más concretamente Árboles de decisión, y hacer un estudio comparativo entre ellos, a través de la proporción de error y fallo de cada uno de ellos. A la hora de construir estos modelos, es necesario conocer si la variable que definimos como objetivo de estudio es cualitativa o cuantitativa. Cuando esta variable es la información del sobrecoste que pagan las empresas (€/MWh) acompañada del signo positivo o negativo según el sentido del desvío del mercado, se considera variable cuantitativa y deberá analizarse por Regresión Lineal. En el caso de que reduzcamos la información a dos posibles grupos o categorías de pertenencia de la variable estudiada, un grupo si es positiva y otro si es negativa, la variable será cualitativa y se deberá emplear análisis lineal discriminante. Esta distinción es solamente necesaria a la hora de elegir el modelo cuando se usan modelos matemáticos tradicionales pues cuando se usan Árboles de Decisión, están preparados para poder emplearse en ambos tipos de variables. Es el caso del algoritmo Random Forest que se aplicará en este trabajo. El proceso llevado a cabo para la consecución de este proyecto consiste en lo siguiente. En primer lugar, preparar y leer los datos que se van a analizar los cuales pertenecen a una empresa del sector eléctrico pero cuya identidad no podemos revelar por razones de confidencialidad. En segundo lugar, identificar y tener disponibles los valores de las variables que pueden influir en el comportamiento de la variable objetivo. A continuación, se desarrolla el código necesario en R para construir los distintos modelos mencionados con el 75% de los datos proporcionados y después elaborar predicciones para el 25% restante. Tras un estudio comparando los resultados de estas predicciones con la realidad para los distintos modelos, se podrá determinar aquel modelo que consiga los porcentajes de acierto más altos y por tanto, los de error más bajo. Los modelos empleados en este Trabajo Fin de Grado han sido: Regresión lineal, Análisis discriminante y Random Forest y, los porcentajes conseguidos para cada uno de ellos han se muestran en la siguiente tabla. Es evidente, que el modelo de predicción más exacto entre los anteriores es Random Forest para variable cualitativa con un porcentaje de acierto del 81,88%, casi un 10% superior al siguiente en el ranking. Una vez el cliente conoce el mejor modelo para predecir el comportamiento del desvío en la demanda, le será útil para su estrategia conocer los resultados tanto con carácter general independientemente del día, del mes o de la hora, como en casos más particulares. Según el modelo Random Forest, los resultados y conclusiones de este trabajo en cuanto a las posibles estrategias a seguir se resumen en lo siguiente: -En general, para cualquier mes, día y hora, la opción más segura es predecir un desvío negativo del mercado, es decir, para la compañía, preferiblemente consumir más de lo pactado. -La relevancia de la información cuando distinguimos las predicciones temporalmente es menor según el día de la semana, mejora con el mes y más con la hora. -En cuanto a los meses del año, la capacidad de acierto del modelo apostando por desvío negativo es mayor para los meses comprendidos en las estaciones de invierno y verano, especialmente en verano. -En cuanto a las horas del día, la predicción que sugiere el modelo apostando de nuevo por desvío negativo, empeora ligeramente entre las diez de la mañana y las diez de la noche, siendo éstas las horas de mayor consumo energético para la actividad humana. La información obtenida con este trabajo se considera de gran interés para las empresas del sector eléctrico y con un impacto ambiental y sobre todo económico bastante significativo para toda la sociedad. Esto se debe a que si logramos evitar la componente extra en la composición del coste final de la electricidad para una compañía en una hora determinada, extrapolando este ahorro a las 24 horas del día, y los 365 días del año, se puede traducir en un ahorro considerable anual para la compañía. Además, si la energía le cuesta más barata a las comercializadoras, la tarifa de la luz que pagamos en los hogares españoles o en las pequeñas industrias, se verá reducida.

Más información

ID de Registro: 48040
Identificador DC: http://oa.upm.es/48040/
Identificador OAI: oai:oa.upm.es:48040
Depositado por: Biblioteca ETSI Industriales
Depositado el: 09 Oct 2017 06:32
Ultima Modificación: 09 Oct 2017 06:32
  • 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