Comparación de dos modelos de series temporales multivariantes para la predicción de la demanda eléctrica

Ruiz Teixidor, María (2018). Comparación de dos modelos de series temporales multivariantes para la predicción de la demanda eléctrica. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM), Madrid.

Description

Title: Comparación de dos modelos de series temporales multivariantes para la predicción de la demanda eléctrica
Author/s:
  • Ruiz Teixidor, María
Contributor/s:
  • Cara Cañas, Francisco Javier
Item Type: Final Project
Degree: Grado en Ingeniería en Tecnologías Industriales
Date: February 2018
Subjects:
Faculty: E.T.S.I. Industriales (UPM)
Department: Ingeniería de Organización, Administración de Empresas y Estadística
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (1MB) | Preview

Abstract

El principal problema de la generación de energía eléctrica es la incapacidad de almacenar toda la energía producida. Por esta razón, es necesario que la energía generada en cada instante sea consumida prácticamente al momento. Es decir, debe existir un equilibrio constante entre producción y consumo en tiempo real. Por tanto, para poder establecer una condición óptima de equilibrio, es necesario realizar predicciones precisas de la energía eléctrica que se va a consumir. Red Eléctrica de España (REE) es el operador del sistema eléctrico en el mercado eléctrico español. Es decir, es el responsable de garantizar la gestión técnica del sistema: un correcto funcionamiento del suministro eléctrico, con seguridad y continuidad en cada instante. Para ello, Red Eléctrica Española y las empresas comercializadoras de energía realizan sus respectivas predicciones para llegar a cubrir la demanda. En concreto, REE calcula tres tipos de predicciones con diferentes horizontes a la hora de casar la demanda de energía con la oferta:  Previsión mensual con horizonte anual móvil  Previsión con horizonte semanal móvil  Previsión diaria Considerando la importancia de la exactitud de las previsiones en el sector energético, este trabajo compara dos modelos de predicción para la demanda de energía eléctrica en España, centrándose en el primer tipo de previsión: mensual con horizonte anual móvil. Los modelos estadísticos que se comparan son los siguientes: el modelo Autorregresivo Multivariante Estacionario y el modelo Espacio de los Estados. Para realizar la comparación de dichos modelos, se hace uso del programa R Studio, a través del cual se definen las ecuaciones de los modelos, las funciones necesarias para analizarlos y se representan las predicciones y resultados. Este estudio se ha realizado basándose en datos históricos de la demanda horaria de energía eléctrica en España en un periodo que comprende desde 2008 hasta 2015. Éstos han sido adquiridos a través de la página web del ENTSOE “European Network of Transmission System Operators for Electricity”: https://www.entsoe.eu/db-query/consumption/mhlv-a-specific-country-for-a-specific-month. Los datos de los que se dispone, parte de ellos se utilizan para predecir el modelo y parte de ellos para realizar la predicción. Por un lado, se seleccionan los datos desde enero de 2008 hasta octubre de 2015 para elaborar la estimación del modelo. Por otro lado, se realiza la predicción de la demanda eléctrica de España para cada hora del mes de noviembre de 2015 y se compara con los datos históricos de los que se dispone. Se elige el mes de noviembre para hacer los cálculos porque en el mes de diciembre los datos de la demanda eléctrica son más irregulares debido a las particularidades en el calendario laboral. La comparación entre modelos se basa en el error porcentual medio absoluto (MAPE), aplicado en este análisis es el error medio por cada hora del día, considerando el método más riguroso aquel que presente un valor de MAPE menor. También se evalúa la evolución del MAPE relativo, es decir, el valor del error por cada hora de cada día de noviembre, así como la media horaria del MAPE. Finalmente, después de evaluar el MAPE de las expresiones mencionadas se llega a la conclusión de que el mejor modelo para realizar la predicción es el modelo Autorregresivo Multivariante Estacionario.

More information

Item ID: 50274
DC Identifier: http://oa.upm.es/50274/
OAI Identifier: oai:oa.upm.es:50274
Deposited by: Biblioteca ETSI Industriales
Deposited on: 20 Apr 2018 15:11
Last Modified: 20 Apr 2018 15:11
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM