Estimación de modelos de series temporales multivariantes para la predicción de la demanda eléctrica

Abstract

La energía eléctrica es un bien tan apreciado como único. Una de las características principales que lo hace tan singular es la imposibilidad de ser almacenada a gran escala con costes sostenibles, de manera que ésta ha de ser consumida al mismo tiempo que es producida.
Este hecho es el que motiva que una de las tareas estratégicas fundamentales de todos y cada uno de los gestores de la energía eléctrica en cada país corresponde
precisamente a la predicción de la demanda eléctrica en distintos horizontes temporales. El corto plazo, con un horizonte de una hora hasta una semana, es realmente crucial en términos de impacto económico y ambiental puesto que es el que se encarga de predecir la demanda eléctrica para la hora o el día siguiente y con cuyo
pronóstico se negocia la cantidad de energía eléctrica que se va a producir.
El objetivo de este proyecto es la creación de un programa en MATLAB implementando dos modelos de series temporales multivariantes, Vector Autorregresivo (VAR) y Vector Autorregresivo con variables Exógenas (VARX), con la finalidad de encontrar aquel cuyas variables explicativas o combinaciones contribuyan a una obtener una predicción de la demanda eléctrica horaria con el menor error posible en un horizonte temporal de 24 horas.
El motivo de la elección de estos dos modelos para la predicción radica en que la demanda eléctrica es una serie temporal que sigue unos patrones definidos y que
es fácilmente predecible con modelos autorregresivos. Otra de las razones por las que se escogen estos modelos es debido a que ofrecen la posibilidad de trabajar con
sistemas de ecuaciones, de manera que es posible realizar la predicción de la demanda eléctrica de las 24 horas del día de forma conjunta ya que se demuestra que existe alto grado de correlación de la demanda entre las horas inmediatamente anteriores y posteriores a la de referencia.
Mientras que el modelo VAR sólo contempla la información que proporcionan los retardos de la propia variable, endógena o dependiente, el VARX además de tomar esa información es capaz de mejorar los resultados de predicción cuando se le aportan otras variables, exógenas o independientes. Las variables exógenas que se han considerado en nuestro caso son la temperatura ambiental, el efecto laboralidad (día de la semana) y el efecto de la estacionalidad (mes del año).
Una vez creado el código de programación en MATLAB se procede a ejecutar los programas para analizar los resultados. De dicho análisis se extrae la conclusión
de que se disminuye el margen de error en términos de MAPE por cada variable exógena nueva que se introduce al modelo. Con todas las variables independientes introducidas, se comprueba que es posible llegar a predecir la demanda eléctrica horaria del día siguiente usando el modelo VARX con margen de error de un 1.97% (MAPE) utilizando la combinación de temperaturas correspondiente a la media de las máximas de Madrid y Barcelona.