Modelización y predicción del consumo eléctrico mensual mediante redes neuronales

Resumen

La energía eléctrica es un bien que nos sirve de una forma tan directa que lo consumimos sin sentir". Ésta es la primera frase que podemos leer en el prólogo del Atlas de la demanda eléctrica española [Indel, 98], conclusión a la que se llegó a partir de las encuestas realizadas a los consumidores consultados dentro de dicho proyecto, y que evidencia hasta qué punto la energía eléctrica se ha convertido en un bien básico sobre el que existe una escasa o nula concienciación de ahorro y eficiencia en relación a su uso final. Junto a ello, destacamos que, de acuerdo con [Murto, 98] y desde un punto de vista económico, son dos los inconvenientes principales a destacar de la energía eléctrica: la imposibilidad de su almacenamiento y el papel de input específico que desempeña en muchas de sus aplicaciones, lo que dificulta, al menos a corto plazo, su posible sustitución. Por estas razones, entre otras muchas, se antoja imprescindible buscar respuesta a los interrogantes para qué demandamos la electricidad y cómo se demandará en el futuro si, como se afirma en [Indel, 98], queremos reducir costes al sistema al mismo tiempo que disminuir la incertidumbre sobre su evolución con el fin de facilitar una correcta toma de decisiones que nos permita, entre otras ventajas, mejorar su eficiencia y facilitar la coordinación oferta-demanda. Para poder encontrar respuesta a dichos interrogantes se antoja imprescindible disponer de modelos adecuados desde los que realizar predicciones de la demanda de energía eléctrica esperada en una zona determinada y para un horizonte temporal concreto. El objetivo básico perseguido en la realización de esta tesis ha sido el de encontrar una herramienta que permita explicar de forma eficaz la demanda mensual peninsular de energía eléctrica tanto a uno como a doce meses de proyección. Este objetivo general se ha concretado a partir de los siguientes objetivos particulares: 1. Definir un modelo univariante de predicción de demanda de energía eléctrica mensual que pueda considerarse explicativo de la serie modelada con una precisión adecuada, a partir de la combinación de la información extraída de su evolución temporal mediante un análisis previo de la demanda mensual peninsular en España y de los resultados proporcionados por una red neuronal optimizada en todas las fases de su diseño. 2. Comprobar la importancia que un correcto preprocesado de los datos tiene sobre la predicción final, realizando para ello diferentes desestacionalizaciones de la serie modelada con el objetivo de que la red neuronal trabaje con una serie más suavizada, lo que facilitará su capacidad de generalización. 3. Optimizar el proceso de diseño de la red neuronal, contemplando para ello un amplio espectro de escenarios posibles, lo que nos permitirá descubrir las ventajas e inconvenientes asociados a ciertas suposiciones que, con cierta frecuencia, se han realizado en estudios precedentes dentro de la literatura de aplicaciones de redes neuronales a la predicción de la demanda eléctrica. 4. Comprobar si los resultados obtenidos mediante el empleo de distintos paradigmas neuronales mejoran los que proporcionarían otras técnicas clásicas aplicadas tradicionalmente con el mismo objetivo, tales como la modelización ARIMA o la suavización exponencial. 5. Comprobar si la evolución presentada por el error cometido por el modelo de predicción diseñado es estable al aumentar el horizonte temporal de uno a doce meses, al ser ésta la duración característica de un periodo estacional de la serie modelada.