Técnicas de predicción aplicada a la demanda desagregada con variables exógenas

Abstract

El progreso de los mercados eléctricos liberalizados ha revolucionado la industria energética en los últimos años. La necesidad de predecir la demanda desagregada de electricidad se ha vuelto crucial para la toma de decisiones y la ventaja competitiva. A pesar de los enfoques tradicionales, la predicción de demanda desagregada ha emergido como una solución para abordar patrones complejos en el consumo eléctrico. Este estudio se enfoca en la predicción de la demanda eléctrica desagregada en centros de transformación. Se ha aplicado un riguroso proceso de tratamiento de datos destinado a abordar la presencia de valores faltantes y anomalías en los conjuntos de datos. Se implementa modelos, como ARIMA y redes neuronales de memoria a largo plazo (LSTM), con el fin de realizar una comparación de su capacidad predictiva. La selección del modelo óptimo desempeña un papel fundamental en la mejora de la toma de decisiones en el sector energético. Con miras a mejorar la robustez y la precisión de las predicciones, se ha propuesto la utilización de modelos ensambladores. Estos ensambladores tienen la finalidad de aprovechar y fusionar las mejores características de los modelos individuales, permitiendo así una respuesta predictiva aún más precisa y confiable. El objetivo de este estudio es proporcionar un análisis detallado de la predicción de demanda desagregada en centros de transformación, lo que puede contribuir significativamente a la planificación estratégica en la industria energética

The progress of liberalized electricity markets has revolutionized the energy industry in recent years. The need to forecast unbundled electricity demand has become crucial for decision making and competitive advantage. Despite traditional approaches, disaggregated demand forecasting has emerged as a solution to address complex patterns in electricity consumption. This study focuses on disaggregated electricity demand forecasting at transformer substations. A rigorous data treatment process has been applied to address the presence of missing values and anomalies in the data sets. Then, models, such as ARIMA and long term memory neural networks (LSTM), have been implemented in order to perform a comparison of their predictive capability. The selection of the optimal model plays a key role in improving decision making in the energy sector. In order to improve the robustness and accuracy of predictions, the use of ensemble models has been proposed. These assemblers are intended to exploit an d merge the best features of individual models, thus enabling an even more accurate and reliable predictive response. The objective of this study is to provide a detailed analysis of disaggregated demand forecasting at transformation centers, which can significantly contribute to strategic planning in the energy industry.