La predicción de demanda de electricidad tiene mucho interés para el sector eléctrico industrial, tanto para la planificación de estrategias a largo plazo y la predicción de los picos estacionales de la demanda, como para el funcionamiento a corto plazo (hasta 24 horas) de las plantas generadoras. Se han utilizado muchas técnicas diferentes, con posibilidades que van desde los primeros métodos de regresión, hasta las más recientes técnicas de estimación óptimas.
En este proyecto se extiende el modelo de Componentes no Observables (MCNO) desarrollado en la Universidad de Lancaster durante los diez últimos años y que ha sido implementado en el programa para DOS conocido como microCAPTAIN y en una toolbox de Matlab.
Se consideran dos formas básicas de MCNO: una versión univariante llamada Regresión Armónica Dinámica (DHR, en inglés), donde la serie temporal se representa como la bien conocida suma de una tendencia, componente cíclico, estacional e irregular, pero con los componentes periódicos modelizados como una regresión armónica con parámetros cambiantes en el tiempo; la segunda versión del modelo es más completa en la que además de los componentes anteriores se añade otro que recoge relaciones posiblemente no lineales con otras variables de interés, mediante un proceso de identificación "basado en los datos" (Data-based Mechanistic modelling). En el caso particular de demanda de electricidad es común utilizar como variables influyentes variables medio ambientales (como temperatura, humedad relativa, velocidad del viento, etc.); variables de naturaleza socioeconómica (precios, contexto económico general, etc.); etc.
Cuando los modelos incorporan efectos de variables distintas a la propia demanda de electricidad, los efectos exógenos pueden tener forma de regresión estática (posiblemente no lineal); o bien dinámica afectando a la variable de interés mediante modelos dinámicos (posiblemente no lineales). En ambos casos los algoritmos recursivos conocidos como Filtro de Kalman y Suavizado de Intervalo Fijo se explotan para estimar los diferentes componentes, haciendo esta metodología particularmente útil para el ajuste estacional adaptativo, extracción de señales, interpolación de observaciones ausentes, y predicción (incluso retro-previsión) de una gran cantidad de series temporales no estacionarias.
La estimación de los "hiper-parámetros" en los MCNO (es decir, los ratios de vaianzas y otros parámetros en la forma de espacio de los estados de los componentes) se lleva a cabo de varias formas, dependiendo de la naturaleza del modelo. En el caso univariante, las excepcionales propiedades espectrales del modelo DHR permiten el desarrollo de un método novedoso de estimación en el dominio de la frecuencia, donde el logaritmo del pseudo-espectro del modelo se ajusta al logaritmo del espectro Autorregresivo empírico de la serie. En todas las aplicaciones consideradas, la función objetivo parece mejor definida que la superficie de verosimilitud y da lugar a mejoras considerables en la convergencia de los algoritmos de optimización. En el caso en que el modelo incluye efectos de variables exógenas, la optimización se lleva a cabo de forma iterativa, a veces con la ayuda de Máxima Verosimilitud basada en la descomposición del error, pero también se usan otros procedimientos.
Este método general de modelización de MCNO ha sido muy ventajoso en el análisis, predicción y ajuste estacional de muchas clases diferentes de series temporales no estacionarias y no lineales en diferentes áreas. Aparte de la predicción de demanda de electricidad en el Reino Unido el método se ha utilizado para el análisis de la demanda del turismo en España; llamadas telefónicas ofrecidas a clientes por una entidad financiera inglesa; desempleo en EEUU durante los últimos 50 años; ajuste estacional de la Encuesta de Población Activa inglesa (Labour Force Survey); variaciones de temperatura a largo plazo en un río en EEUU; y análisis no lineal de la relación lluvia-flujo en distintos países.
Toda la metodología ha sido programada en Matlab y existe un Graphical User Interface (GUI) que facilita los procesos de identificación, estimación y predicción. La figura representa un ejemplo tomado de una ventana del GUI desarrollado en la que se muestra la predicción de demanda de electricidad una semana hacia adelante de datos horarios (168 períodos):
(Blanco: datos reales; rojo: predicciones; azul: bandas de confianza; verde: errores de predicción)
(Ver también la página de publicaciones)
Bunn, D and Farmer, E D, 1985, Comparative Models for Electrical Load Forecasting, New York: John Wiley.
Engle, R. F., Granger, C. W. J., Rice, J. and Weiss, A. (1986), Semiparametric Estimates of the Relation Between Weather and Electricity Sales, Journal of the Amer. Stat. Assoc., 81, No. 394.
Engle, R. F., Mustafa, C. and Rice, J. (1992), Modelling peak electricity demand, Journal of Forecasting, 11, 2241-2251.
Harvey, A. C. and Koopman, S. J. (1993), Forecasting Hourly Electricity Demand Using Time-varying Splines, Journal of the Amer. Stat. Assoc., 88, No. 424.
Irisarri, G. D., Windergren, S. E. and Yehsakul, P. D. (1982), On Line Load Forecasting for Energy Control Center Application, IEEE Transact. on Power Apparatus and Systems, Vol. PAS-101, No. 1.
Magd, M A Abu-El, and Sinha, N K, 1982 Short-term demand modelling and forecasting: a review. IEEE Trans on Systems. Man. and Cybernetics, SMC-12, 3.
Ng, C N and Young, P C, 1990, Recursive Estimation and Forecasting of Nonstationary Time Series, Journal of Forecasting, 9, 173-204.
Peirson, J. and Henley, A. (1993), Electricity load and temperature: Issues in dynamic specification, in Recent studies of the Demand for Energy in the UK, David Hawdon (ed.), Surrey Energy Economics Discussion Paper Series (SEEDS), Department of Economics, University of Surrey, Surrey
Young, P C, 1994, Time-variable Parameter and Trend Estimation in Non-stationary Economic Time Series. Journal of Forecasting, 13, 179-210.
Young, P C and Benner, S, 1991, microCAPTAIN Handbook: Version 2.0.
