A. Guillamón Frutos, L. A. Fernández-Jiménez, A. Gabaldón Marín, M. C. Ruiz Abellón
Las técnicas de predicción de la demanda a corto plazo, tanto las clásicas de Estadística como otras más recientes de Inteligencia Artificial, en general han mostrado gran eficiencia a nivel de sistema o con altos niveles de agregación. Sin embargo, la predicción a corto plazo de la generación de renovables, como la fotovoltaica, presenta mucha más incertidumbre y da lugar a peores medidas de bondad del ajuste.
En este trabajo proponemos una metodología que ayuda a paliar esa falta de ajuste en la gestión de demanda eléctrica con autoconsumo de fotovoltaica, combinando diferentes técnicas estadísticas y aplicando estrategias de respuesta de la demanda. El proceso se ilustra con datos reales de una localidad española de unos cinco mil habitantes, donde se usa “random forest” para la predicción del consumo eléctrico, “stochastic gradient boosting” para la predicción de generación de fotovoltaica y la distancia “dynamic time warping” para la clasificación de series temporales.
Keywords: predicción de la demanda, predicción de generación fotovoltaica, clasificación de series temporales, respuesta de la demanda
Scheduled
Posters
November 8, 2023 12:00 PM
CC: coffee break Hall