R. Gonzalez
La obtención de predicciones precisas de consumos eléctricos es clave para promover la eficiencia, reducir el desperdicio y adaptar la producción energética a las necesidades de la transición ecológica. La creciente disponibilidad de datos con un nivel de detalle mayor ha permitido la realización de predicciones desagregadas que, segmentando los datos en diferentes perfiles y realizando las predicciones sobre dichos perfiles, se adapten mejor a los datos.
En este trabajo se propone agrupar las observaciones en perfiles con patrones de consumos homogéneos y así realizar la predicción entrenando el modelo de manera desagregada. Así, se evalúan las mejoras de predecir de manera desagregada respecto a hacerlo de manera agregada, así como las diferencias entre distintas aproximaciones al clustering, haciendo un énfasis especial en el uso del algoritmo k-means. Vemos como la predicción desagregada mejora significativamente la precisión para dentro de cada subconjunto.
Palabras clave: Forecasting, Load demand, Cluster analysis, Green transition
Programado
Análisis de Datos
8 de noviembre de 2023 17:20
HC3: Sala Canónigos 3