Técnicas Big Data para la predicción de la demanda y precio eléctrico
- Laura Melgar García 1
- José Francisco Torres Maldonado 2
- Alicia Troncoso 2
- José Cristóbal Riquelme Santos 3
-
1
Universidad IE
info
-
2
Universidad Pablo de Olavide
info
- 3 Universidad de Sevilla. ETS de Ingeniería Informática
ISSN: 0422-2784
Año de publicación: 2024
Título del ejemplar: Digitalización y electrificación
Número: 431
Páginas: 119-130
Tipo: Artículo
Otras publicaciones en: Economía industrial
Resumen
La predicción de la demanda eléctrica es fundamental para la planificación de la cadena de suministro en el sector energético, en las etapas de generación, almacenamiento y distribución de energía. Almacenar la energía eléctrica es un reto por lo que se busca continuamente el balance entre la demanda y la oferta eléctrica. Esto provoca que el mercado de precios de la electricidad sea volátil y difícil de predecir. En este trabajo se proponen varias técnicas de predicción Big Data para datos de demanda y precios eléctricos en España con el objetivo principal de mejorar la eficiencia de la gestión de la cadena de suministro. En concreto, en esta investigación se abordan estos problemas haciendo uso de modelos de Machine Learning y Deep Learning. Los resultados de rendimiento demuestran el buen comportamiento de los modelos.
Referencias bibliográficas
- Vega-Márquez, B., Rubio-Escudero, C., Nepomuceno-Chamorro, I.A., Arcos-Vargas, Á. Use of Deep Learning Architectures for Day-Ahead Electricity Price Forecasting over Different Time Periods in the Spanish Electricity Market. Appl. Sci. 2021, 11, 6097.
- González-Torres, M., Pérez-Lombard, L., Coronel, J., Maestre, I. A cross-country review on energy efficiency drivers. Applied Energy. 2021, 289. 116681.
- Mathaba, T., Xia, X., Zhang, J. Analysing the economic benefit of electricity price forecast in industrial load scheduling. Electric Power Systems Research. 2014, 116, 158-165.
- International Energy Agency. Electricity Market Report Update. Outlook for 2023 and 2024. 2023.
- Popescu, M., Balas, V.E., Perescu-Popescu, L., Mastorakis, N.E. Multilayer perceptron and neural networks. WSEAS Transactions on Circuits and Systems archive. 2009, 8, 579-588.
- Li, Z., Liu, F., Yang, W., Peng, S., Zhou, J. A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. IEEE Transactions on Neural Networks and Learning Systems. 2022, 33, 12, 6999-7019.
- Lea, C., Vidal, R., Reiter, A., Hager, G.D. Temporal Convolutional Networks: A Unified Approach to Action Segmentation. ECCV 2016 Workshops. ECCV 2016. Lecture Notes in Computer Science. 2016, 9915.
- Lindemann, B., Müller, T., Vietz, H., Jazdi, N., Weyrich, M. A survey on long short-term memory networks for time series prediction. Procedia CIRP. 2021, 99, 650-655.
- Divina, F., Torres Maldonado, J.F., García-Torres, M., Martínez-Álvarez, F., Troncoso, A. Hybridizing Deep Learning and Neuroevolution: Application to the Spanish Short-Term Electric Energy Consumption Forecasting. Appl. Sci. 2020, 10, 5487.
- Bernard, S., Heutte, L., Adam, S. On the selection of decision trees in Random Forests. International Joint Conference on Neural Networks. 2009, 302- 307.
- Melgar-García, L., Gutiérrez-Avilés, D., Rubio-Escudero, C., Troncoso, A. A novel distributed forecasting method based on information fusión and incremental Learning for streaming time series. Information Fusion. 2023, 95, 163-173.
- Melgar-García, L., Gutiérrez-Avilés, D., Rubio-Escudero, C., Troncoso, A. Identifying novelties and anomalies for incremental learning in streaming time series forecasting. Engineering Applications of Artificial Intelligence. 2023, 123, Part B, 106326.
- Scrucca, L. On some extensions to GA Package: Hybrid optimisation, parallelisation and islands evolution. The R Journal. 2017, 9/1, 187-206.