Uso de series difusas para el desarrollo de modelos predictivos de la demanda de energía eléctrica

Abstract

El siguiente trabajo tiene como finalidad el desarrollo de un modelo de predicción de demanda de energía eléctrica mediante el uso de series difusas, donde se explorarán diferentes métodos que utilizan esta técnica para encontrar el sistema más preciso para realizar estas predicciones. Para ello se utiliza una base de datos pública que contiene información sobre el consumo de energía de España durante 4 años. Hay que destacar que además de la información sobre el consumo de energía, esta base, también, tiene datos sobre datos relacionados al consumo, como la generación de diversas fuentes de energía y el precio del mercado eléctrico. Si bien la finalidad principal es utilizar la lógica difusa para la realización de modelos de predicción de la demanda de la energía eléctrica, para poder analizar su eficacia se debió comparar el rendimiento de este sistema con otros algoritmos que realizan este tipo de trabajo. Para ello se programaron modelos de machine learning los cuales han sido utilizados en trabajos previos a este, lo que constituye los modelos del estado del arte de esta investigación desarrollada. Para poder realizar las predicciones por los modelos mencionados anteriormente, se tuvo que convertir los datos de la demanda energética en una serie temporal. Tras este punto, para aplicar los modelos de series difusas, esta información se tuvo que llevar al dominio de la lógica difusa, lo que se conoce como universo de discurso, donde las funciones que realizan este proceso se denominan particiones, con lo que se crean conjuntos de asociación lógica, para que de esta forma la información se convierta en valores de asociación a estos conjuntos generados. Una vez que la información se encuentra como su universo de discurso, los modelos aprenden como se comporta cada área (conjunto) y extraen reglas de estas a través de los patrones de las series temporales, donde estas reglas indican como se realiza la asociación de los datos a los del universo de discurso. El proceso de llevar la información al dominio difuso se llama fuzzyficación, y una vez que se ha aplicado la predicción a los datos deseados, entonces se debe llevar al dominio original (tiempo) de la información, es decir se debe realizar una defuzzyficación. Por otro lado, el uso de los modelos de machine learning no requirió los procesos mencionados anteriormente, simplemente, se procesaron las series temporales en el mismo dominio, convirtiendo la data en diversas series temporales que representaron diferentes períodos de consumo. Para realizar el entrenamiento de los modelos mencionados, se utilizaron librerías de machine learning y de series difusas en python, donde la evaluación de los modelos se hizo a través de la comparación con otros sistemas ya implementados. En la literatura relacionada al tema, este fue el método base para analizar si el modelo propuesto realmente era efectivo, por lo que en este trabajo de memoria también se desarrollaron comparaciones con respecto al estado del arte. Todos estos resultados generaron utilizando un notebook de Google Colaboratory, utilizando el lenguaje Python.