ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI)


Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI)"

Transcripción

1 ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) OPTIMIZACIÓN DE UN MODELO DE PREVISIÓN DE DEMANDA ELÉCTRICA PARA CLIENTES MINORISTAS Autor: David Velad Galván Director: Luis López Veiga Madrid Junio 2011

2 ÍNDICE DE LA MEMORIA Resumen La previsión de la demanda de energía es un campo fundamental hoy en día dentro del sector eléctrico de cualquier país desarrollado. La razón de la importancia de la previsión de energía eléctrica es la imposibilidad de almacenar grandes cantidades de dicha energía, lo que conlleva que todo el sistema eléctrico ha de permanecer en equilibrio, es decir producir la cantidad de electricidad que se va a consumir en tiempo real. Para llevar a cabo este objetivo es necesario prever las necesidades que van a existir en distintos horizontes temporales, siendo el corto plazo necesario a la hora de satisfacer la demanda del usuario final en tiempo real, el medio plazo para el mantenimiento de las plantas generadoras o de las redes, y el largo plazo para la planificación de nuevas instalaciones de generación, transporte o distribución. En este proyecto se van a desarrollar modelos de previsión para poder satisfacer la demanda eléctrica a corto plazo, es decir para los usuarios finales, en concreto los clientes domésticos de menos de 10 kw de potencia contratada, enmarcados tanto dentro de la tarifa TUR como en el mercado libre, incluidos en el mercado minoristas. Este tipo de clientes tiene una peculiaridad que los diferencia de los clientes mayoristas o grandes clientes, y que además complica la previsión de la demanda eléctrica que requieren. Esta peculiaridad es el retardo que presenta la obtención de sus medidas de consumo de electricidad, ya que estas se realizan con un contador que se lee una vez cada dos meses, lo que obliga a perfilar esa medida para obtener una aproximación de consumo horario que va realizar ese cliente. Esto, hace que la aproximación al problema de previsión de la demanda tenga un enfoque distinto, al que se da en anteriores estudios, que tienen como dato de entrada medidas horarias, casi siempre telemedidas. Se ha de tener en cuenta que los factores típicos que influyen en el comportamiento de la demanda de energía eléctricas son principalmente, la temperatura, la laboralidad y diversos factores socioeconómicos, como el PIB, la tasa de paro, la edad de los clientes, la existencia de niños pequeños en el hogar, etc. II

3 ÍNDICE DE LA MEMORIA Este proyecto, se divide en dos partes. En primer lugar se hace un estudio de los factores que influyen en la demanda de energía eléctrica de los clientes de la tarifa 2.0A, para ello se estudian una a una las variables que típicamente influyen en el comportamiento de la demanda eléctrica anteriormente expuestas. Sin embargo, algunas de ellas quedan fuera del estudio por no disponer datos de las mismas, y otras se añaden, como la demanda eléctrica nacional, que recoge tanto a los clientes minoristas como a los clientes mayoristas. Los datos que se utilizan en este primer estudio se obtienen de diversas fuentes. En el caso de la temperatura se recurre a los datos históricos de cada uno de los observatorios nacionales de AEMET. Por su parte los datos socioeconómicos, como el PIB y la tasa de paro, se extraen del histórico del INE. Por último, los datos de las medidas tomadas a los clientes de Gas Natural Fenosa, GNF, son obtenidas de las bases de datos de GNF haciendo un tratamiento posterior mediante la herramienta SAS. En segundo lugar se realiza el cálculo de distintos modelos de previsión basados en regresiones y en series temporales. En el caso de los modelos de regresión, se utilizan como variables explicativas aquellas que han obtenido un alto coeficiente de correlación con la demanda eléctrica minorista. Posteriormente se realiza un ajuste fino sobre el modelo de regresión obtenido, que consiste en calcular una previsión del error cometido con el modelo regresión, para ello se aplica un modelo basado en series temporales ARIMA. Por último se comparan los resultados obtenidos de cada uno de los modelos con los datos reales de Enero de 2010, por medio de indicadores como el MAPE y el RMSE, para de esta manera seleccionar cual es el mejor modelo de previsión, fijando como objetivo un MAPE mensual inferior al 5%, y así poder utilizarlo para realizar la previsión de la demanda de energía de la tarifa 2.0A. III

4 ÍNDICE DE LA MEMORIA Abstract The electricity demand forecast is a fundamental field today in the electricity sector of developed countries. The main reason of the importance of the electricity demand forecast is the inability to be able to store large amounts of that energy, which means that the electrical grid should be stable, so the amount of kilowatt hours of electricity produced must equal the amount of kilowatt hours consumed at nearly same time. For this reason, it is necessary to provide the energy needs that will exist in different time horizons, short-term being the time necessary to know end-user demand in real time, the medium-term maintenance of power plants and long-term to determine when it will be necessary to know the planification of the generation, transmission and distribution of the national electrical system. This project will develop forecasting models to know the electricity demand in the short to medium term for end users, particularly residential customers less than 10kW of electrical power of the customer, who belongs to TUR or the free market. This type of customers are called retail customers. These customers have a distinction that that distinguish them from wholesaler customers, moreover it complicates the electricity demand forecast. This distinction is the delay to obtain their measure electrical consumption, because the energy meter is reviewed once two months, so that it is necessary to approximate the monthly consumption to hourly consumption of the customers.the planification of this project is different to other projects because the measure of the retail customers is different to the wholesalers custemers. Typical factors that influence the behavior of electricity demand are mainly temperature, working patterns and various socioeconomic factors such as GDP, unemployment rate, the average age of customers... IV

5 ÍNDICE DE LA MEMORIA This project is divided into two parts. First, a study of the factors that influence the electricity demand of retail customers 2.0A. For this we studied one by one the variables that typically influence its behavior, although some of them are out the study for not having the same data, and others are added as national electricity demand, which includes both retail customers and wholesale customers. The data used in this first study it will obtain from different sources. In the case of temperature are used the historical data from each of the observatories of AEMET. For their part, economic data, such as GDP and unemployment rate are taken from historical INE. Finally, data from the measures taken to customers Gas Natural Fenosa, GNF, are obtained from the GNF database queries used by SAS manager. Secondly we calculate different forecasting models based on regression and time series. In the case of regression models using variables that have obtained a high Pearson s coefficient with retail electricity demand. After, fine-tunes the regression model will be obtained, which is to calculate an estimate of the error with the regression model that applied a model based on time series, ARIMA. Finally we compare the results obtained from each of the models with real data of January 2010, using indicators like MAPE and RMSE, thus we select which is the best forecast model, and it use to make the demand forecast for retail customers of 2.0A. The objetive of the project is a monthly MAPE will not exceed 5%. V

6 Índice de la memoria ÍNDICE DE LA MEMORIA Parte I Memoria Capítulo 1 Introducción La previsión de la demanda El sector eléctrico La tarifa TUR las diferentes tarifas Horizontes temporales de previsión Corto plazo Medio plazo Largo plazo Métodos de previsión Previsión mediante series temporales Previsión mediante redes neuronales Dificultades de la previsión de la demanda eléctrica de clientes minoristas Obtención de las medidas Dependencia de los factores socioeconómicos Cambio de tendencia en los hábitos de consumo Dependencia de la temperatura Motivación del proyecto Objetivos Metodología / Solución desarrollada Recursos / herramientas empleadas Capítulo 2 Variables explicativas Introducción Temperatura Medidas filtradas VI

7 ÍNDICE DE LA MEMORIA Coeficiente total/filtrada Modelo de series temporales Modelo regresivo Consumo nacional Laboralidad Factores socioeconómicos Capítulo 3 Modelos predictivos Introducción Modelos ARIMA Modelos de regresión múltiple Tratamiento del error por regresión dinámica Capítulo 4 Resultados Cálculo de la medida total estimada Previsión de la Temperatura Cálculo de los modelos de previsión Modelo ARIMA Modelo regresivo Modelo regresivo multivariante Modelo regresivo multivariante con medida total estimada Comparación de los modelos regresivos Comparación de Modelos Capítulo 5 Conclusiones Capítulo 6 Futuros desarrollos Bibliografía 97 Parte II Presupuesto Capítulo 1 Mediciones Hardware Software Mano de obra VII

8 ÍNDICE DE LA MEMORIA Capítulo 2 Precios unitarios Hardware Software Mano de obra Capítulo 3 Sumas parciales Hardware Software Mano de obra Capítulo 4 Presupuesto total Parte III Estudio económico Capítulo 1 Estudio económico VIII

9 ÍNDICE DE FIGURAS Índice de figuras Figura 1. Curvas de oferta y demanda Figura 2. Gráfico de reguladores en España Figura 3. Perfil diario de la tarifa 2.0A Figura 4. Perfil diario de la tarifa 2.0DHA Figura 5. Perfil diario de la tarifa 3.0a Figura 6. Representación del modelo ARIMA Figura 7. Representación de una red neuronal Figura 8. Evolución histórica de la demanda agregada de la electricidad Figura 9. Evolución del mix de generación Figura 10. Factor de carga de Enero a Mayo de 09/ Figura 11. Grafico tipo queso de las cuotas de clientes a nivel nacional de GNF Figura 12. Ponderación anual para representar la influencia térmica en consumo eléctrico de la temperatura máxima Figura 13. Grafico de temperatura media con respecto a media móvil en el intervalo de tiempo 2007 a Figura 14. Grafico de las medidas totales con respecto a medida filtrada de 1 mes Figura 15. Grafica detalle medida filtrada, ciclo de medida Figura 16. Grafico fechas filtradas, número de clientes con respecto al total Figura 17. Grafico de representación de filtradas frente a total IX

10 ÍNDICE DE FIGURAS Figura 18. Grafico de los coeficientes de medida total entre filtrada Figura 19. Gráfico de consumo nacional Figura 20. Gráfico de consumo nacional y demanda minorista Figura 21. Grafico de consumo minorista, laboralidad Figura 22. Grafico de consumo minorista, PIB Figura 23. Grafico de consumo minorista, tasa de paro Figura 24. Captura de pantalla de la pantalla principal de SPSS Figura 25. Captura de pantalla de SPSS, modulo de Forecasting Figura 26. Captura de pantalla de SPSS, modulo de Forecasting Figura 27. Grafico del consumo eléctrico minorista unitario del año Figura 28. Gráfico FAS de la serie temporal de la temperatura Figura 29. Gráfico FAP de la serie temporal de la temperatura Figura 30. Gráfico FAS de la serie temporal de las medidas totales estimadas.. 82 Figura 31. Gráfico FAP de la serie temporal de las medidas totales estimadas.. 83 Figura 32. Gráfico FAS del error de la regresión multivariante Figura 33. Gráfico FAP del error de la regresión multivariante Figura 34. Gráfico FAS del error de la regresión multivariante con medidas totales estimadas Figura 35. Gráfico FAS del error de la regresión multivariante con medidas totales estimadas X

11 Introducción Índice de tablas Tabla 1: Tabla explicativa de los peajes de acceso existentes Tabla 2: Tabla con las distintas posibilidades de tratamiento sobre la temperatura Tabla 3: Tabla comparativa de los coeficientes de Pearson de la MVTMA y la MVTMP Tabla 4: Tabla de correlaciones entre distintas medidas filtradas y medida total. 56 Tabla 5: Tabla comparativa de las regresiones lineales de cada una de las medidas filtradas Tabla 6: Tabla correlación entre demanda nacional y minorista Tabla 7: Tabla correlación entre demanda minorista y la laboralidad Tabla 8: Tabla correlación entre demanda minorista, PIB y tasa de paro Tabla 9: Tabla comparativa de cada uno de los tipos de medida filtrada Tabla 10: Tabla correlación entre demanda minorista y las variables explicativas de su comportamiento Tabla 11: Tabla correlación entre demanda nacional y la temperatura Tabla 12: Tabla comparativa de las regresiones lineales de cada una de las medidas filtrada para Noviembre de Tabla 13: Tabla comparativa de las regresiones lineales de cada una de las medidas filtradas para el periodo de tiempo comprendido del día 1al 16 de Diciembre de

12 Introducción Tabla 14: Tabla explicativa de la regresión lineal correspondiente a la medida filtrada de 7 días para el periodo de tiempo comprendido del día 17 al 24 de Diciembre de Tabla 15: Tabla resumen de las medidas filtradas utilizadas para calcular la estimación de las medidas totales Tabla 16: Tabla explicativa del MAPE y el RMSE de la previsión de temperatura de las tres últimas semanas de Enero de Tabla 17: Tabla de resultados del modelo ARIMA para el mes de Enero de Tabla 18: Tabla de cálculo del modelo regresivo multivariante con medida total Tabla 19: Tabla de cálculo del modelo regresivo multivariante con medida total estimada Tabla 20: Tabla comparativa de las regresiones lineales de cada una de las medidas filtrada para Noviembre de Tabla 21: Tabla comparativa de las regresiones lineales de cada una de las medidas filtradas para el periodo de tiempo comprendido del día 1al 16 de Diciembre de Tabla 22: Mediciones Hardware Tabla 23: Mediciones Software Tabla 24: Mediciones Mano de Obra Tabla 25: Mediciones Hardware Tabla 26: Mediciones Software Tabla 27: Mediciones Mano de Obra Tabla 28: Total Hardware Tabla 29: Total Software Tabla 30: Total Mano de Obra Tabla 31: Presupuesto Total

13 Introducción Parte I MEMORIA 13

14 Introducción Capítulo 1 INTRODUCCIÓN 1.1 LA PREVISIÓN DE LA DEMANDA Este proyecto tiene como objetivo diseñar un modelo de previsión del consumo eléctrico de los clientes minoristas pertenecientes a la tarifa 2.0A de Gas Natural Fenosa. En primer lugar se realizará una introducción sobre cómo funciona el mercado eléctrico y qué papel juega la previsión. A continuación se explican qué tipo modelos de previsión se utilizan en el sector. Por último se expondrá cuales son las dificultades que existen a la hora de afrontar el cálculo de una estimación del consumo eléctrico. El sector eléctrico en España es fundamental para la economía del estado Español. Este sector no deja de ser un mercado donde se proporciona diferentes cantidades de energía eléctrica tanto a clientes mayoristas, como a clientes minoristas. Cómo en otras industrias es fundamental conocer con antelación una previsión del consumo de sus clientes. Además, en el caso del sector eléctrico, la importancia de la previsión de la demanda de energía eléctrica surge de la imposibilidad de acumularla, lo que implica que se debe consumir la misma energía que se genera en tiempo real. Todos los esfuerzos del sector eléctrico se encaminan hacia la previsión de la energía de los clientes que los clientes van a consumir, ya que un desajuste entre la curva de demanda y la de energía generada podría provocar la caída de toda la red energía eléctrica. Para que esta situación no ocurra, es necesaria la coordinación de distintos agentes, tales como, generadores, comercializadores, distribuidores y operadores, como viene reflejado en [1]. 14

15 Introducción 1.2 EL SECTOR ELÉCTRICO El mercado de producción de energía eléctrica en España se organiza en torno a una secuencia de subastas y de procesos técnicos de operación del sistema (mercado diario, mercados intradiarios, resolución de restricciones técnicas y servicios complementarios). El mercado diario concentra el mayor volumen de energía. En él participan como agentes del mercado los titulares de las unidades de generación, los autoproductores por su energía excedentaria, los agentes externos, los distribuidores, los comercializadores, y los consumidores cualificados. Para cada tramo horario del día previo a la entrega física de la electricidad, los agentes presentan ofertas de venta y de compra de electricidad al Operador del Mercado (OMEL). Las ofertas de venta o compra especifican el precio mínimo o máximo, respectivamente, al cual están dispuestos a vender o adquirir las cantidades ofertadas. Las ofertas pueden incluir hasta un total de 25 pares de precios y cantidades, siendo las ofertas de venta crecientes, y, las de compra, decrecientes. Además, las ofertas de venta pueden incluir una serie de condiciones complejas, tales como la condición de indivisibilidad, el gradiente de carga, la condición de ingresos mínimos o de parada programada. OMEL es responsable de casar oferta y demanda según un criterio de preferencia económica, ordenando de menor a mayor el precio de las ofertas de venta, y en orden inverso las de compra. Las ofertas de venta cuyo precio resulte inferior al mayor precio aceptado (el denominado precio marginal del sistema), así como las ofertas de compra con un precio superior, son casadas. Este tipo de subasta se 15

16 Introducción denomina subasta de precio marginalista, porque todas las unidades casadas reciben (del lado de la oferta) y pagan (del lado de la demanda) un mismo precio, el que corresponde a la oferta marginal, independientemente de los precios que cada una de ellas haya ofertado. Figura 1. Curvas de oferta y demanda. REE incorpora a la casación del mercado diario los contratos bilaterales físicos, así como la producción de las unidades en régimen especial que no hayan sido ofertadas en el mercado. Además, el Operador del Sistema (REE) estudia la viabilidad técnica del despacho económico para garantizar la estabilidad del sistema y, en su caso, procede a solucionar las restricciones técnicas. Hasta la entrada en vigor del Real Decreto 2351/2004, en mayo de 2005, REE retiraba e incorporaba la potencia necesaria para solventar las restricciones siguiendo un orden de preferencia económica basado en las ofertas del mercado diario. Esto provocaba distorsiones en el comportamiento de la oferta7, y generaba un 16

17 Introducción tratamiento asimétrico en la resolución de las restricciones entre las unidades participantes del mercado diario y las sujetas a contratos bilaterales físicos. En la actualidad, tanto las unidades de producción que tienen que ser retiradas como las que pueden ser acopladas presentan nuevas ofertas que REE utiliza para solventar las restricciones al menor coste. El sobrecoste derivado del proceso de resolución de restricciones técnicas se reparte entre la energía medida a los consumidores peninsulares. Con posterioridad a la resolución de las restricciones de red, REE también gestiona los mercados de servicios complementarios y otros procesos de operación técnica. El mercado intradiario, estructurado en seis sesiones con distintos horizontes de programación, permite a los agentes ajustar sus posiciones de compra o venta sobre el programa resultante de los mercados y procesos anteriores. Las normas que rigen el funcionamiento del mercado intradiario son similares a las del mercado diario. En particular, el precio que perciben o pagan las unidades casadas es el mismo en cada uno de los periodos de casación de cada una de las sesiones. Por último, el Operador del Sistema gestiona mercados de operación para corregir en todo momento los desequilibrios que puedan surgir entre generación y demanda. El operador del mercado y el operador del sistema deben funcionar con un elevado grado de coordinación para enfrentarse de forma adecuada a situaciones excepcionales que puedan producirse en las redes de transporte o en el sistema de generación de electricidad. Todos estos agentes del sistema intentan mantener un equilibrio en mismo. Sin embargo, la previsión de la energía eléctrica también posee una componente 17

18 Introducción económica intrínseca a cualquier actividad comercial, como se ha explicado anteriormente. Por tanto, al ser la industria energética un sector de capital intensivo con inversiones a muy largo plazo. Puesto que se necesita al menos una década para planificar y construir una nueva planta generadora, una previsión correcta de la demanda de energía eléctrica es un requisito imprescindible para lograr las metas previstas de calidad y fiabilidad del servicio, ya que la creciente dependencia de la electricidad aumenta los inconvenientes causados a los consumidores si se producen deficiencias en el suministro de energía eléctrica. También se debe tener en cuenta que la previsión de la demanda es esencial para las comercializadoras. Puesto que las comercializadoras tienen que hacer compras diarias para sus clientes en cada hora del día, estas se realizan en el Mercado Diario. Si la previsión que realizan es errónea todavía pueden modificarla en el Mercado Intradiario, y si aun así se desvían, incurren en un desvío de generaciónconsumo. Estos desvíos son los desvíos originados por las modificaciones del programa de generación a causa de la indisponibilidad total o parcial de uno o varios generadores, variaciones en la previsión de la demanda de los agentes compradores de energía, o por una nueva previsión de la demanda realizada por el OS y que difiera de la demanda total casada resultante de la anterior sesión del Mercado Intradiario. Además, La correcta previsión de la demanda también desempeña un importante papel en las decisiones de una compañía eléctrica respecto a qué cantidad, y en qué época, será conveniente comprar o vender energía a otras empresas del sector, mediante contratos a plazo. 18

19 Introducción Figura 2. Gráfico de reguladores en España. Finalmente se debe tener en cuenta que la previsión de energía eléctrica según con que propósito se calcule, deberá predecirse para distintas fechas, más o menos alejadas en el tiempo, ya que no es lo mismo predecir la demanda para los clientes dentro de un mes que dentro de 10 años, en este último caso es probable que necesitasen realizar nuevas centrales, con las que abastecer dicha demanda. A estos diferentes escenarios de previsión se les denomina horizontes temporales. 19

20 Introducción 1.3 LA TARIFA TUR En 2009, siguiendo directivas europeas, España se encontraba en un proceso de liberalización de la energía. De acuerdo con esta directiva, la distribución de la electricidad (canalizar y lleva la energía físicamente hasta los domicilios) debía ser realizada por una empresa diferente de la que se encarga de vender la energía a los clientes finales. Hasta el 1 de julio de 2009, los clientes mantenían su contrato con las empresas distribuidoras que estaban encargadas de distribuir la electricidad a su domicilio y sólo debían cambiar de compañía y contratar con una comercializadora si aceptaban alguna de las ofertas disponibles en el mercado libre, como apunta [2]. A partir del 1 de julio 2009, todas las distribuidoras traspasaron su cartera de clientes a una comercializadora de último recursos, CUR, entrando en vigor la Tarifa de Último Recurso. En esa fecha, los clientes minoristas dejaron de ser clientes de la empresa que hasta el momento les suministra la electricidad y se les presentaron varias alternativas: 1. Si no hacía nada, el contrato pasaba a depender de una comercializadora del mismo grupo que en ese momento les suministraba y se le aplicaba la TUR. 2. También se podía optar por buscar una comercializadora y una tarifa en el mercado libre. 3. Podían mantenerse con la TUR, pero contratando con una comercializadora de último recurso de un grupo empresarial distinto al que en ese momento les suministraba. 20

21 Introducción Estas opciones estaban disponibles para aquellos clientes que no tenían una potencia contratada superior a 10 kwh, porque si se superaban dicha cantidad, recibían otro mensaje distinto, que sólo les daba opción a buscar una tarifa libre o pagar una penalización del 20%. Sin embargo las tarifas disponibles actualmente no suponen grandes ahorros. Las comercializadoras de último recurso las fija el Gobierno. En la actualidad son: Endesa Energía XXI, S.L. Iberdrola Comercialización de Último Recurso, S.A.U. Unión Fenosa Metra, S.L. (que se convirtió en Gas Natural S.U.R., SDG, S.A) Hidrocantábrico Energía Último Recurso, S.A.U. E.ON Comercializadora de Último Recurso, S.L. Estas empresas forman parte de las grandes compañías eléctricas del país, sin embargo aunque compartan similitudes en el nombre y en su imagen corporativa, se trata de empresas diferentes de la distribuidora y de la comercializadora del mismo grupo que ofrece sus servicios con precios libres. Por ejemplo Endesa Distribución Eléctrica es la compañía encargada de la distribución, Endesa Energía XXI es la comercializadora de último recurso y Endesa Energía es la comercializadora de mercado libre. La TUR es la sustituta de la tarifa Integral, que históricamente se ha aplicado a los clientes de electricidad y que fijaba el gobierno. Este cambio de Tarifa Integral a TUR se realizó ya en el sector del gas natural hace algunos años sin ningún problema. Sin embargo, en el caso de la electricidad se esperaba que la TUR 21

22 Introducción supusiera un importante incremento del precio de la electricidad, además de dejar fuera a los consumidores con potencia contratada superior a 10 kw. Esta nueva tarifa, TUR, como ya ocurría con la tarifa integral, supone una limitación al precio que cobrarán las comercializadoras en el mercado libre. Normalmente, las comercializadoras no subirán sus tarifas por encima de la TUR, ya que en ese caso los clientes optarían por volver a la tarifa regulada por el ministerio. Por lo tanto, es fundamental para todos los consumidores que tenga un precio reducido y que todos tengan derecho a ella. El hecho de que no todos los clientes tengan derecho a la TUR es debido a que la Directiva europea exige que los gobiernos protejan a todos los consumidores (y opcionalmente a pequeñas empresas) con el derecho al suministro de electricidad de una calidad determinada, y a unos precios razonables, claramente comparables y transparentes. Sin embargo, la TUR deja sin esos precios razonables a todos los clientes de más de 10 kw que deberán buscar en el mercado libre unas ofertas/precios que para muchos de ellos, como por el ejemplo los clientes de tarifa nocturna, no han existido en ningún momento desde que se inició la liberalización para los clientes domésticos en el Sin embargo, en ningún caso a los clientes de más de 10kW se les cortará el suministro, aunque estos clientes dejan de tener una tarifa oficial de referencia. La TUR no existe para ellos. Por lo tanto, en sus facturas su compañía distribuidora le instará a que busque una empresa comercializadora que le suministre la electricidad. Si no lo hace, el 1 de julio de 2009 era traspasado a la comercializadora de último recurso designada, como el resto de clientes. Aun así, el precio que le aplicarán a partir de ese momento era más elevado que el del resto y además se va incrementando progresivamente. El borrador de Orden contemplaba que se produjese un incremento trimestral del 5% e incluso se mencionaba la posibilidad de cortar el suministro el 1 de julio de 2010 a aquellos 22

23 Introducción clientes que siguiesen sin contratar con una comercializadora en el mercado libre, aunque en la actualidad la penalización es del 20%, y se han concedido varias prorrogas para estos clientes en tránsito que no tienen derecho a TUR LAS DIFERENTES TARIFAS Actualmente existen distintos tipos de la tarifas de acceso, como hace referencia [3]. Entre estas tarifas las más importantes para el presente PFC, por englobar a la amplia mayoría de los clientes minoristas de GNF, son 2.0A y 2.0DHA. Tarifas de acceso existentes Tarifas de baja tensión (U 1 kv) Tarifas de alta tensión (U > 1 kv) Tarifa 2.0 A: tarifa simple (1 ó 2 períodos horarios y Potencia contratada 10 kw) Tarifa 2.1 A: tarifa simple (1 ó 2 períodos horarios y Potencia contratada >10 kw y 15kW) Tarifa 3.0 A: tarifa general (3 períodos horarios) Tarifa 3.1 A: Tarifa específica (3 períodos horarios y potencia contratada 450 kw) Tarifas 6: Tarifas generales para alta tensión (6 períodos horarios y 5 escalones de tensión) Tabla 1: Tabla explicativa de los peajes de acceso existentes. A continuación se explica la estructura de las tarifas. La estructura de tarifas tiene una fórmula binómica compuesta por un término de potencia, un término de energía activa y, en su caso, término de energía reactiva. Estos términos se obtienen de la siguiente forma: 23

24 Introducción Término de Potencia: Para cada uno de los períodos tarifarios aplicables a las tarifas, se contratará una potencia, aplicable durante todo el año. El término de facturación de potencia será el sumatorio resultante de multiplicar la potencia a facturar en cada período tarifario por el término de potencia correspondiente. La determinación de la potencia a facturar se realizará en función de las potencias contratadas en cada período tarifario y, en su caso, dependiendo de cada tarifa, las potencias realmente demandadas en el mismo durante el período de facturación considerado. En el caso de los peajes de acceso 2.0 DHA y 2.1DHA correspondientes a dos periodos, existe un único término de potencia. 0, A 0, , , , A 0, , Figura 3. Perfil diario de la tarifa 2.0A. Término de energía activa: El término de facturación de energía activa será el sumatorio resultante de multiplicar la energía consumida y medida por contador en cada período tarifario por el precio término de energía 24

25 Introducción correspondiente. El término de facturación de energía activa se facturará mensualmente, incluyendo la energía consumida en el mes correspondiente a cada período tarifario. 20DHA 0, , , , , , , , , , DHA Figura 4. Perfil diario de la tarifa 2.0DHA. Término de energía reactiva: El término de facturación por energía reactiva será de aplicación a cualquier tarifa, para lo cual se deberá disponer del contador de energía reactiva permanentemente instalado, excepto en el caso de la tarifa simple de baja tensión (2.0A). Este término se aplicará sobre todos los períodos tarifarios, excepto en el período 3, para las tarifas 3.0A y 3.1A, y en el período 6, para las tarifas 6, siempre que el consumo de energía reactiva exceda el 33 por 100 del consumo de activa durante el período de facturación considerado (cos φ < 0,95) y únicamente afectará a dichos excesos. 25

26 Introducción 0, A 0, , , A 0, , Figura 5. Perfil diario de la tarifa 3.0a. Los suministros acogidos a la tarifa simple, 2.0A de un solo periodo, deberán disponer de los equipos de corrección del consumo de energía reactiva adecuados para conseguir como máximo un valor medio del mismo del 50 por 100 del consumo de energía activa; en caso contrario, la empresa distribuidora podrá exigir al consumidor la instalación, a su costa, del contador correspondiente o bien instalarlo con cargo a dicho consumidor cobrando el alquiler legalmente establecido y efectuar en el futuro la facturación a este consumidor del término por energía reactiva correspondiente en los períodos de lectura en los que el consumo de reactiva exceda los límites fijados a la distribución en la regulación correspondiente. 26

27 Introducción 1.4 HORIZONTES TEMPORALES DE PREVISIÓN Al calcular un modelo de predictivo de la demanda eléctrica se deben en considerar diferentes cuestiones a las que el modelo tendrá que hacer frente. En este contexto, se debe plantear el horizonte temporal que está relacionado intrínsecamente con la variable que se desea prever. Básicamente se pueden distinguir tres horizontes temporales para la previsión de demanda de energía eléctrica: CORTO PLAZO Periodo que a veces se suele subdividir en a muy corto plazo y el corto plazo propiamente dicho. Se suele considerar que el primero abarca los próximos 30 minutos en tiempo real a partir del momento en que se efectúa la previsión de la demanda. El muy corto plazo es utilizado por el operador del sistema, para realizar el flujo de carga correctamente. EL corto plazo propiamente dicho se extiende desde una hora hasta una semana en el futuro. Es periodo muy importante para cualquier tipo de previsión, ya sean clientes minoristas o mayoristas. Sin embargo, para los clientes minoristas nunca se realizara una previsión a acorto plazo propiamente dicha ya que las medidas de las que se disponen, son realizadas con contadores que se revisan cada dos meses, por lo que no se dispone de una medida actualizada del contador. Esto no ocurre en el caso de los clientes mayoristas, los cuales disponen de contadores horarios, lo que facilita la previsión de sus consumos. 27

28 Introducción MEDIO PLAZO Por medio plazo, se suele entender el periodo de previsión que se extiende en el futuro desde un mes hasta un año a partir del momento en que se efectúa el pronóstico. Esta previsión es la que se utilizara a lo largo del PFC para realizar la previsión de la demanda eléctrica para clientes minoristas. Los datos que se utilizaran para realizar esta previsión son las medidas tomadas de los clientes, cada dos meses, así como los factores que influyen en estas medidas. Estos factores o variables explicativas se estudian en el capítulo 2. Este marco, el del medio plazo, es donde se desarrolla el modelo predictivo del Capítulo LARGO PLAZO Se suele denominar largo plazo al periodo de previsión que abarca desde uno a diez años en el futuro. Puesto que el tiempo necesario para planificar, construir, probar y poner en funcionamiento nueva capacidad generadora puede oscilar entre tres y diez años, un modelo econométrico puede resultar muy adecuado en este horizonte temporal de largo plazo, ya que las inversiones de que capital que se deben realizar para llevar a cabo una nueva planta de generación son cuantiosas, además cuanto más exactas sean sus predicciones, mayor es la probabilidad de satisfacer los picos de carga (puntas de demanda) y mejorar el factor de carga. Por otra parte hay que tener en cuenta que una previsión correcta a largo puede ayudar a anticipar la capacidad optimo de generación y elegir un mix energético adecuado para las necesidades del país. Puesto que beneficios obtenidos de la 28

29 Introducción correcta previsión son para el país, también los datos con los que realizarla están relacionados con el mismo, así los datos que más relevancia tienen a la hora de realizar una previsión a largo plazo del consumo de energía eléctrica a nivel nacional son los factores socioeconómicos con el PIB, la evolución demográfica, avances de la tecnología Este marco de previsión queda fuera del PFC, porque no encaja en el cálculo de modelo de previsión para clientes minoristas. 1.5 MÉTODOS DE PREVISIÓN El objetivo de los métodos de previsión es obtener estimaciones o pronósticos de valores futuros de una serie temporal a partir de la información histórica contenida en la serie observada hasta el momento actual. Habitualmente estas técnicas no requieren la especificación de los factores que determinan el comportamiento de la variable, sino que se basan únicamente en la modelización del comportamiento sistemático de la serie, aunque modelos basados en métodos tales como ARX, ARMAX y ARIMAX, sí tienes en cuenta variables externas para el estudio de la serie temporal. Todo ello está claramente explicado en [4]. Se consideran tres modelos posibles del comportamiento sistemático de una serie temporal: modelo estacionario (sin tendencia), modelo con tendencia lineal y modelo con estacionalidad. La técnica de previsión adecuada dependerá del modelo de comportamiento de la serie. 29

30 Introducción Las hipótesis en que se basan estos métodos de previsión son, en primer lugar, la estabilidad de la forma del comportamiento sistemático de la serie y, en segundo lugar, que el valor de la variable observado en cualquier período t es el resultado del comportamiento sistemático y de una perturbación aleatoria PREVISIÓN MEDIANTE SERIES TEMPORALES Las herramientas de previsión basadas en series temporales pueden ser de gran ayuda para la previsión a corto plazo de demanda en un mercado eléctrico. Esto es, la previsión hoy de los 24 consumos horarios de mañana. Para predecir con precisión la demanda eléctrica es necesario seleccionar una metodología que logre capturar los patrones dinámicos de los valores pasados de la serie de consumos históricos, y para este propósito se han elegido el modelo ARIMA y el modelo de Regresión Dinámica. 30

31 Introducción Figura 6. Representación del modelo ARIMA. El modelo de Regresión Dinámica es más robusto que el modelo ARIMA, y con él se obtienen mejores resultados. El modelo ARIMA está muy influenciado por la volatilidad de la serie; sin embargo, en tramos estables de la serie, este modelo predice bien. Las series de consumos de los mercados estudiados son muy volátiles, y por tanto el modelo ARIMA puede no proporcionar buenos resultados. La obtención de los modelos ARIMA y de Regresión Dinámica se realiza a través de un estudio detallado de las principales características de la serie de demandas, para el caso del modelo de Regresión Dinámica. En la mayoría de los mercados eléctricos las características más relevantes de la serie de demanda son las siguientes: 31

32 Introducción 1. Alta frecuencia 2. Media y varianza no constantes. 3. Estacionalidad diaria, semanal y anual. 4. Influencia de los fines de semana y días festivos. 5. Alta volatilidad. 6. Alto porcentaje de consumos atípicos ( outliers ), especialmente en periodos de alta demanda. Teniendo en cuenta todos los factores anteriores, los pasos a seguir para obtener las predicciones con los modelos de series temporales son los siguientes: 1. Análisis de la serie. Para ello, se representa ésta y se observa si es estacionaria, es decir, si presenta media y varianza constantes. Si la serie no es estacionaria hay que transformarla tomando logaritmos para estabilizar la varianza, y/o diferenciaciones para estabilizar la media. A continuación se representa la función de autocorrelación y la función de autocorrelación parcial, que son los elementos que ayudan a identificar el tipo de modelo al que se ajusta la serie, además de ayudar a identificar si la serie tiene algún comportamiento estacional, que habría que considerar a la hora de especificar el modelo a emplear. 2. Elección del modelo a emplear. Se trata de identificar el modelo que mejor se ajusta a la serie. Se utiliza el análisis hecho anteriormente. 3. Estimación de los parámetros del modelo. La estimación de los parámetros se realiza minimizando la suma de errores al cuadrado o maximizando la función de verosimilitud. 32

33 Introducción 4. Validación del modelo. Se comprueba si los parámetros del modelo son significativos para lo que se realiza un estudio de los residuos obtenidos al estimar el modelo, comprobando si éstos se comportan como un ruido blanco, que es un requisito de partida del modelo. Si esto es así, el modelo es adecuado y se está en condiciones de realizar la previsión. 5. Previsión. Se realizan las predicciones para el modelo obtenido. Se analizan asimismo otras series relacionadas con la serie de demanda eléctrica, que puedan ser útiles en la previsión de los mismos. A estas series se las denomina series explicativas, como son la temperatura, la laboralidad, por ejemplo PREVISIÓN MEDIANTE REDES NEURONALES Los modelos de series temporales se complementan con procedimientos basados en redes neuronales, de los cuales se pueden encontrar referencia en [5] y [6]. En el procedimiento desarrollado se utiliza el método de backpropagation, creado para redes multicapa y funciones de transferencia no lineales. En general, en las redes neuronales los vectores de entrada y los correspondientes vectores de salida se usan para entrenar la red hasta que ésta se aproxima al modelo requerido. Normalmente se obtienen buenas respuestas cuando los vectores de entrada usados en el entrenamiento son similares a las nuevas entradas. Con el método de backpropagation pueden obtenerse buenas respuestas cuando se presentan entradas que no se han empleado en el entrenamiento. 33

34 Introducción Figura 7. Representación de una red neuronal. Los pasos a seguir para obtener las predicciones con un modelo de redes neuronales son los siguientes: 1. Selección de los datos de entrenamiento y previsión. Se seleccionan los datos de entrada y salida que se usan para el entrenamiento y los datos de entrada utilizados para obtener las predicciones. Estos datos se normalizan para obtener mejores predicciones. 2. Selección de la arquitectura de la red. Se decide el número de capas que componen la red, el número de neuronas que componen cada capa y las funciones de transferencia correspondientes a cada una de las neuronas de las capas ocultas y de la capa de salida. 3. Entrenamiento. Con la arquitectura de la red y los datos de entrenamiento seleccionados se inicia el entrenamiento, que consiste en minimizar la diferencia entre la salida obtenida por la red al introducir los datos de entrenamiento y la verdadera salida para así obtener los valores de los 34

35 Introducción parámetros que componen la red. Este proceso se repite hasta que esa diferencia es suficientemente pequeña. En caso de no conseguir una diferencia suficientemente pequeña, se procede a cambiar la estructura de la red o a cambiar el valor inicial dado a los parámetros que componen la red. 4. Previsión. Los valores de los parámetros que componen la red, obtenidos en el entrenamiento, se utilizan para calcular las predicciones. Los datos utilizados como entrada son los seleccionados para previsión. 5. Validación. Se calcula el error entre el valor obtenido por la red y el valor real. Si el error es pequeño, la red y los datos seleccionados se pueden considerar adecuados, en caso contrario se vuelven a seleccionar de nuevo los datos de entrenamiento y se repite el proceso. 1.6 DIFICULTADES DE LA PREVISIÓN DE LA DEMANDA ELÉCTRICA DE CLIENTES MINORISTAS Actualmente existen una serie de condicionantes que dificultan la previsión de la demanda eléctrica para clientes minoristas. Estas dificultades son de dos tipos, intrínsecas a la demanda eléctrica o externas a ella. Dentro de los primeros se pueden encontrar, el desfase de la obtención de las medidas y la dependencia de los factores socioeconómicos. Por su parte, los externos a la demanda eléctrica serian, la previsión de temperatura y el modelo que se utiliza para el cálculo de la previsión. 35

36 Introducción OBTENCIÓN DE LAS MEDIDAS Como consecuencia del ciclo de lectura de los clientes de baja tensión de energía eléctrica, los datos de las medidas presentan un retardo de 2 meses, de tal manera que no se conocen todos los datos del consumo de los clientes hasta dos meses después de la fecha en la que se ha consumido la energía. La consecuencia de no disponer de los datos actualizados es que la previsión de la demanda eléctrica, se debe realizar con un horizonte temporal de dos meses, es decir se debe llevar a cabo una previsión a medio plazo y no a corto plazo. Sin embargo, se disponen de medidas que contienen una muestra inferior a la total que presentan un sesgo con respecto a esta última, a las que se denomina medidas filtradas, que representan los consumos de los clientes que han estado presentes en todos los ciclos de medida. Sin embargo, estas medidas filtradas poseen la ventaja de estar disponibles mucho antes que las medidas totales, con lo que se puede reducir el horizonte temporal. En el Capitulo 2 se estudia la correlación entre las medidas filtradas y las medidas totales con el fin de conseguir una estimación de las medidas totales a partir de las medidas filtradas, que son más recientes en el tiempo DEPENDENCIA DE LOS FACTORES SOCIOECONÓMICOS En los dos últimos años, el sector eléctrico ha experimentado un cambio radical, debido a la crisis económica mundial, tal y como apunta [7]. La demanda 36

37 Introducción agregada de energía en España ha sufrido un desplome histórico superior al el mes de abril de 2009 un 13,5%. Corregido el efecto estacional, la demanda acumulada en tasa interanual se desplomo un 9,33% siendo la caída acumulada de gas del 19,5%. La caída se modera ligeramente en mayo, con una caída bruta del 8,55%. Este brutal ajuste ha sido provocado, mayoritariamente, por la fuerte caída en la demanda industrial, que supone un 52% de la demanda total agregada de energía en España., todo ello producido por la crisis y la drástica reducción de la actividad industrial, en país que en los últimos años había experimentado un crecimiento constante en el consumo de energía eléctrica. La crisis económica que asola España, ya había producido que sectores como el de la automoción, el turismo, el sector servicios, la construcción y las manufacturas. Todos estos sectores suelen ser clientes importantes para las empresas del sector eléctrico, de tal manera que si las primeras sufren cambios en su economía, como en el caso de la crisis, estos afectan de manera directa al consumo eléctrico habitual. Por lo tanto se puede considerar el sector electico como un indicador fiable de la evolución de la economía en España. 37

38 Introducción Figura 8. Evolución histórica de la demanda agregada de la electricidad. Figura 9. Evolución del mix de generación. 38

39 Introducción Por una parte, la demanda de clientes minoristas, que es el consumo habitual de los hogares así como de algunas PYMES, tienes la característica de ser muy inelástica. Esto significa que puede subir o bajar, pero siempre se mantiene dentro de los mismos parámetros. En cambio la demanda industrial está compuesta, como su nombre indica, por grandes industrias que requieren un alto consumo de recursos energéticos. Esta es precisamente la que ha sufrido un desplome histórico. El cierre de numerosas fabricas y las quiebras han mermado ostensiblemente la demanda de energía. Figura 10. Factor de carga de Enero a Mayo de 09/08. 39

40 Introducción Con este panorama, parece evidente suponer que la vuelta a la normalidad del sector eléctrico tal y como se conocía antes de la crisis, llevara bastante tiempo y depende en gran medida de la evolución de la economía a nivel nacional, ya que el verdadero problema se encuentra en la destrucción de las grandes industrias que tiran a la baja de la demanda de energía. Por otro lado, particulares y pequeñas y medianas empresas, es decir los clientes minoristas, tratan de optimizar costes y reducen también sus consumos, debido a que sus ingresos son menores, por lo tanto podría existir una relación indirecta entre los factores socioeconómicos y la demanda entre clientes minoristas. Sin embargo, en muchos casos, resulta imposible obtener unos datos precisos de las variables explicativas anteriormente descritas, ya esto implicaría realizar encuestas frecuentemente a los clientes. Otras variables tales como el PIB, dependen de agencias estatales, que no disponen datos frecuentemente, con lo que se dispondrían de los datos necesarios para hacer un modelo de previsión meses después de la fecha que se pretende prever. Además, puede darse la situación de que la variable que se cree que es explicativa de la demanda, sea todo lo contrario, una variable dependiente de la demanda eléctrica, este podría ser el caso del PIB CAMBIO DE TENDENCIA EN LOS HÁBITOS DE CONSUMO Los modelos implantados actualmente, para la previsión de la demanda eléctrica de clientes minoristas, ha tenido un funcionamiento adecuado hasta el año 2009, cuando después de años de crecimiento constante del consumo de energía eléctrica entre los clientes minoristas, esa tendencia cambio, mostrando un decrecimiento en dicho consumo debido a distintos factores que influyen en este tipo de consumo. Estos factores, en algunos casos pueden ser implementados tales como la temperatura, la laboralidad, las horas de sol, 40

41 Introducción Estos cambios en el comportamiento de la demanda no son recogidos ágilmente por los modelos actuales, como consecuencia esto ha hecho aumentar el porcentaje de desvíos de las comercializadoras. La consecuencia de ese desajuste de previsión fueron unos mayores costes a los que se observan hasta ese momento DEPENDENCIA DE LA TEMPERATURA La temperatura es sin lugar a dudas el factor más relevante del que depende la demanda eléctrica de clientes minoristas. Por ello es necesario disponer de datos suficientemente precisos, para que la previsión de demanda eléctrica sea lo más veraz posible. Tal y como está estructurado el modelo actual de previsión de la demanda eléctrica, es necesario prever, al menos el consumo eléctrico para el mes siguiente a la fecha en la que se realiza la previsión. Actualmente, la temperatura, como todas las variables atmosféricas, resulta muy difícil de prever con exactitud, debido a la variabilidad de la misma. Sin embargo se pueden llegar a obtener unas previsiones con un error pequeño para la semana posterior a la fecha en la que se realiza la previsión. Aun así, es necesario obtener datos de temperatura para el mes siguiente a dicha fecha, por lo que en el Capitulo 2, se estudiará como realizar dichas previsiones. 41

42 Introducción 1.7 MOTIVACIÓN DEL PROYECTO Como se ha podido observar a lo largo de la introducción, existen varios métodos de previsión utilizados típicamente para la previsión de la demanda eléctrica. Sin embargo, el modelo actual no aplica dichos métodos para el cálculo de dicha previsión. Hasta el año 2009, fue posible utilizar el modelo actual, para hacer la previsión de la demanda eléctrica para clientes minoristas, con unos resultados aceptables para esta previsión. Ese año, España empezó a notar los efectos de la crisis económica que azotaba a todo el mundo junto con unas temperaturas anormales, tendiendo como consecuencia la drástica disminución del consumo eléctrico nacional, compuesto tanto por clientes mayoristas como minoristas. No obstante, este descenso en el consumo puede ser debido principalmente a los cierres de diversas industrias, no afectando a los clientes minoristas. Por lo tanto es necesario comprobar cuales son las variables que influyen en la demanda minorista, para poder especificar si el cambio de tendencia en el consumo ha sido debido a la crisis económica o a los cambios en los factores que la justifican. Una vez determinada la respuesta a esta cuestión, y visto que el modelo actual no es capaz de prever adecuadamente los cambios de tendencia acaecidos durante 2009, es necesario optimizar el modelo que con el que se calculaba la demanda eléctrica minorista, para poder prever de manera más eficiente y flexible estos cambios de tendencia en el consumo eléctrico de los clientes minoristas. Para poder llevar a cabo dicha optimización es necesario hacer en primer lugar un estudio de las variables que influyen el comportamiento de esta demanda y en segundo lugar calcular distintos modelos de previsión que utilicen las variables estudiadas anteriormente. 42

43 Introducción 1.8 OBJETIVOS A continuación se describen cada uno de los objetivos que se han planteado en este PFC: 1. Identificar y estudiar los métodos de previsión de series temporales, ARIMA, redes neuronales, métodos híbridos y familiarizarse con el programa estadístico SPSS, en particular se profundizara en el uso del modulo de Forecasting, que será el utilizado para realizar las previsiones por el método ARIMA. 2. Estudiar y justificar las variables que explican el comportamiento de la demanda eléctrica en clientes minoristas. Siguiendo las indicaciones de [8], se estudiaran las variables que son mencionadas en este documento. Sin embargo, puesto que dispone de medidas filtradas, que son una muestra de la medida total, también se llevará a cabo un estudio de las correlaciones entre dichas medidas y las medidas totales. 3. A partir de las variables explicativas estudiadas desarrollar distintos modelos predictivos de la demanda eléctrica. Estos modelos serán escogidos entre los modelos típicamente utilizados para este tipo de estudios. 4. Probar y justificar la elección de alguno de los modelos predictivos desarrollados. Para ello, se utilizaran las funciones de autocorrelación para poder seleccionar los parámetros adecuados para la realización de la 43

44 Introducción previsión. Después se hará uso del indicador MAPE, para comparar las previsiones hechas en escenarios a posteriori. 5. Un objetivo opcional es optimizar el modelo predictivo desarrollado para reducir el error que genera, ya que siempre se podrá afinar dicho modelo con segmentaciones por potencia y comunidad autónoma, aunque inicialmente no se hayan tenido en cuenta este tipo de segmentaciones por realizarse el cálculo de la previsión de la misma manera que haciéndose a nivel nacional. 44

45 Introducción 1.9 METODOLOGÍA / SOLUCIÓN DESARROLLADA En un primer momento se deberá estudiar los modelos predictivos utilizados para la previsión de series temporales. A continuación, habrá que ensayar con la herramienta que se va utilizar para desarrollar tanto los modelos predictivos, como el estudio de las variables explicativas de la demanda eléctrica para clientes minoristas, en las distintas tarifas que la componen. Este software será el paquete estadístico SPSS, en concreto su modulo de previsión que permite calcular ARIMA. Una vez realizado el estudio previo del problema, se obtendrán los datos relacionados con el mismo y se procederá a su tratamiento para poderlos usar de manera correcta. Cuando se hayan reunido todos los datos, se hará un estudio de las variables explicativas que típicamente han afectado a la demanda eléctrica, las principales son la laboralidad y sobre todo la temperatura. Posteriormente, con los datos obtenidos del estudio de las variables explicativas se desarrollaran distintos modelos predictivos, que finalmente serán probados con datos pasados generando escenarios reales de previsión, con el objetivo de elegir uno de ellos para poder realizar la previsión de la demanda eléctrica para los clientes minoristas en sus distintas tarifas. 45

46 Introducción 1.10 RECURSOS / HERRAMIENTAS EMPLEADAS Para poder llevar a cabo este PFC, se han utilizado las siguientes herramientas informáticas: Paquete de Microsoft Office: o Word para procesamiento de textos, incluida la redacción de esta memoria, así como la memoria descriptiva. o Excel para procesar datos y realizar operaciones sencillas, o Access para el tratamiento de la base de datos de temperaturas o Power Point, para la realización de las presentaciones del proyecto. También se hace uso del paquete estadístico SPSS, el cual se empleará en cálculo de regresiones lineales paso a paso, correlaciones, funciones de autocorrelación, así como el modulo de forecasting para el cálculo de los modelos de previsión basados en ARIMA y ARIMAX. Para la extracción y filtrado de las medidas de los clientes minoristas se ha utilizado la herramienta SAS. 46

47 Variables explicativas Capítulo 2 VARIABLES EXPLICATIVAS 2.1 INTRODUCCIÓN Como se explicaba en el capítulo 1, una parte fundamental a la hora de llevar a cabo un modelo de previsión de la demanda eléctrica para clientes minoristas, es un estudio sobre los factores que influyen el comportamiento de este tipo de demanda eléctrica. Por ello, este capítulo tiene como propósito estudiar las posibles variables explicativas del comportamiento de la demanda de clientes minoristas, para ello se han obtenido las variables más importantes que influyen en la demanda tal y como se indica en [8]. Según este documento las variables más importantes son: Temperatura. Laboralidad Consumo Nacional Factores socioeconómicos Además de los factores comentados anteriormente, también se decide estudiar las medidas filtradas, que son una muestra de las medidas totales, recogidas de forma no aleatoria, por lo que tienen un sesgo con respecto a la medida total. Por último hay que comentar que las medidas con las que se va a trabajar son los consumos unitarios medios de energía linealizados de dos mes, correspondientes al ciclo de medida de los clientes de la tarifa 2.0a, por ser esta última la que recoge a la gran mayoría de los clientes minoristas de GNF. 47

48 Variables explicativas 2.2 TEMPERATURA La temperatura es una de las variables que mayor influencia tiene sobre el consumo eléctrico minoristas, ya que la mayor parte de este consumo es debido al uso de la calefacción y el aire acondicionado. Existen múltiples estudios sobre este tema uno de los más importantes es [8]. Antes de comprobar la correlación entre la temperatura y la demanda eléctrica minorista se debe tratar el dato, puesto que la medida de la demanda eléctrica no es un dato diario, además esta medida es a nivel nacional. Para disponer de unas medidas de temperaturas a nivel nacional, se debe ponderar las medidas de los diferentes observatorios nacionales que recogen la temperatura. La ponderación que se realizara sobre la medida de temperatura, se calculara en función de la cuota de clientes que dispone GNF en cada una de las zonas geográficas que recogen los observatorios anteriormente descritos. 48

49 Variables explicativas Clientes de GNF 0,80% 0,30% 0,50% 9,40% 2.0a 2.0dha 2.1a 2.1dha 3.0a 89% Figura 11. Grafico tipo queso de las cuotas de clientes a nivel nacional de GNF. Después de realizar la ponderación obtendremos medidas diarias de las temperaturas máximas y mínimas a nivel nacional en función de los clientes minoristas de GNF. Sin embargo se necesita una única medida con la que poner comparar la demanda minorista, para lo cual se utiliza la media de ambas medidas, aunque no es la única opción posible, ya que típicamente, en invierno influye más la temperatura mínima y en verano la temperatura máxima, por lo tanto se puede realizar una ponderación de ambas en función de que la estación del año qué es. 49

50 Variables explicativas 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 ponderación ponderación Figura 12. Ponderación anual para representar la influencia térmica en consumo eléctrico de la temperatura máxima. Método Media aritmética de las temperaturas máxima y mínima diarias Media ponderada de las temperaturas máxima y mínima diarias Media móvil, con periodo de 2 meses centrado, de la media aritmética de las temperaturas máxima y mínima diarias Media móvil, con periodo de 2 meses centrado, de la media ponderada de las temperaturas máxima y mínima diarias Objetivo Representación de una única temperatura por día Representación de la inercia térmica en función de la estación del año Representación del dato de temperatura, única por día, comparable con el dato de medida consumo Representación del dato de temperatura, con inercia térmica, comparable con el dato de medida total Tabla 2: Tabla con las distintas posibilidades de tratamiento sobre la temperatura. 50

51 ºC UNIVERSIDAD PONTIFICIA COMILLAS Variables explicativas Por último, puesto que la medida del consumo es un dato linenalizado, se deberá realizar una linealización sobre el dato de medida de la temperatura nacional. Dicha linealizacion se llevara a cabo calculando distintas medias móviles con características similares a las realizadas en el caso de las medidas de consumo. 30 Comparación de temperaturas temperatura media media movil temperatura /01/ /01/ /01/ Figura 13. Grafico de temperatura media con respecto a media móvil en el intervalo de tiempo 2007 a Con los datos de temperatura tratados, se calcula la correlación con el indicador p de Pearson, entre dicho dato de temperatura y el consumo unitario nacional, es decir las medidas totales. 51

52 Variables explicativas Variable MVTMA.- la media móvil de 2 meses de la temperatura media aritmética, entre Tmin y Tmax, de España ponderada en base a los clientes de GNF MVTMP.- la media móvil de 2 meses de la temperatura media ponderada, en función de la estacionalidad, de España ponderada en base a los clientes de GNF Coef. De Pearson, respecto al consumo eléctrico -0,881-0,876 Tabla 3: Tabla comparativa de los coeficientes de Pearson de la MVTMA y la MVTMP. Haciendo uso de del indicador p de Pearson se puede concluir, que la temperatura media tratada con medidas móviles, es una variable explicativa del consumo minorista nacional con una alta correlación. 2.3 MEDIDAS FILTRADAS Como se comento en la introducción, existe un problema a la hora de analizar las medidas de consumo unitario para toda la población de clientes de GNF, el problema reside en la falta de datos en los dos meses anteriores a la fecha del cálculo de la previsión que se desea realizar, este problema es debido al ciclo de medida. 52

53 Variables explicativas Sin embargo, en GNF se disponen de medidas parciales o filtradas, que recogen una parte de la población total para todo el periodo del que se disponen de medidas. La propiedad principal de este tipo de subconjunto es que se disponen de datos más recientes y por lo tanto con un horizonte temporal de previsión menor. Sin embargo, estas medidas filtradas presentan un sesgo con respecto a la población total de medidas, ya que no son una muestra aleatoria de la muestra total. 8,0 7,5 7,0 6,5 filtrada 1mes total 6,0 5,5 01/01/ /01/ /01/2009 Figura 14. Grafico de las medidas totales con respecto a medida filtrada de 1 mes. Como se puede observar en los gráficos, mientras la grafica de la medida total, la de medida filtrada no presenta cambios bruscos en el tiempo. Esto es debido a que 53

54 Variables explicativas la medida filtrada recoge las últimas medidas del ciclo de medida que han estado presentes durante todo el periodo que se está estudiando, 1 Enero de 2007 a 31 de Diciembre de ,4 7,3 7,2 7,1 7,0 6,9 6,8 6,7 6,6 6,5 6,4 filtrada 1mes filtrada 1mes Figura 15. Grafica detalle medida filtrada, ciclo de medida. La gran ventaja de la medida filtrada sobre la medida total reside en el hecho de que se disponen de datos más cercanos a la fecha del cálculo de la previsión. Se tal manera que se nombra como medida filtrada de 7 días, 15 días o 1 mes a aquellas que disponen de medidas hasta siete días, quince días o mes, respectivamente, antes del día en que se pretende realizar la previsión. Por lo tanto, puesto que las medidas totales son obtenidas dos meses después de la fecha de consumo, y las medidas filtradas pueden llegar a disponer de datos siete días después de la fecha de consumo, con el uso de estas últimas se puede reducir, de forma considerable, el horizonte temporal de la previsión. 54

55 Variables explicativas Comparación de clientes 120% 100% 80% 60% 40% 20% 0% clientes total clientes filtrada 25 clientes filtrada 15 clientes filtrada 7 días días días Figura 16. Grafico fechas filtradas, número de clientes con respecto al total En contra partida, se puede observar en la grafica que cuanto más cercanos son los datos, los saltos son más pronunciados debido al sesgo temporal y por lo tanto, menos se parecen la medida filtrada y la total. 8,0 7,5 7,0 6,5 filtrada 1mes filtrada 15días filtrada 7días total 6,0 5,5 01/01/ /01/ /01/2009 Figura 17. Grafico de representación de filtradas frente a total. 55

56 Variables explicativas Al calcular las correlaciones de las distintas medidas filtradas con la medida total se obtienen correlaciones muy altas entre ambas. Variable Coef. De Pearson, respecto al consumo eléctrico Medida filtrada de 7 días 0,951 Medida filtrada de 15 días 0,959 Medida filtrada de 1 mes 0,971 Tabla 4: Tabla de correlaciones entre distintas medidas filtradas y medida total El uso de la medida filtrada, va encaminado a obtener una estimación de la medida de la población total a partir de ella, para llevarlo a cabo existen varias opciones: Calculo de un coeficiente entre ambas medidas, medidas total entre medida filtrada a lo largo de todo el periodo de trabajo. Posteriormente se calcularía una previsión de dicho coeficiente por modelo de previsión tipo AR, ARMA o ARIMA. Utilizar la medida filtrada como variable explicativa en un modelo de previsión tipo AR, ARMA o ARIMA. Calcular un modelo regresivo utilizando como variable independiente la medida filtrada. A continuación se exponen todas las opciones comentadas anteriormente, aunque en los cálculos finales solamente se consideró la última opción, modelo regresivo, 56

57 Variables explicativas debido al alto coeficiente de correlación de Pearson que tiene la medida total y la medida filtrada COEFICIENTE TOTAL/FILTRADA La primera forma de con la se puede intentar obtener una reducción del horizonte temporal de la medida total, utilizando la medida filtrada, es calular un coeficiente que realiaciona ambos tipos de medida. Este coeficiente como se puede observar en la figura presenta una estacionalidad, pero varia demasido de un año para otro, por lo que una solución sería hacer una previsión con un modelo ARIMA de dicho coeficente. 1,07 1,05 1,03 coeficiente Total/Filtrada 1,01 0,99 0,97 0,95 0,93 01/01/ /01/ /01/2009 coef Figura 18. Grafico de los coeficientes de medida total entre filtrada. 57

58 Variables explicativas MODELO DE SERIES TEMPORALES Otra solución sería utilizar directamente un modelo ARIMA, que utilice la variable medida filtrada como si fuera una variable explicativa, debido a que el coeficiente de Pearson entre la medida filtrada y la medida total es muy elevado, cercano al 0, MODELO REGRESIVO En este caso para el cálculo de la medida total extendida hasta la fecha de la medida filtrada correspondiente, se realiza por medio de una regresión lineal simple, debido al alto coeficiente de correlación de Pearson, en la siguiente tabla se puede observar las distintas funciones de regresión lineal simple para cada tipo de medida filtrada. Variable independiente Medida filtrada de 7 días Medida filtrada de 15 días Medida filtrada de 1 mes Función de regresión lineal simple Y=1,017X-0,081 Y=1,015X-0,151 Y=1,046X-0,341 Tabla 5: Tabla comparativa de las regresiones lineales de cada una de las medidas filtradas. 58

59 MWh UNIVERSIDAD PONTIFICIA COMILLAS Variables explicativas 2.4 CONSUMO NACIONAL A priori, parece obvio que la demanda para clientes minoristas guarda una estrecha relación con el consumo nacional, ya que los clientes de tarifa minoristas y en particular los pertenecientes a la tarifa 2.0A son una parte representativa del consumo nacional de energía eléctrica, la parte restante estaría compuesta por clientes con una potencia contratada mayor a 10kW y clientes industriales de alta tensión. Sin embargo al observar la figura, se puede apreciar como los clientes minoristas solo representan una pequeña parte del total, por lo que resulta necesario realizar un estudio de la correlación entre ambas , , , ,00 Demanda Nacional , , , , , ,00 01/01/ /01/ /01/2009 demanda nacional media movil Figura 19. Gráfico de consumo nacional. 59

60 Variables explicativas ,5 7 6,5 6 5,5 MV demanda nacional demanda minorista Figura 20. Gráfico de consumo nacional y demanda minorista. Los datos de consumo nacional se han obtenido del fichero p48 publicado por REE, en el se especifican los consumos de electricidad a nivel nacional de forma horaria para cada día del año. Al igual que en las demás variables para poder realizar un estudio correcto de la correlación con la demanda minorista, se procede a calcular una media móvil centrada con periodo de dos meses, 60 días. Variable Coef. De Pearson, respecto al consumo eléctrico Demanda Nacional 0,781 Tabla 6: Tabla correlación entre demanda nacional y minorista 60

61 Variables explicativas 2.5 LABORALIDAD Típicamente en estudios sobre el comportamiento de la demanda eléctrica, tal como [9], se ha comentado que la laboralidad influye en el consumo, ya que los días laborables hay un mayor consumo de electricidad debido a que tanto la industria como los comercios funcionan a pleno rendimiento, cosa que no ocurre los días festivos. Puesto que las distintas regiones de España, disponen de calendarios laborables distintos, se deberá ponderar dichas festividades en función de número de clientes de GNF de cada una de las regiones. Por otra parte, para llevar a cabo el estudio de la correlación con el consumo minorista, se aplicará una media móvil bimestral. 8,0 1,12 7,5 7,0 6,5 6,0 1,10 1,08 1,06 1,04 1,02 1,00 demanda minorista laboralidad 5,5 01/01/ /01/ /01/2009 0,98 Figura 21. Grafico de consumo minorista, laboralidad. 61

62 Variables explicativas Variable Coef. De Pearson, respecto al consumo eléctrico Laboralidad 0,26 Tabla 7: Tabla correlación entre demanda minorista y la laboralidad A pesar de que a priori la laboralidad parece que es una variable explicativa muy influyente en el comportamiento de la demanda minorista, el resultado del estudio de su correlación con respecto a laboralidad, no indica que exista una influencia significativa, como para incluirla en un modelo de previsión. Estos resultados son debidos a que se ha utilizado una media móvil bimestral de laboralidad, para ser coherente con los datos de consumos disponibles. 2.6 FACTORES SOCIOECONÓMICOS Como se comento en la introducción, existe una relación entre los factores socioeconómicos y la demanda eléctrica nacional, en concreto entre PIB y esta última. En este apartado se estudia la posible relación de PIB y la tasa de paro con la demanda eléctrica de clientes minoristas. A priori, se puede pensar que la tasa de paro debe tener una mayor influencia en el consumo eléctrico minorista ya que es un indicador mucho más relacionado con el tipo de cliente de este estudio que el PIB. 62

63 Variables explicativas demanda minorista PIB Figura 22. Grafico de consumo minorista, PIB tasa de paro demanda minorista º º º º º º º º Figura 23. Grafico de consumo minorista, tasa de paro. 63

64 Variables explicativas Variable Coef. De Pearson, respecto al consumo eléctrico PIB 0,213 Tasa de paro -0,036 Tabla 8: Tabla correlación entre demanda minorista, PIB y tasa de paro A pesar de los resultados que se pueden observar, en cualquier caso no es posible utilizar estas dos variables explicativas, PIB y tasa de paro, en un modelo predictivo, ya que estos datos no se conocen a priori, sino a posteriori. Además, tal y como se comento en la introducción, es posible que la verdadera variable explicativa sea el consumo eléctrico nacional y no PIB. 64

65 Modelos predictivos Capítulo 3 MODELOS PREDICTIVOS 3.1 INTRODUCCIÓN En el Capitulo 2 se puedo observar los factores que influían en la demanda eléctrica minorista para clientes de la tarifa 2.0A, así como el grado de correlación que tenían. Los resultados de este estudio son el punto de partida, para poder calcular distintos modelos de predictivos que permitan obtener una previsión para la demanda eléctrica minorista. El estudio que se va a llevar a cabo, para poder valorar los distintos modelos de previsión, parten de unos datos que lo asemejen a una situación real de previsión. Estos datos son los siguientes: Medidas de consumo unitario, linealizado para dos meses, del total de clientes de GNF correspondientes a tarifa 2.0a para el periodo situado entre 1 de Enero de 2007 a 31 de Octubre de Medidas de consumo unitario, linealizado para dos meses, de una población parcial de los clientes de GNF correspondientes a tarifa 2.0a para el periodo situado entre 1 de Enero de 2007 y fechas variables, dependiendo del filtro realizado, 31 de Octubre de Temperaturas máximas y mínimas para cada día, de cada uno de los observatorios meteorológicos nacionales. Con estos datos, se calcula un dato de temperatura ponderado en función de los clientes de gas natural de 65

66 Modelos predictivos las distintas provincias de España, excluyendo Baleares, Canarias, Ceuta y Melilla. Con los datos anteriores se realizará una previsión para el mes de Enero de 2010, los horizontes temporales de cada unos de los datos y variables que se van a prever, están representados en la Figura 19. Los tipos de modelos que se van a utilizar en este capítulo son: Modelos ARIMA, como se explico en el Capítulo 1, son modelos típicamente utilizados para hacer previsiones de demanda eléctrica. Modelos de Regresivos, debido a las altas correlaciones entre la demanda eléctrica minorista, la temperatura y las medidas filtradas. Para poder calcular los modelos anteriores, se utilizara la herramienta informática SPSS. SPSS es un programa estadístico informático muy usado en las ciencias sociales y las empresas de investigación de mercado. En la actualidad, la sigla se usa tanto para designar el programa estadístico como la empresa que lo produce. Originalmente SPSS fue creado como el acrónimo de Statistical Package for the Social Sciences ya que se está popularizando la idea de traducir el acrónimo como "Statistical Product and Service Solutions". Como programa estadístico es muy popular su uso debido a la capacidad de trabajar con bases de datos de gran tamaño. 66

67 Modelos predictivos Figura 24. Captura de pantalla de la pantalla principal de SPSS. Para el cálculo de los modelos ARIMA, se utilizará el modulo Forecasting. Dicho modulo permite introducir la variable independiente que sobre la cual se desea realizar la previsión y aplicarle un proceso ARIMA introduciendo los coeficientes correspondientes a la autorresgresión, diferenciación y media móvil, tanto para la parte estacional como la no estacional de la serie temporal sobre la que se está aplicando, en este caso las medidas de consumo eléctrico de los clientes minoristas correspondientes a la tarifa 2.0A. Además también nos permite introducir las variables independientes que justifican el comportamiento de la variable dependiente, siendo estas los factores estudiados en el Capitulo 2. 67

68 Modelos predictivos Figura 25. Captura de pantalla de SPSS, modulo de Forecasting. Figura 26. Captura de pantalla de SPSS, modulo de Forecasting. 68

Sitemap