RNA | Predicción de la demanda de energía eléctrica

Las Redes Neuronales Artificiales (RNAs) constituyen una herramienta de computación fácilmente aplicable -incluso como caja negra mediante programas de ordenador específicos a problemas generales como predicción de series temporales, clasificación, optimización y aproximación funcional. Esto permite su aplicación de manera unificada a una amplia gama de problemas reales en diversos campos de la ciencia y la ingeniería.

Así, problemas como la predicción de la demanda de energía eléctrica, la predicción del consumo de una materia prima o la predicción del comportamiento de un determinado índice económico pueden ser modelados como un problema de predicción de series temporales y resueltos por un mismo paradigma neuronal de aprendizaje supervisado como el Perceptrón Multicapa o las Redes de Funciones Base Radiales; el análisis de contingencias o de fallos en un sistema o la división de una determinada población según determinados factores socioeconómicos puede ser entendido como un problema de clasificación y resuelto mediante paradigmas neuronales no supervisados como los mapas de Kohonen; la identificación de sistemas, esto es, la estimación de los parámetros que intervienen en un modelo basado en Ecuaciones Diferenciales Ordinarias, puede ser descrito como un problema de optimización y resuelto mediante redes neuronales de Hopfield, etc…

Por otro lado, estas técnicas están basadas en paradigmas que presentan un comportamiento interno altamente complejo y muy difícil de describir de manera sistemática. Estas dos características, facilidad para ser implementadas y dificultad para comprender en profundidad cómo trabajan, han favorecido, por una parte, su rápida extensión en prácticamente todos los campos de la ciencia y la técnica pero, por otra parte, un alto porcentaje de uso espurio y de resultados engañosos.

Este uso espurio que con frecuencia podemos encontrar publicado en congresos y revistas, incluso avalado por grupos de investigación con una larga historia en el campo, contribuye sin duda a minar la reputación de las Redes Neuronales Articiales, de las que suele decirse de manera irónica que “son la segunda mejor herramienta para resolver cualquier problema”.

Consideramos, por tanto, que se hace necesario, por parte de quienes usan habitualmente estas herramientas, un esfuerzo por conocer con la mayor profundidad posible las características teóricas de cada paradigma neuronal, sus restricciones y su campo de aplicación.

El objetivo de la predicción de la demanda de energía eléctrica es obtener los valores futuros del consumo eléctrico en función de los valores del consumo pasado. Los valores
predichos de demanda se utilizan para la planificación del sistema eléctrico de potencia, principalmente para la elección de las plantas de generación que producirán la energía requerida.

Debido a que existen diferentes tipos de plantas de generación, cada una con restricciones de funcionamiento y con costes de producción diferentes, es esencial conocer con suficiente antelaci
ón y precisión el consumo de energía futuro con diferentes horizontes. Por otro lado, se debe garantizar el suministro seguro y, dado que la energía eléctrica no se puede almacenar
eficiente, es necesario que en todo momento se genere exactamente la energía necesaria para mantener el sistema en un estado seguro.

Sin embargo, la tarea se presenta como un problema complejo debido a que la demanda exhibe grandes variaciones diarias, semanales y estacionales, que dependen de muchas variables y que son difíciles o imposibles de modelar con exactitud.

Por estas razones, la investigación en campos relacionados con la predicción de la demanda de energía eléctrica ha tenido en los últimos años un auge muy importante, sobre todo debido a las condiciones de regularización a la que se están sometiendo muchos países, entre ellos el nuestro. Esta regularización del mercado ha condicionado el periodo de predicción para ajustarlo a los periodos de operación del mercado y exige disponer de predicciones con una exactitud cada vez mayor. Esto está impulsando la utilización de nuevas técnicas de computación inteligente como son las redes neuronales artificiales.

Detalles

Categoria

redes neuronales

Tags

Fecha

Autor

Dejar comentario

Comentarios recientes