Mape

UNIVERSIDAD PONTIFICIA COMILLAS
ESCUELA TCNICA SUPERIOR DE INGENIERA (ICAI)

INGENIERA INDUSTRIAL
PROYECTO FIN DE CARRERA MODELADO DEL EFECTO DE LA TEMPERATURA Y LA LABORALIDAD EN LA DEMANDA DE ENERGA ELCTRICA
PABLO REGUERO SNCHEZ Madrid, Junio de 2009
Autorizada la entrega del proyecto al alumno: Pablo Reguero Snchez
LOS DIRECTORES DEL PROYECTO Antonio Muoz San Roque
Fdo:
Fecha:
Alberto Cruz Garca
Fdo:
Fecha:
V B del Coordinador de Proyectos
lvaro Snchez Miralles
Fdo:
Fecha:
Resumen
iii
Resumen
La prediccin de la demanda de energa elctrica es un campo fundamental hoy en da dentro del sector elctrico de cualquier pas desarrollado. En un mundo, donde cada vez los servicios necesarios al consumo (como la electricidad) estn ms desregularizados y la Ley de la Oferta y la Demanda se impone, es fundamental reducir los costes de generacin con la finalidad de poder competir dentro del mercado. La electricidad presenta la particularidad de que es un bien no almacenable, por lo que es necesario producir lo que en efecto se va a consumir en cada momento para no desperdiciar la energa y minimizar los costes. Para ello, es imprescindible desarrollar mtodos lo ms precisos posibles para predecir la demanda de energa elctrica. Esta prediccin es necesaria en todo el rango de horizontes temporales: a corto plazo es fundamental saber qu recursos de generacin de los disponibles poner en marcha para satisfacer la inmediata demanda del usuario, en el medio plazo se necesita planificar el mantenimiento de nuestras plantas generadoras as como conocer la demanda para optimizar nuestra sistema de transporte, y en el largo plazo para determinar en qu momento es necesario construir nuevas centrales generadores para satisfacer el consumo futuro. Son varios los factores que influyen en la demanda de electricidad. Algunos de ellos son econmicos, otros climticos y otros de ndole social. Con toda seguridad los dos ms importantes a corto y medio plazo, y cuyo impacto es mayor, son la laboralidad y la temperatura. Entendamos por laboralidad, el efecto que el calendario laboral de la zona de estudio tiene sobre el consumo de energa elctrica. Por tanto, es indispensable modelar de la mejor forma posible la influencia de estos dos parmetros. En este proyecto se van a desarrollar dos modelos de prediccin de la demanda de electricidad muy diferentes: uno para el corto plazo, y otro para el medio plazo. Se utilizarn los datos de consumo en Espaa entre
Resumen los aos 2000 y 2007. Se explicar en detalle todo el proceso de su implementacin, haciendo hincapi en sus aspectos positivos y negativos. El primero de los modelos se trata de un modelo explicativo para medio plazo con horizonte a un ao. Es decir, su principal funcin ser explicar y desglosar la demanda entre los principales factores que la motivan, as como cuantificar qu parte del incremento producido cada ao se debe a la influencia de uno u otro parmetro. Aqu los tres factores bsicos que explican la demanda son la tendencia, la laboralidad y la temperatura. El primero de ellos se modela mediante un simple polinomio de tercer orden; la laboralidad condensar todo su efecto en un nica variable llamada Working Day effect y cuyo valor ser el esperado en un determinado da debido a sus circunstancias laborales. Este valor se calcula como el tanto por uno de demanda que se tiene un determinado da en comparacin con la que habra un da de referencia normal (mircoles laborable de su misma semana). Por ltimo, el efecto de la temperatura se representar mediante un modelo de regresin por umbrales, para lo que es necesario descomponer la demanda en distintos intervalos de temperatura donde su comportamiento sea lineal. Para modelar este efecto de la temperatura, se analiza en el proyecto la inclusin de distintos retardos de esta variable exgena, obteniendo dos modelos alternativos. Por ltimo se presentar una resolucin ptima que engloba las dos anteriores. Aplicando estos modelos conseguimos obtener una estimacin de la demanda que comete un error de aproximadamente el 2,5% para todo el conjunto de anlisis. El segundo modelo, es un modelo predictivo a corto plazo basado en modelos de funcin de transferencia. El horizonte de prediccin ser en todo momento de un da. Todo lo desarrollado en el primer modelo, en cuanto a los factores que influyen en la demanda y cmo se modelan, sirve aqu para definir las variables explicativas que deben entrar en el modelo. La diferencia est en que en este segundo modelo, la tendencia no se
iv
Resumen representar a travs de ninguna variable, sino que su efecto quedar excluido del modelo al aplicar las diferenciaciones necesarias a las series, tanto de la variable de salida, como de sus variables explicativas. Estos modelos se construyen a partir de los datos conocidos en un determinado tiempo (periodo de entrenamiento), para posteriormente en base a stos realizar una estimacin y validarlos en un periodo posterior (periodo de validacin). El anlisis de los errores obtenidos de este modelo muestra que son diferentes segn el da de la semana tratado, as que para mejorar este comportamiento, se desarrollarn modelos peridicos. Mediante estos, se obtienen funciones de transferencia diferentes para la misma variable segn el da a predecir pertenezca a un grupo o a otro. Por ejemplo, se probarn dos modelos; uno en funcin de los das de la semana, y el otro en funcin del tramo de comportamiento de la temperatura en que nos encontremos. En el mejor de los contextos con este segundo modelo, conseguimos una estimacin de demanda en el periodo de validacin que comete un error del 1,3%.
Summary
vi
Summary
Predicting electricity demand is a fundamental field these days in the electricity sector of any developed country. In a world in which consumer services (like electricity) are increasingly de-regulated and in which the market is ruled by the Law of Supply and Demand, it is essential to reduce the generation costs in order to be able to compete in the market. Electricity has the peculiar property that it is not a storable good, so it is necessary to produce only what is going to be consumed at any time in order not to waste energy and to minimise costs. To this end, it is essential to develop the most precised methods possible for predicting demand for electricity. This prediction is necessary throughout the range of time horizons: in the short term it is fundamental to know which of the available generating resources to bring on line to meet the immediate demands of users; in the medium term, we need to plan the maintenance of our generating plants and to know what demand is to optimise our transport system; and in the long term, we need to know what demand is going to be, in order to determine when it is necessary to build new generating stations to meet future consumption. There are several factors that have an impact on the demand for electricity. Some of them are economic, others are climatic and yet others are of a social nature. The two most important factors in the short and middle term, and the ones with the greatest impact, are undoubtedly the working day and temperature. We understand the working day to be the effect that the working calendar of the area of study has on electricity consumption. So it is vital to model the impact of these two parameters as well as possible. This project will develop two very different models for predicting electricity demand: one in the short term, and other in the medium term. There will be used the consumption data in Spain between 2000 and 2007.
Summary The process of their implementation will be explained in detail, highlighting the positive and the negative aspects of each model. The first model is an explanatory model for the medium term which time horizon is one year. That is, its main function is to explain and breakdown demand into the main factors that cause it, and to quantify what part of the increase that occurs each year is due to the influence of each of the two parameters. The three basic factors that explain demand here are the trend, the working day and temperature. The first of these is modelled with a simple third order polynom; the working day will concentrate all its effect in a single variable called the Working Day effect, whose value is the percentage of the demand that there is on a certain day in comparison with the consumption that there would be on a normal control day (working Wednesday of the same week) as fraction of one. Finally, the effect of temperature will be represented with a threshold regression model, for which, we have to break down demand into different sections of temperature in which its behaviour is linear in relation to consumption. To model this effect of temperature, it will be analyzed in the project the inclusion of different delays of this exogenous variable, obtaining two alternative models. Finally, we present an optimum resolution that encompasses the two previous ones. By applying these models, we get an estimation of the demand with a margin of error of approximately 2.5% for the analysis as a whole. The second model is a short term predictive model based on transfer function models. The time horizon for predictions is one day at all times. Everything from the first model concerning the factors that influence demand and how they are modelled is used here to define the explanatory variables that should be factored into the model. The difference lies in the fact that in this second model, the trend will not need variables to explain its effect, as this kind of model requires that the time series have a constant
vii
Summary mean and deviation, which is achieved fundamentally from differentiation and logarithmic transformation. These models are constructed from the known data in a given period of time (training period), then, using this base, we make an estimation and validate them in a later period (validation period). Analyzing the margins of error obtained with this model, we see different results depending on whether the prediction day belongs to one group or another. For that reason, to improve and optimise the results, these models offer the variant of making them periodic. For example, two models will be tested; one depending on the days of the week and the other depending on which section of temperature behaviour we are in. In the best context with this second model, we will get an estimate of demand in the validation period with a margin of error of 1.3%.
viii
ndice
ix
ndice
PARTE I
MEMORIA ............................................................................................................. 1
CAPTULO 1 1
INTRODUCCIN ....................................................................................... 2
MOTIVACIN DEL PROYECTO. ........................................................................................... 2 1.1 Por qu es importante predecir la demanda de electricidad? ........................................... 2 1.2 Evolucin de las tcnicas de prediccin ............................................................................. 4 1.3 Horizontes temporales de prediccin ................................................................................. 6
1.3.1 Corto plazo ..............................................................................................................................6 1.3.2 Medio plazo .............................................................................................................................7 1.3.3 Largo plazo ..............................................................................................................................8
2 3 4
OBJETIVOS DEL PROYECTO. ................................................................................................ 9 TAREAS DESARROLLADAS. ............................................................................................... 11 RECURSOS UTILIZADOS. ................................................................................................... 13
CAPTULO 2 1 2
MODELO EXPLICATIVO. ...................................................................... 14
INTRODUCCIN. ............................................................................................................... 14 METODOLOGA. ............................................................................................................... 16 2.1 Estudio de las caractersticas de la demanda. .................................................................. 16 2.2 Obtencin de la variable de laboralidad WD ................................................................... 20 2.3 Anlisis de la temperatura............................................................................................... 25 2.4 Estimacin del efecto conjunto de tendencia y laboralidad .............................................. 28 2.5 Estimacin del efecto de la temperatura. ......................................................................... 31
3 4 5
RESULTADOS .................................................................................................................... 33 AJUSTE DEL MODELO CON REGRESIN LINEAL PASO A PASO ......................................... 40 OTROS RESULTADOS, DISTINTOS MODELOS Y MEJORAS. .................................................. 46 5.1 Resultados parciales clculo de error mensual ............................................................. 46 5.2 Modelado en distintos periodos (efecto de temperatura).................................................. 49
5.2.1 Estudio para el periodo 2000-2001......................................................................................50 5.2.2 Estudio para el periodo 2006-2007......................................................................................53 5.2.3 Conclusiones .........................................................................................................................56 5.2.4 Qu sucede en el resto del periodo? .................................................................................57
5.3 Modelado de la laboralidad con variables de intervencin ............................................... 60
ndice
CAPTULO 3 1 MODELO PREDICTIVO . ....................................................................... 65
MODELOS DE FUNCIN DE TRANSFERENCIA ................................................................... 65 1.1 Introduccin .................................................................................................................... 65 1.2 Conceptos generales. Caso ms sencillo (un solo input).................................................. 66 1.3 Modelos de funcin de transferencia con mltiples inputs y estacionales ....................... 70
1.3.1 Generalizacin a k inputs ....................................................................................................70 1.3.2 Generalizacin para un proceso estacional multipicativo...............................................70
1.4 Estrategia a seguir para Proceso de Identificacin .......................................................... 71 2 IMPLEMENTACIN DE NUESTRO MODELO GENERAL DE FUNCIN DE TRANSFERENCIA. 73 2.1 Punto de partida .............................................................................................................. 74 2.2 Proceso de identificacin.................................................................................................. 75 2.3 Evaluacin del modelo y clculo de errores ..................................................................... 81 2.4 Modelo general aplicando transformacin logartmica ................................................... 83 2.5 Obtencin de predicciones para distintos horizontes y comparativa de error cometido. . 87 2.6 Clculo del error segn da de la semana ........................................................................ 89 3 MODELO FUNCIN DE TRANSFERENCIA PERIDICO POR DAS DE LA SEMANA .............. 91 3.1 Desarrollo del modelo ...................................................................................................... 91 3.2 Clculo de errores ............................................................................................................ 97 4 MODELO DE FUNCIN DE TRANSFERENCIA PERIDICO SEGN TRAMOS DE
COMPORTAMIENTO DE TEMPERATURA. .................................................................................. 100
4.1 Desarrollo del modelo .................................................................................................... 100 4.2 Clculo de errores .......................................................................................................... 106
CAPTULO 4 1 2
RESULTADOS ......................................................................................... 110
MODELO EXPLICATIVO................................................................................................... 110 MODELO PREDICTIVO..................................................................................................... 112
CAPTULO 5 1
CONCLUSIONES ........................................................................................ 115
CONCLUSIONES DEL PROYECTO FIN DE CARRERA ......................................................... 115
CAPTULO 6 1
FUTUROS DESARROLLOS ...................................................................... 118
POSIBLES DESARROLLOS FUTUROS ................................................................................. 118
ndice
CAPTULO 7 1 BIBLIOGRAFA ........................................................................................... 120
xi
REFERENCIAS BIBLIOGRFICAS ...................................................................................... 120
PARTE II ESTUDIO ECONMICO..................................................................................... 122 1 ESTUDIO ECONMICO DEL PROYECTO ........................................................................... 123
ndice de figuras ndice de Figuras
xii
Ilustracin 2-1 Evolucin demanda periodo total estudio ........................................17 Ilustracin 2-2 Demanda electricidad desde 01/01/2000 hasta 31/12/2001 .........18 Ilustracin 2-3 Demanda electricidad desde 24/05/2004 hasta 13/06/2004 (3 semanas) ...........................................................................................................................19 Ilustracin 2-4 Demanda electricidad desde 03/01/2000 hasta 09/01/2000 .........20 Ilustracin 2-5 Temperatura media Espaa 2000-2007 ..............................................28 Ilustracin 2-6 Demanda Real vs. Tendencia + Laboralidad ....................................30 Ilustracin 2-7 Correlacin entre residuo del modelo y la temperatura .................31 Ilustracin 2-8 Evolucin del MAPE comparativa dos variantes del modelo explicativo ........................................................................................................................39 Ilustracin 2-9 Evolucin MAPE medio mes a mes ...................................................48 Ilustracin 2-10 Residuo frente a Temperatura (2000-2001) .....................................51 Ilustracin 2-11 Residuo frente a Temperatura (2006-2007) .....................................54 Ilustracin 2-12 Evolucin grficas Residuo vs. Temperatura .................................59 Ilustracin 3-1 Pantalla inicial de ajuste del modelo .................................................75 Ilustracin 3-2 Funciones autocorrelacin del Error del modelo .............................76 Ilustracin 3-3 Nuevas funciones autocorrelacin del Error del modelo ...............77 Ilustracin 3-4 Pantalla de configuracin con parmetros finales ...........................79 Ilustracin 3-5 Resultados para periodo de validacin .............................................79 Ilustracin 3-6 Funciones de autocorrelacin del resido del ajuste ut .....................80 Ilustracin 3-7 Parmetros del ajuste del modelo con sus coeficientes ...................80 Ilustracin 3-8 Resultados en validacin con modelo FT con transformacin logartmica .......................................................................................................................85 Ilustracin 3-9 Funciones Autocorrelacin del residuo modelo FT con transformacin logartmica ...........................................................................................85 Ilustracin 3-10 Parmetros del ajuste del modelo FT con transformacin logartmica .......................................................................................................................86
ndice de figuras
Ilustracin 3-11Evolucin del MAPE con modelo FT variando el horizonte prediccin ........................................................................................................................89 Ilustracin 3-12 Evolucin del MAPE en funcin del da de la semana con modelo general ..............................................................................................................................90 Ilustracin 3-13 Pantalla de configuracin inicial para modelo FT peridico........92 Ilustracin 3-14 Resultados del modelo FT peridico segn da de la semana para validacin .........................................................................................................................93 Ilustracin 3-15 Funciones autocorrelacin del residuo para primer modelo FT peridico ..........................................................................................................................94 Ilustracin 3-16 Parmetros del ajuste del primer modelo peridico con sus coeficientes .......................................................................................................................95 Ilustracin 3-17 Evolucin del MAPE segn da de la semana con primer modelo peridico ..........................................................................................................................99 Ilustracin 3-18 Resultados del segundo modelo FT peridico para validacin .103 Ilustracin 3-19 Funciones autocorrelacin del residuo para el segundo modelo FT peridico ...................................................................................................................103 Ilustracin 3-20 Parmetros del ajuste del segundo modelo peridico con sus coeficientes .....................................................................................................................104 Ilustracin 3-21 Evolucin del MAPE segn da de la semana con segundo modelo peridico ..........................................................................................................107 Ilustracin 3-22 Evolucin del MAPE segn tramos de temperatura con segundo modelo peridico ..........................................................................................................109 Ilustracin 4-1 Comparativa error MAPE distintas variantes del modelo explicativo ......................................................................................................................111 Ilustracin 4-2 Comparativa error RMSE para distintas variantes del modelo explicativ ........................................................................................................................112 Ilustracin 4-3 Comparativa error MAPE distintas modelos funcin de transferencia ..................................................................................................................114 Ilustracin 4-4 Comparativa error RMSE distintas modelos funcin de transferencia ..................................................................................................................114
xiii
ndice de tablas ndice de Tablas
xiv
Tabla 2-1 Coeficientes WD calculados para periodo de estudio ..............................24 Tabla 2-2 Zonas climticas y observatorios representativos ....................................27 Tabla 2-3 Valores coeficientes modelo explicativo (TEND + LAB) .........................30 Tabla 2-4 Descomposicin interanual con efecto temperatura sin retardos...........35 Tabla 2-5 Descomposicin interanual con efecto temperatura con retardos..........37 Tabla 2-6 Errores anuales calculados sin retardos .....................................................38 Tabla 2-7 Errores anuales calculados con retardos ....................................................39 Tabla 2-8 Variables incluidas en el proceso stepwise y sus coeficientes .............44 Tabla 2-9 Errores obtenidos con regresin stepwise..............................................45 Tabla 2-10 Clculo MAPE mensual sin aplicar retardos ...........................................47 Tabla 2-11 Clculo MAPE mensual aplicando retardos ............................................47 Tabla 2-12 Clculo MAPE periodo estudio 2000-2001 ...............................................52 Tabla 2-13 Tabla variables y coeficientes modelo 2000-2001 ....................................53 Tabla 2-14 Clculo MAPE periodo estudio 2006-2007 ...............................................55 Tabla 2-15 Tabla variables y coeficientes modelo 2006-2007 ....................................56 Tabla 2-16 Resultados modelo alternativo clculo laboralidad ...............................64 Tabla 3-1Parmetros de error para periodo de validacin .......................................82 Tabla 3-2 Parmetros de error para todo el periodo de anlisis ..............................82 Tabla 3-3 Error en validacin con modelo general y transformacin logartmica 87 Tabla 3-4 Error todo periodo con modelo general y transformacin logartmica .87 Tabla 3-5 Parmetro de error para distintos horizontes de prediccin ...................88 Tabla 3-6 MAPE cometido en funcin del da de la semana ....................................90 Tabla 3-7 Parmetros de error con primer modelo peridico para periodo de validacin .........................................................................................................................97 Tabla 3-8 Parmetros de error con primer modelo peridico para todo periodo de anlisis ..............................................................................................................................98 Tabla 3-9 MAPE cometido segn el da de la semana con primer modelo peridico ..........................................................................................................................99
ndice de tablas
Tabla 3-10 Parmetros de error con segundo modelo peridico para periodo de validacin .......................................................................................................................106 Tabla 3-11 Parmetros de error con segundo modelo peridico para todo periodo de anlisis.......................................................................................................................106 Tabla 3-12 MAPE cometido segn el da de la semana con segundo modelo peridico ........................................................................................................................107 Tabla 3-13 MAPE cometido segn tramo de temperaturas con segundo modelo peridico ........................................................................................................................108 Tabla 4-1 Resumen errores en modelos explicativos ...............................................111 Tabla 4-2 Resumen errores en modelos de funcin de transferencia ....................113
xv
ndice de ecuaciones ndice de Ecuaciones
xvi
Ecuacin 2-1 Expresin general modelo explicativo .................................................29 Ecuacin 2-2 Expresin para modelar efecto temperatura a partir del residuo ...32 Ecuacin 2-3 Expresin global factores de la demanda ............................................33 Ecuacin 2-4 Expresin incremento porcentual de demanda desagregado ...........34 Ecuacin 2-5 Expresin desarrollada del ratio de error MAPE ...............................38 Ecuacin 2-6 Expresin desarrollada del error absoluto RMSE ...............................38 Ecuacin 3-1 Ecuacin general del modelo con solo un input .................................67 Ecuacin 3-2 Expresin general de una funcin de transferencia ...........................68 Ecuacin 3-3 Expresin reducida del modelo con un solo input .............................68 Ecuacin 3-4 Expresin del trmino del error 1 ........................................................68 Ecuacin 3-5 Expresin del trmino del error 2 ........................................................68 Ecuacin 3-6 Ecuacin desarrollada del modelo ........................................................69 Ecuacin 3-7 Ecuacin final del modelo ......................................................................69 Ecuacin 3-8 Ecuacin general del modelo con varios inputs .................................70 Ecuacin 3-9 Expresin del trmino de error .............................................................71 Ecuacin 3-10 Expresin desarrollada modelo varios inputs...................................71 Ecuacin 3-11 Expresin generalmente usada modelo varios inputs .....................71 Ecuacin 3-12 Ecuacin obtenida con el modelo general funcin transferencia ...82 Ecuacin 3-13 Expresin del primer modelo peridico para los t lunes.................96 Ecuacin 3-14 Expresin del primer modelo peridico para los t de martes a viernes ..............................................................................................................................96 Ecuacin 3-15 Expresin del primer modelo peridico para los t fines de semana ...........................................................................................................................................97 Ecuacin 3-16 Expresin del segundo modelo peridico para los t del primer tramo...............................................................................................................................105 Ecuacin 3-17 Expresin del segundo modelo peridico para los t del segundo tramo...............................................................................................................................105
ndice de ecuaciones
Ecuacin 3-18 Expresin del segundo modelo peridico para los t del tercer tramo...............................................................................................................................105
xvii
Parte I MEMORIA
Memoria. Introduccin
Captulo 1
INTRODUCCIN
1 Motivacin del proyecto.
1.1 Por qu es importante predecir la demanda de electricidad?
Es fundamental antes de plantear cualquier tipo de desarrollo o modelo de prediccin, saber y entender por qu es tan importante predecir la demanda de electricidad. Algunos de las siguientes ideas estn tomadas de: [GUTI03].
La importancia de la prediccin de la demanda de energa elctrica surge de la incertidumbre asociada a una magnitud que se refiere al futuro. La mencionada prediccin puede ayudar a determinar si, previsiblemente, se va a producir una carencia de capacidad generadora (y, por tanto, pudiera ser conveniente considerar la construccin de nuevas centrales de energa o simplemente impulsar la adopcin de medidas de conservacin de la energa) o, por el contrario, en el futuro existir un exceso de capacidad que pudiera aconsejar la no utilizacin de parte del parque generador ya existente.
Segn algunos autores , la industria energtica es un sector de capital intensivo con inversiones a muy largo plazo. Puesto que se necesita al menos una dcada para planificar y construir una nueva planta generadora, una previsin correcta de la demanda de energa elctrica es un requisito imprescindible para lograr las metas previstas de calidad y
Memoria. Introduccin 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 energa elctrica.
La previsin de la demanda es una actividad esencial de los suministradores de energa elctrica. Sin una adecuada representacin de las necesidades futuras de generacin elctrica, los problemas de exceso de capacidad, o por el contrario de capacidad insuficiente, pueden tener costes sorprendentemente altos. La correcta previsin de la demanda tambin desempea un importante papel en las decisiones de una compaa elctrica respecto a qu cantidad, y en qu poca, ser conveniente comprar (vender) energa a otras empresas del sector.
Un argumento importante a tener en cuenta es el econmico. Si las predicciones resultan ser demasiado bajas pueden tener lugar carencias de energa cuyos costes habitualmente son mucho mayores que el valor de la energa no suministrada. Por el contrario, si las previsiones resultan demasiado altas, los costes de oportunidad pueden ser muy elevados al tener comprometidos, de forma improductiva, cuantiosos fondos econmicos durante largos periodos de tiempo.
Es difcil que ambas desviaciones, por exceso o por defecto, no acaben repercutiendo sobre el usuario final. Si se produce una carencia de electricidad, el precio de sta se incrementar y el abonado pagar ms por la energa consumida. Si, por el contrario, las errneas predicciones se traducen en una superabundancia de energa, los costes asociados con la clausura de algunas plantas de potencia, u otros medios de disminuir el suministro, sern trasladados al consumidor. A este respecto, cabe mencionar que, pese a la creciente preocupacin medioambiental, algunos pases industrializados han vuelto a considerar la opcin nuclear, debate
Memoria. Introduccin al que no escapan, por ahora de forma incipiente, algunos pases de la Comunidad Econmica Europea.
Segn los expertos existen al menos tres motivos para modelar la demanda de energa. En primer lugar, el suministro razonablemente fiable de energa es vital para el funcionamiento de la economa moderna. En segundo lugar, la ampliacin de los sistemas de suministro de energa requiere muchos aos. En tercer lugar, las inversiones necesarias en tales sistemas son altamente intensivas en capital, representando, en algunos pases, una considerable proporcin de su Producto Interior Bruto.
Por otra parte, los ndices habituales de fiabilidad elctrica miden la probabilidad de que se pueda prestar el servicio requerido y, por tanto, los programas de planificacin del sector elctrico se basan,
fundamentalmente, en las predicciones que se realicen sobre las puntas de potencia y energa demandada y, de acuerdo con ellas, se pueden adoptar las eventuales decisiones de incrementar la capacidad generadora instalada. Es obvio que, cuanto ms acertadas sean tales predicciones, menores sern los riesgos de incurrir en inversiones innecesarias y/o de causar insatisfaccin a los usuarios.
1.2 Evolucin de las tcnicas de prediccin
Las necesidades de la sociedad no siempre han sido las mismas, ni tampoco la situacin de un sector como el elctrico. Por tanto, este campo, el de la prediccin de la energa elctrica no siempre avanz en la misma direccin, ni se ponan los mismos medios antes que ahora. Es muy diferente afrontar esta cuestin si el mercado de la generacin y la
Memoria. Introduccin distribucin est monopolizado, o si nos hemos encontramos en un mbito desregularizado.
Por ejemplo, en los aos 50 y 60, las tcnicas de prediccin eran muy sencillas. A veces, la simple extrapolacin de la tendencia bastaba para predecir los venideros picos de energa demandada. No haca falta desarrollar tcnicas complejas, ya que el marco econmico en aquella poca era muy estable e invariante, con precios de combustibles estables, bajos costes del capital, economas de escala aplicadas a las plantas de generacin, una tendencia demogrfica muy previsible Adems, el sector era prcticamente ajeno a la ley de la oferta y la demanda.
A comienzos de los 70 se produjo un creciente inters en la modelizacin economtrica de la demanda elctrica, debido entre otras razones, a la primera crisis del petrleo en 1973 y a la consiguiente severa recesin econmica mundial en los aos 1974 y 1975, que, en algunos pases, entre ellos Espaa, se prolong bastante ms tiempo. Esta disminucin en las tasas de crecimiento econmico indujo polticas de conservacin energtica y modificaciones en el uso final de la energa elctrica. La gran volatilidad de los precios de la energa en los aos posteriores a 1973 result tan inesperada como la repentina elasticidad de la demanda de los consumidores a los crecientes precios de la energa elctrica. A partir de aqu, los especialistas en planificacin elctrica adquirieron un papel mucho ms importante. Deban elegir nuevas estrategias de actuacin para garantizar el suministro de electricidad y a su vez, valorar el nuevo contexto energtico en el que se encontraban.
A partir de 1990, se extendi el proceso, citado anteriormente, de la desregularizacin. Por fin, se haba terminado el monopolio que haba supuesto el sector elctrico durante muchos aos, a lo largo y ancho de
Memoria. Introduccin todo el mundo. A partir de este momento, la energa elctrica se convirti en una mercanca ms donde los consumidores, como es lgico, demandaran al precio ms bajo ofertado. Aqu es cuando surge el boom del desarrollo y la inversin en nuevas y diversas tcnicas avanzadas de prediccin de electricidad, ya que las empresas encargadas de producir, para poder competir, ya no podan seguir castigando a los clientes con los sobrecostes derivados de predicciones errneas de electricidad, si queran participar en este nuevo mercado competitivo.
1.3 Horizontes temporales de prediccin
Al construir un modelo para la prediccin de demanda de electricidad deben considerarse las cuestiones a las que tales modelos han de responder. En este contexto, el horizonte temporal de la prediccin est relacionado con los problemas a los que se enfrenta una compaa elctrica. Bsicamente se pueden considerar tres horizontes temporales para la prediccin de demanda de energa elctrica:
1.3.1 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 prximos 30 minutos en tiempo real a partir del momento en que se efecta la prediccin de la demanda. El principal objetivo a cubrir en este periodo de tiempo es la distribucin, de la forma ms econmica posible, entre los diversos recursos de generacin disponibles. Realmente se trata de realizar el seguimiento de la carga y de la prediccin inmediata de sta basndose en los datos de la demanda durante las pasadas 24 horas.
EL corto plazo propiamente dicho se extiende desde una hora hasta una semana en el futuro. Los datos en los que se basa la prediccin en este periodo son la carga diaria y la informacin de la temperatura en la misma poca de los aos recientes del pasado. En este horizonte temporal de corto plazo es importante, tanto una prediccin lo ms exacta posible de la demanda para determinar qu generadores deberan ser puestos en funcionamiento y cules deberan permanecer en reserva, como una adecuada prediccin de los factores climticos (temperatura, humedad, etc) y de su variabilidad.
En este mbito, el del corto plazo, es en el que se aplicar el desarrollo del Captulo 3, puesto que los modelos presentados e implementados trabajan principalmente con un horizonte de un da.
1.3.2 Medio plazo
Por medio plazo, se suele entender el periodo de prediccin que se extiende en el futuro desde un mes hasta un ao a partir del momento en que se efecta el pronstico. Esta prediccin es necesaria, generalmente, para establecer el calendario de mantenimiento de las plantas generadoras y del sistema de transmisin. Los datos bsicos para realizar esta prediccin son los datos mensuales de puntas de carga a lo largo de varios aos, as como la energa demandada y la temperatura registrada en ellos. Se tienen en cuenta los indicadores socioeconmicos y los picos de carga. La energa demandada mensualmente se predice en el horizonte temporal de un ao. En este periodo las compaas elctricas se enfrentan al problema de cubrir una estructura de la demanda cualitativa y
Memoria. Introduccin cuantitativa potencialmente cambiante que han de satisfacer con una capacidad generadora que es esencialmente fija o determinada.
Este marco, el del medio plazo, es donde se desarrolla el modelo explicativo del Captulo 2.
1.3.3 Largo plazo
Se suele denominar largo plazo al periodo de prediccin que abarca desde uno a diez aos 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 aos, un modelo economtrico puede resultar muy adecuado en este horizonte temporal de largo plazo y, cuanto ms exactas sean sus predicciones, mayor es la probabilidad de satisfacer los picos de carga (puntas de demanda) y mejorar el factor de carga. Esta prediccin de largo plazo se necesita, generalmente, para la planificacin del sistema generador y del sistema de transmisin o transporte, ya que una modelizacin y prediccin adecuadas a largo plazo de la demanda puede anticipar la capacidad de generacin ptima y la combinacin o mezcla de potencia generadora ms conveniente con que debe contar- posiblemente mediante nuevas adquisiciones- el parque generador. Los datos para la elaboracin de la demanda a largo plazo suelen ser, adems de los mencionados anteriormente (pero con periodicidad anual), el precio de la electricidad, el de los productos sustitutivos y la evolucin demogrfica, as como la de los indicadores econmicos ms relevantes.
2 Objetivos del proyecto.
Los objetivos principales que se buscan cumplir en el presente documento son los siguientes:
Analizar el comportamiento de la demanda de electricidad en Espaa durante el periodo de estudio establecido (de 2000 a 2007), estudiando su evolucin y localizando los factores que influyen significativamente sobre ella.
Modelar el efecto que producen tanto la temperatura como la laboralidad sobre la demanda. Son los dos factores fundamentales, y en los que se centra el estudio. Plantear varias alternativas y seleccionar la que optimice los resultados.
Desarrollar un modelo explicativo de medio plazo, incidiendo en el modelado del efecto de la laboralidad por un lado, y del de la temperatura por otro.
Desarrollar un modelo predictivo a corto plazo, basado en los modelos de funcin de transferencia. Se implementarn distintas alternativas con un mismo modelo base.
Realizar un anlisis comparativo de los distintos modelos propuestos en el proyecto, estableciendo las ventajas e
inconvenientes de unos sobre otros.
Memoria. Introduccin Analizar y comparar los ratios de error cometidos en la estimacin de los modelos, buscando las causas que los producen, y aadiendo los oportunos cambios o mejoras que se consideren necesarios.
10
Describir en unas conclusiones finales todo lo desarrollado en el proyecto, y tratar de plantear posibles desarrollos futuros que mejoren los modelos propuestos.
11
3 Tareas desarrolladas.
Las tareas que se han llevado a cabo para poder alcanzar los objetivos establecidos son:
Documentacin y estudio de anlisis de series temporales, y mtodos de prediccin para todo tipo de datos, ya sean econmicos, financieros, energticos Modelos ARIMA, modelos de regresin, modelos de funcin de transferencia.
Lectura y comprensin de informaciones y textos varios ya publicados sobre modelos de prediccin de demanda de electricidad, estudiando en detalle el tratamiento que hacen del efecto de la temperatura y laboralidad.
Tratamiento y procesamiento de los datos de partida del estudio, principalmente relativos a series de demanda de electricidad en el periodo de anlisis, y series de temperaturas.
Anlisis minucioso de los calendarios y festividades acontecidas en los aos pertenecientes al intervalo sealado.
Generacin de las variables que modelan tanto el efecto de la temperatura desarrollados. como la laboralidad en todos los modelos
Memoria. Introduccin Representacin grfica y explicacin de los resultados que se han ido obteniendo a lo largo del proyecto, como consecuencia de los procesos de desarrollo de los pertinentes modelos.
12
Clculo de los distintos parmetros de error de las series estimadas de demanda con los sucesivos modelos.
Anlisis de las causas que motivan estos resultados, profundizando en las carencias de los modelos para buscar alternativas que los mejoren.
13
4 Recursos utilizados.
Los principales recursos y medios que se han utilizado son:
Paquete de Microsoft Oficce: Word para procesamiento de textos, la planilla de clculo de Excel para procesar datos y realizar operaciones sencillas, Point. y el programa de presentaciones Power
Software matemtico Matlab, para la manipulacin de datos, realizacin de operaciones, creacin de funciones nuevas e implementacin de otras ya existentes, y representacin grfica de variables y resultados, con la finalidad de llevar a cabo los objetivos del presente proyecto.
Herramienta de anlisis de datos Idat
Herramienta diseada por
el instituto de Investigacin Tecnolgica de ICAI (IIT), consistente en una interfaz grfica mediante la cual se pueden realizar distintos modelos para la prediccin de distintas series temporales. Se trabajar con modelos de bisagras, y modelos de funcin de transferencia, as como otras funciones derivadas, como clculo de errores, representacin de variables, etc.
Uso tambin del programa estadstico informtico SPSS, que se emplear en clculo de regresiones lineales paso a paso principalmente.
Memoria. Modelo Explicativo
14
Captulo 2
MODELO EXPLICATIVO.
A continuacin se va a describir el primero de los modelos de prediccin de demanda de electricidad que son objeto de estudio en este documento.
Sigue la estructura desarrollada en el texto [MORA05]. Se trata de un modelo de prediccin explicativo, cuyo objetivo fundamental es cuantificar la relacin entre las variables X1, X2,.,Xk (que sern en trminos generales, la tendencia, la laboralidad y la temperatura), y la variable Y (demanda de energa elctrica) con el fin de conocer o explicar mejor los mecanismos de esa relacin.
Otros textos que se han estudiado para entender la manera de modelar la temperatura y la laboralidad en modelos explicativos han sido: [CANC08] y [PARD02].
1 Introduccin.
Como ya se ha comentado anteriormente, la demanda de electricidad es una variable fundamental debido a su relacin con la actividad econmica y el desarrollo. Sin embargo, el consumo de electricidad tambin depende de otras variables no econmicas, principalmente la temperatura y la laboralidad. El objetivo de este estudio es modelar el efecto de la laboralidad por un lado, y analizar el efecto de las temperaturas sobre la variacin de la demanda de electricidad diaria en Espaa, y en especial,
Memoria. Modelo Explicativo caracterizar la no linealidad de la respuesta de la demanda a variaciones de temperatura.
15
La necesidad de energa y especficamente la demanda de electricidad de un pas estn fuertemente unidas a factores climatolgicos, los cuales explican en gran medida su variabilidad interanual. La temperatura destaca dentro de estos factores, como se afirma en la mayora de documentos que tratan este tema. Sin embargo, no es el nico, ya que la humedad, la velocidad del viento, la nubosidad, la pluviosidad o la radiacin solar son otros factores que pueden influir en mayor o menor medida.
La mayora de estudios indican que la relacin entre demanda de electricidad y temperatura es claramente no lineal. Esta no linealidad alude al hecho de que tanto incrementos como decrementos de la temperatura, siempre que pasen determinadas temperaturas umbral, conllevan un claro incremento de la electricidad. Este efecto se debe a las diferencias entre el ambiente o temperatura exterior y el bienestar o temperatura interior. Cuando la diferencia entre la temperatura exterior e interior aumenta, el arranque de los correspondientes equipos de calefaccin o refrigeracin inmediatamente aumenta la demanda de energa. Obviamente, la curva de la respuesta de la demanda a las temperaturas depender de las caractersticas climatolgicas del rea geogrfica al cual los datos de demanda se refieren, lo que condiciona el tipo de equipamientos instalados, y las condiciones bajo las que stos comenzarn a operar.
Lo que trata este estudio es presentar un valioso enfoque para el anlisis del efecto de las temperaturas en la variacin de la demanda diaria de
Memoria. Modelo Explicativo energa elctrica en Espaa, tratando de determinar la sensibilidad de la demanda a variaciones en la temperatura.
16
2 Metodologa.
2.1 Estudio de las caractersticas de la demanda.
Para el estudio realizado en el presente documento, se han utilizado los datos de demanda publicados por REE en los ficheros de demanda p48 entre los aos 2000 y 2007 (ambos inclusive). Estos datos no son exactamente los que luego utiliza REE para sus estudios, por lo que los resultados obtenidos diferirn de los publicados por dicha compaa. Estos datos estaban fraccionados de forma horaria, por lo que el primer paso fue agruparlos de forma diaria como exige el anlisis que se va a llevar a cabo.

5
17
x 10 9 8.5 8 7.5 7 MW/h 6.5 6 5.5 5 4.5 4
Demanda electricidad en Espaa 01/01/2000 - 31/12/2007
15/01/00
29/05/01
11/10/02
23/02/04
07/07/05
19/11/06
Ilustracin 2-1 Evolucin demanda periodo total estudio
Como podemos ver en la Ilustracin 2-1 que muestra la evolucin de la demanda en todo el periodo de estudio, la variable presenta una clara y continua tendencia creciente con un considerable aumento de su valor medio, que podemos cuantificar en aproximadamente un 30-40% en ocho aos. Este crecimiento es fruto del fantstico desarrollo econmico que ha experimentado Espaa en los citados aos. Esto corrobora la creencia defendida en multitud de estudios sobre el tema tratado que sealan la demanda de electricidad como uno de los ndices ms contundentes a la hora de determinar la situacin econmica y de desarrollo de un pas.

x 10
5
18
7.5
6.5
6 MW/h
5.5
4.5
3.5 15/01/00 24/04/00 02/08/00 10/11/00 18/02/01 29/05/01 06/09/01 15/12/01
Ilustracin 2-2 Demanda electricidad desde 01/01/2000 hasta 31/12/2001
En esta segunda grfica, Ilustracin 2-2, que muestra la demanda en Espaa para el conjunto de dos aos completos (2000 y 2001 en este caso), podemos apreciar otra caracterstica fundamental como es la
estacionalidad de carcter interanual.
Tenemos las mayores cotas de
demanda en los meses ms fros y en los ms calurosos (si bien el mes de agosto presenta una particularidad que se comentar ms adelante), aspecto que ya se ha explicado en la introduccin del tema, y que no se debe ms que al hecho de la relacin no lineal que existe entre temperatura y demanda de electricidad, relacin basada en las mayores diferencias que hay en esos meses entre la temperatura exterior y la temperatura de confort deseada por las personas para los interiores.

x 10
5
19
7 6.8 6.6 6.4 6.2 6 MW/h 5.8 5.6 5.4 5.2 5 4.8
23/05/04
28/05/04
02/06/04
07/06/04
12/06/04
Ilustracin 2-3 Demanda electricidad desde 24/05/2004 hasta 13/06/2004 (3 semanas)
En la Ilustracin 2-3 queremos observar el desarrollo de la demanda en el mbito semanal. Para ello, ilustramos 3 semanas completas (de lunes a domingo) cualesquiera del periodo. A simple vista se aprecia su particular evolucin, pues de lunes a viernes la demanda es ms alta y ms o menos constante, cayendo significativamente el sbado y el domingo. Esto se debe a lo que se denomina Working day effect, es decir, al hecho de que los das laborables la demanda es mayor pues todas las empresas trabajan a pleno rendimiento y toda la actividad econmica e industrial de un pas est activa.

x 10
5
20
Demanda electricidad en Espaa 03/01/2000 - 09/01/2000
6.4 6.2 6 5.8 5.6 5.4 5.2 5 4.8
MW/h
4.6 03/01/00
04/01/00
05/01/00
06/01/00
07/01/00
08/01/00
09/01/00
Ilustracin 2-4 Demanda electricidad desde 03/01/2000 hasta 09/01/2000
Por ltimo, en la Ilustracin 2-4, un cuarto aspecto que se puede apreciar en un primer anlisis de la evolucin de la demanda en el tiempo, es el particular desarrollo de la demanda para una semana en que acontece una fiesta (en este caso un 6 de Enero jueves, da de Reyes y festivo en toda Espaa). Esto explica el pico inferior que sucede el cuarto da de la semana de la grfica. La actividad se paraliza, afectando tambin de forma significativa al da posterior (en este caso un viernes).
2.2 Obtencin de la variable de laboralidad WD
A la hora de modelar el efecto de la laboralidad, tngase en cuenta el artculo [MORA04]. Ya centrndose en el estudio analtico a desarrollar, se va a explicar cmo se modela este efecto que se acaba de citar. Este
Memoria. Modelo Explicativo Working day effect es recogido en una variable explicativa notada como WDt, que representa (independientemente del resto de efectos como la estacionalidad, la temperatura, la tendencia o las condiciones econmicas), el efecto del calendario laboral en la demanda de un da concreto como un porcentaje de la demanda de electricidad de un da representativo. En este estudio se utiliza el mircoles como el da representativo de la semana, asignndole un factor igual a uno. El mtodo para obtener esta variable consiste en los siguientes pasos, desarrollados en [MORA05]:
21
1) Estimacin del ndice de variacin semanal por calendario:
Siendo DREFt la demanda de referencia del da t, que se toma como la demanda del mircoles de la semana correspondiente a ese da (y si ese mircoles fuera festivo se toma el promedio entre el mircoles anterior y el posterior). Como ya se ha dicho, este ratio trata de recoger el efecto del calendario, dejando fuera otros efectos como la tendencia y la temperatura por la proximidad entre el da t y el da de la demanda de referencia.
2) Obtencin del conjunto de variables de intervencin del calendario, las cuales tomarn valores 0 1, y que representarn los distintos tipos de da considerados segn nuestro calendario laboral. Los das y periodos tenidos en cuenta son la Navidad, la Semana Santa, las Fiestas Nacionales, los das posteriores a fiestas nacionales, los lunes que caigan justo antes de fiestas nacionales, algunas fiestas regionales o locales que se consideran importantes para el estudio pues afectan a una parte considerable de la poblacin demandante, los das posteriores a stos, y por ltimo los das no especiales (lunes a domingo laborables). Tambin se ha intervenido por su
Memoria. Modelo Explicativo excepcionalidad la huelga general del 20 junio de 2002 y su da sucesivo. Por ltimo, destacar que se ha distinguido el efecto del calendario segn distintas agrupaciones de das de la semana, en base a la experiencia adquirida en otros estudios como el del texto base de este anlisis.
22
3) Ajuste de un modelo de regresin lineal para estimar el ndice de variacin semanal por calendario (WCVI) a partir de las variables de intervencin del calendario. Como resultado de este ajuste se obtiene en primer lugar un conjunto de parmetros que representa el efecto medio de los distintos tipos de das considerados en la demanda. La Tabla 2-1 recoge estos resultados:
4) La variable WDt se obtiene directamente evaluando el modelo anterior con las variables de intervencin definidas, de tal forma que por ejemplo todos los lunes no especiales obtienen un WD = 0.97, los martes, mircoles y jueves no especiales un WD = 1, los viernes no especiales un WD = 0.99, los sbados no especiales un WD = 0.87, y los domingos un WD = 0.78.

Tipo de da No especiales Semana Santa Semana Santa propia Lunes y Martes de Pascua Navidades 21 - 22 de Diciembre y 3 - 4 de Enero 23 - 27 - 28 29 30 de Diciembre 25 de Diciembre 1 de Enero 6 de Enero 26 de Diciembre y 2 - 7 de Enero 24 de Diciembre 31 de Diciembre 5 de Enero Festivos nacionales 1 de Mayo 15t de Agosto 12 de Octubre 1 de Noviembre 6 de Diciembre Da posterior a fiesta 0.83 0.76 0.82 0.80 0.73 0.75 0.84 0.81 0.82 0.84 0.80 0.84 0.81 0.79 0.73 0.84 0.76 0.86 0.79 0.77 0.94 0.76 0.73 0.76 0.87 0.67 0.67 0.76 0.83 0.75 0.87 0.91 0.80 0.75 0.94 0.97 0.83 0.77 0.95 0.84 0.98 0.97 0.95 0.81 0.73 0.76 0.73 Lunes 0.97 Martes 1 Mircoles 1 Jueves 1 Viernes 0.99 Sbado 0.87 Domingo 0.78
23
nacional 16 de Agosto 13 de Octubre 2 de Noviembre 7 de Diciembre 0.87 0.97 0.95 0.94 0.98 0.91 0.90 0.94 0.90 0.87 0.84 0.83 0.79 0.80 0.75 -

Tipo de da Lunes previo 1 de Mayo Lunes previo 15 de Agosto Lunes Octubre Lunes previo 1 de 0.89 previo 12 de Lunes 0.90 0.91 0.83 Martes Mircoles Jueves Viernes Sbado Domingo
24
Noviembre Lunes previo 6 de 0.86
Diciembre Festivos regionales 25 de Julio, 24 de Junio, y 11 de Septiembre 28 de Febrero, 23 de Abril, 9 de Octubre, 15 de Mayo, 9 de Noviembre, y 24 de Septiembre 19 de Marzo y 2 de Mayo 8 de Diciembre Da posterior a fiestas locales y regionales 26 de Julio, 25 de Junio, y 12 de Septiembre 29 de Febrero/1 de Mayo, 24 de Abril, 10 de Octubre, 16 de Mayo, 10 de Noviembre y 25 de Septiembre 20 de Marzo y 3 de Mayo 9 de Diciembre Huelga General 20/06/02 Dia despus Huelga 0.95 0.91 0.97 0.98 0.97 1.00 0.94 1.03 0.98 0.82 0.82 0.86 0.76 0.80 0.94 1.00 0.88 0.75 0.98 1.00 1.01 0.98 0.83 0.76 0.89 0.79 0.96 0.89 0.86 0.82 0.84 0.78 0.94 0.96 0.98 0.98 0.85 0.75 0.93 0.95 0.86 0.78 locales y
General
Tabla 2-1 Coeficientes WD calculados para periodo de estudio
25
Se ha de resear que los resultados aqu obtenidos son muy similares a los recogidos en [MORA05]. Este documento trataba con un periodo de estudio diferente al nuestro, que abarcaba desde Agosto de 1995 hasta Agosto de 2003. Pero apenas podemos destacar unas pocas dcimas de discrepancia en algunos das, lo que resulta curioso y viene a decir que el comportamiento del consumidor en Espaa frente a las condiciones laborales se ha mantenido constante, somos gente de tradiciones. Por tanto, se da por bueno su clculo.
2.3 Anlisis de la temperatura
Aunque lo ms apropiado sera hacer un anlisis de la demanda de electricidad desagregada por sectores y geogrficamente, esto no es posible debido a las limitaciones de los datos disponibles. La falta de unas series de demanda desagregadas adecuadas conlleva que las variables explicativas tengan que considerarse dentro de un todo; y por tanto las ecuaciones de comportamiento y los parmetros obtenidos reflejan respuestas medias o globales.
En el estudio de la sensibilidad de la temperatura al consumo elctrico, estas limitaciones de informacin dan alcance a dos puntos esenciales que podran tener mucha importancia. Por un lado, un estudio global del pas requiere una variable explicativa agregada, por ejemplo un indicador de temperatura media para todo el pas, y por otro lado, tenemos que asumir una respuesta homognea a variaciones de temperatura en los diferentes sectores (consumo residencial, industrial o de servicios).
Memoria. Modelo Explicativo Espaa no tiene un clima homogneo, as que no es posible determinar con inmediatez un nico indicador de temperatura. En base a estas limitaciones, el procedimiento para obtener una temperatura
26
representativa es el siguiente, detallado tambin en [MORA05]:
1. En primer lugar determinamos zonas climticas homogneas. Basndonos en los 47 observatorios de las provincias, identificamos 7 zonas geogrficas con caractersticas comunes.
2. Seleccionamos un observatorio representativo de cada zona climtica, en funcin de su distancia a cada grupo homogneo.
3. Clculo del indicador de temperatura media. Una vez que se han escogido los observatorios representativos, ste valor se obtiene haciendo una media ponderada de los valores de cada observatorio. Los pesos asignados a cada zona se establecen en funcin de la poblacin habitante en cada rea.
Hay que destacar que este anlisis parte de la simplificacin de que estos valores se mantienen constantes en el tiempo. Algo que no es real, ya que es fcil suponer que la poblacin habitante en cada rea ha evolucionado en gran medida a lo largo de los 8 aos de estudio.
Memoria. Modelo Explicativo La situacin descrita previamente queda reflejada en la Tabla 2-2:
27
Zona climtica Z1
Provincias incluidas en cada zona
Peso de la Observatorio zona representativo Madrid
Albacete, Ciudad Real, Lleida, Toledo, Granada, Zaragoza, Madrid
0.232
Z2
Alicante, Castelln, Valencia, Murcia, Almera
0.154
Valencia
Z3
vila, Burgos, Len, Palencia, Soria, lava, Cuenca, Guadalajara, Huesca, Logroo, Navarra, Salamanca,
0.112
Valladolid
Segovia Teruel, Valladolid, Zamora Z4 Badajoz, Crdoba Z5 Lugo, A Corua, Ourense, 0.160 Bilbao Jan, Cceres, Sevilla, 0.110 Sevilla
Pontevedra, Santander, Guipzcoa, Oviedo, Vizcaya Z6 Z7 Girona, Tarragona, Barcelona Cdiz, Huelva, Mlaga 0.157 0.075 Barcelona Mlaga
Tabla 2-2 Zonas climticas y observatorios representativos
Por tanto, la informacin necesaria para el estudio se reduce a las temperaturas diarias a lo largo de nuestro periodo de anlisis (2000-2007) en las 7 ciudades representativas. Una temperatura media diaria es un dato complicado de caracterizar, as que lo que he hecho ha sido recopilar las temperaturas mximas y mnimas diarias en cada observatorio, y calcular el indicador de temperatura media como la media entre esos dos valores. Se trata de una aproximacin muy simple, pero bastante til para el estudio a realizar. Posteriormente, como ya se ha explicado, se hace la
Memoria. Modelo Explicativo media ponderada de esos valores, obtenindose el ndice nacional deseado.
28
La siguiente grfica, Ilustracin 2-5, recoge la evolucin de la temperatura en Espaa durante el periodo de 2000-2007. Se aprecia claramente su periodicidad de carcter anual.
Temperatura media diaria en Espaa 01/01/2000 - 31/12/2007 30
25
20
15
10
0 15/01/00
29/05/01
11/10/02
23/02/04
07/07/05
19/11/06
Ilustracin 2-5 Temperatura media Espaa 2000-2007
2.4 Estimacin del efecto conjunto de tendencia y laboralidad
Aunque el objetivo de este estudio es analizar la respuesta de la demanda a las variaciones de temperatura, la existencia en la demanda de una tendencia y una estacionalidad (adems del efecto de la laboralidad ya
Memoria. Modelo Explicativo explicado) no relacionadas con condiciones climticas genera la necesidad de un tratamiento previo de estas componentes.
29
A pesar de que podran considerarse gran variedad de alternativas adecuadas, en este estudio se cree conveniente representar la tendencia a travs de un polinomio de tercer grado, y esa estacionalidad independiente de la climatologa mediante simplemente una variable binaria que toma el valor de 1 en los das pertenecientes al mes de agosto. Estos elementos, tendencia y estacionalidad no climtica, junto con el efecto de la laboralidad, conforman lo que podemos llamar la
componente determinstica de la demanda, la cual ser eliminada de las series de demanda para el posterior anlisis de la sensibilidad de la temperatura.
Para evaluar estas componentes, lo que hacemos es estimar mediante el mtodo de regresin por mnimos cuadrados ordinarios el siguiente modelo:
Ecuacin 2-1 Expresin general modelo explicativo
Donde Dt es la demanda de electricidad total diaria para cada da del periodo de estudio, t es una variable temporal que modela la tendencia (para nuestro caso t=0.01, 0.02, empezando por un valor bastante pequeo para que t3 no alcance valores excesivamente grandes), Iago es la variable binaria que toma el valor 1 en los das de agosto, WDt es la variable que modela el efecto de la laboralidad que ya se explic detalladamente, y DFt es la componente residual dentro de la cual estar
Memoria. Modelo Explicativo incluido el efecto de la temperatura y otros efectos que desconocemos y que buscamos interpretar.
30
Los coeficientes obtenidos son los siguientes:
0 1 2 3 4 5
-65835,26 2360,39 390,83 -8,86 -39386,48 647885,14
Tabla 2-3 Valores coeficientes modelo explicativo (TEND + LAB)
En la siguiente grfica se representa la demanda real y la suma de las componentes de tendencia y laboralidad:
x 10 9
5
Descomposicin en componentes de tendencia y laboralidad Demanda Real TEND + LAB
7 MW/h 6 5 4 15/01/00 29/05/01 11/10/02 23/02/04 07/07/05 19/11/06
Ilustracin 2-6 Demanda Real vs. Tendencia + Laboralidad
Memoria. Modelo Explicativo 2.5 Estimacin del efecto de la temperatura.
31
El residuo del modelo anterior DFt debe interpretarse como la componente de la demanda con los efectos de tendencia y laboralidad excluidos, y asumimos que contiene dos componentes bsicas: por un lado una determinstica relacionada con el efecto de la temperatura (TEMP), y por otro lado, una componente estocstica que reflejar el efecto de otros fenmenos que por ahora no sabemos explicar (OTROS).
Antes de modelar el tratamiento de este residuo para extraer el efecto de la temperatura sobre la demanda, se va a ilustrar la relacin que existe entre la variable residuo y la temperatura media ponderada explicada anteriormente.
x 10
Relacin entre el residuo obtenido del modelo y la temperatura media
1.5
0.5 MW/h 0 -0.5 -1

15.67 C 19.08 C
-1.5 0
10
15 20 Temperatura media (C)
25
30
Ilustracin 2-7 Correlacin entre residuo del modelo y la temperatura
32
Esta grfica muestra el efecto de la temperatura en la demanda corregida por temperatura y laboralidad. Como podemos apreciar, la relacin entre temperatura y demanda corregida presenta tres tramos claramente diferenciados:
Por debajo de Th1=15.67C se aprecia una fuerte pendiente negativa (calefaccin) Entre Th1=15.67C y Th2=19.08C la relacin es prcticamente plana. Por encima de Th2=19.08C la pendiente es claramente positiva (refrigeracin).
Para modelar este efecto se ha utilizado un modelo de regresin por umbrales, que viene dado por la siguiente expresin:
Ecuacin 2-2 Expresin para modelar efecto temperatura a partir del residuo
Como se puede apreciar en la expresin, en cada tramo generamos tambin variables que son los retardos de temperatura. Nos parece bastante intuitivo pensar que las temperaturas de los das anteriores influirn en la demanda del da presente. Se llega al acuerdo de que por
Memoria. Modelo Explicativo un lado se implementar el modelo para Kmax=0, es decir, sin aplicar retardos; y para poder comparar con otra estrategia, se desarrollar tambin el proceso con kmax=6, es decir, teniendo en cuenta la temperatura de los seis das anteriores. Veremos si esta medida ha sido adecuada en funcin de los resultados.
33
Dicho sto, el modelo ser implementado y calculados sus coeficientes, por un lado sin tomar retardos de temperatura, y por otro lado con ellos.
3 Resultados
Como ya se ha aclarado antes, este modelo es un modelo explicativo, y por tanto pretende explicar y cuantificar los factores que determinan la demanda de electricidad.
A partir de l, podemos llegar a una descomposicin de la demanda en los siguientes trminos: tendencia, laboralidad, temperatura y un resto:
Ecuacin 2-3 Expresin global factores de la demanda
Si aplicamos esta descomposicin al incremento porcentual de la demanda anual de un ao respecto de otro (pongamos 2007 frente a 2006), obtenemos la siguiente expresin:
34
Ecuacin 2-4 Expresin incremento porcentual de demanda desagregado
Teniendo en cuenta esta formulacin, podemos representar los resultados obtenidos a travs de las siguientes tablas:
Caso 1) Modelando la temperatura con kmax=0
2000(MW/h) DEM. TEND OTROS LAB TEMP 196277314 -21909057,61 -933145,0387 219419748 -300231,3664 2001(MW/h) DEM. TEND OTROS LAB TEMP 206632424 -15436159,28 2964246,253 218895962,3 208374,6852 2002(MW/h) DEMANDA TEND OTROS LAB TEMP 210518294 -6646995,121 417855,1016 218892556,5 -2145122,455
2001(MW/h) 206632424 -15436159,28 2964246,253 218895962,3 208374,6852 2002(MW/h) 210518294 -6646995,121 417855,1016 218892556,5 -2145122,455 2003(MW/h) 222981321 3580859,418 -1662266,834 219000836,7 2061891,678
Crecimiento (% 2001 respecto 2000) 5,276% 3,298% 1,986% -0,267% 0,259% Crecimiento (% 2002 respecto 2001) 1,881% 4,254% -1,232% -0,002% -1,139% Crecimiento (% 2003 respecto 2002) 5,920% 4,858% -0,988% 0,051% 1,998%

2003(MW/h) DEMANDA TEND OTROS LAB TEMP 222981321 3580859,418 -1662266,834 219000836,7 2061891,678 2004(MW/h) DEMANDA TEND OTROS LAB TEMP 232925408 14357740,62 -2911245,867 219496126,3 1982786,918 2005(MW/h) DEMANDA TEND OTROS LAB TEMP 247469616 24605761,59 1178124,475 218800068,4 2885661,555 2006(MW/h) DEMANDA TEND OTROS LAB TEMP 253190002,9 33484256,64 -202764,689 218879241,4 1029269,503 2004(MW/h) 232925408 14357740,62 -2911245,867 219496126,3 1982786,918 2005(MW/h) 247469616 24605761,59 1178124,475 218800068,4 2885661,555 2006(MW/h) 253190002,9 33484256,64 -202764,689 218879241,4 1029269,503 2007(MW/h) 260755484,3 40025309,09 2172485,756 218895962,3 -338272,8966 Crecimiento (% 2004 respecto 2003) 4,460% 4,833% -0,560% 0,222% -0,035% Crecimiento (% 2005 respecto 2004) 6,244% 4,400% 1,756% -0,299% 0,388% Crecimiento (% 2006 respecto 2005) 2,312% 3,588% -0,558% 0,032% -0,750% Crecimiento (% 2007 respecto 2006) 2,988% 2,583% 0,938% 0,007% -0,540%
35
Tabla 2-4 Descomposicin interanual con efecto temperatura sin retardos
Memoria. Modelo Explicativo Caso 2) Modelando la temperatura con kmax=6:
36
2000(MW/h) DEMANDA TEND OTROSret LAB TEMPret 196277314 -21909057,61 -931576,4837 219419748 -301799,9215 2001(MW/h) DEMANDA TEND OTROSret LAB TEMPret 206632424 -15436159,28 2776781,259 218895962,3 395839,6787 2002(MW/h) DEMANDA TEND OTROSret LAB TEMPret 210518294 -6646995,121 323621,5523 218892556,5 -2050888,906 2003(MW/h) DEMANDA TEND OTROSret LAB TEMPret 222981321 3580859,418 -1117299,958 219000836,7 1516924,802 2004(MW/h) DEMANDA TEND OTROSret LAB TEMPret 232925408 14357740,62 -2931068,411 219496126,3 2002609,462
2001(MW/h) 206632424 -15436159,28 2776781,259 218895962,3 395839,6787 2002(MW/h) 210518294 -6646995,121 323621,5523 218892556,5 -2050888,906 2003(MW/h) 222981321 3580859,418 -1117299,958 219000836,7 1516924,802 2004(MW/h) 232925408 14357740,62 -2931068,411 219496126,3 2002609,462 2005(MW/h) 247469616 24605761,59 793680,8208 218800068,4 3270105,209
Crecimiento. (% 2001 respecto 2000) 5,276% 3,298% 1,889% -0,267% 0,355% Crecimiento (% 2002 respecto 2001) 1,881% 4,254% -1,187% -0,002% -1,184% Crecimiento (% 2003 respecto 2002) 5,920% 4,858% -0,684% 0,051% 1,695% Crecimiento (% 2004 respecto 2003) 4,460% 4,833% -0,813% 0,222% 0,218% Crecimiento (% 2005 respecto 2004) 6,244% 4,400% 1,599% -0,299% 0,544%

2005(MW/h) DEMANDA TEND OTROSret LAB TEMPret 247469616 24605761,59 793680,8208 218800068,4 3270105,209 2006(MW/h) DEMANDA TEND OTROSret LAB TEMPret 253190002,9 33484256,64 -137939,3547 218879241,4 964444,1689 2006(MW/h) 253190002,9 33484256,64 -137939,3547 218879241,4 964444,1689 2007(MW/h) 260755484,3 40025309,09 2008657,595 218895962,3 -174444,7354 Crecimiento (% 2006 respecto 2005) 2,312% 3,588% -0,376% 0,032% -0,932% Crecimiento (% 2007 respecto 2006) 2,988% 2,583% 0,848% 0,007% -0,450%
37
Tabla 2-5 Descomposicin interanual con efecto temperatura con retardos
Echando un vistazo a los valores obtenidos, vemos que los pesos de los distintos factores pueden diferir en mayor o menor medida, pero cualitativamente no podemos sacar conclusiones claras sobre qu manera de modelar es mejor (con retardos de temperatura o sin ellos). Sin duda, cabe esperar que con los retardos el modelo sea mejor, pero para demostrarlo analticamente, se calcularn dos parmetros de error.
La notacin empleada ser la siguiente: : Es la demanda real para el da i. : Es la demanda estimada, fruto de la expresin TENDt + LABt + TEMPt
Por un lado el MAPE (Mean absolute percentage error), es una estimacin del error porcentual que nuestro modelo comete estimando un valor de la demanda respecto al valor de la demanda real:
38
Ecuacin 2-5 Expresin desarrollada del ratio de error MAPE
Por otro lado el RMSE (Root mean squared error), conocido como error estndar, y es la raz cuadrada de la suma de varianzas.
Ecuacin 2-6 Expresin desarrollada del error absoluto RMSE
Estos parmetros pueden ser calculados para el periodo de tiempo que se considere. Lo que se hars es obtener los valores interanuales, y luego comparar los resultados entre las dos variantes ya explicadas:
Opcin 1) kmax=0
TOTAL 2000 2001 2002 2003 2004 2005 2006 2007
MAPE RMSE 2,905% 23060,56 2,93% 19546,16 3,25% 22812,64 2,64% 20844,31 2,94% 22381,91 3,35% 25869,68 2,80% 24559,74 2,44% 20833,20 2,89% 26645,88
Tabla 2-6 Errores anuales calculados sin retardos
Memoria. Modelo Explicativo Opcin 2) kmax=6
39
TOTAL 2000 2001 2002 2003 2004 2005 2006 2007
MAPE RMSE 2,663% 20829,93 2,80% 18566,46 2,93% 20443,22 2,44% 18819,24 2,55% 19548,97 3,09% 23598,49 2,51% 20939,20 2,30% 19661,26 2,68% 24292,54
Tabla 2-7 Errores anuales calculados con retardos
Como
era
de
esperar,
el
modelo
utilizando
retardos
mejora
significativamente el error cometido. Por otro lado, cabe decir que todo modelo que emplea un mayor nmero de variables (como es el caso de aadir retardos) es factible de tener mejores resultados.
A continuacin, se presentan los datos anteriores a travs de un grfica comparativa:

4,0% 3,5% 3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% 2000 2001 2002 2003 2004 2005 2006 2007 MAPE con kmax=0 MAPE con kmax=6
Ilustracin 2-8 Evolucin del MAPE comparativa dos variantes del modelo explicativo
40
4 Ajuste del modelo con regresin lineal paso a paso
Se ha pensado que la resolucin del modelo podra mejorarse utilizando un procedimiento de seleccin de variables mediante el software SPSS, programa que ofrece muy buenas posibilidades para el manejo de grandes volmenes de informacin y permite realizar con precisin anlisis estadsticos.
En muchas situaciones se dispone de un conjunto grande de posibles variables regresoras, una primera pregunta es saber si todas las variables deben de entrar en el modelo de regresin y, en caso negativo, se quiere saber qu variables deben entrar y qu variables no deben entrar en el modelo de regresin.
Para responder a estas preguntas se dispone de diferentes procedimientos estadsticos. Bajo la hiptesis de que la relacin entre las variables regresoras y la variable respuesta es lineal existen procedimientos paso a paso (o stepwise) que permiten elegir el subconjunto de variables regresoras que deben estar en el modelo.
Los distintos procedimientos para seleccionar las variables regresoras que deben entrar en el modelo son los siguientes: (Fuente: [UDC_07])
Eliminacin progresiva (Backward Stepwise Regression). Este procedimiento parte del modelo de regresin con todas las variables regresoras y en cada etapa se elimina la variable menos influyente segn
Memoria. Modelo Explicativo el contraste individual de la t (o de la F) hasta una cierta regla de parada. El procedimiento de eliminacin progresiva tiene los inconvenientes de necesitar mucha capacidad de clculo si k es grande y llevar a problemas de multicolinealidad si las variables estn relacionadas. Tiene la ventaja de no eliminar variables significativas.
41
Introduccin progresiva (Fordward Stepwise Regression). Este algoritmo funciona de forma inversa que el anterior, parte del modelo sin ninguna variable regresora y en cada etapa se introduce la ms significativa hasta una cierta regla de parada. El procedimiento de introduccin progresiva tiene la ventaja respecto al anterior de necesitar menos clculo, pero presenta dos graves inconvenientes, el primero, que pueden aparecer errores de
especificacin porque las variables introducidas permanecen en el modelo aunque el algoritmo en pasos sucesivos introduzca nuevas variables que aportan la informacin de las primeras. Este algoritmo tambin falla si el contraste conjunto es significativo pero los individuales no lo son, ya que no introduce variables regresoras. Regresin paso a paso (Stepwise Regression). Este mtodo es una combinacin de los procedimientos anteriores, comienza como el de introduccin progresiva, pero en cada etapa se plantea si todas las variables introducidas deben de permanecer. Termina el algoritmo cuando ninguna variable entra o sale del modelo.
El algoritmo es el siguiente: Paso 1. Se elige un criterio de entrada, tIN y un criterio de salida, tOUT. Un criterio de entrada es un valor tIN de una variable con distribucin t
Memoria. Modelo Explicativo tal que el intervalo es la regin de aceptacin de que una
42
variable regresora no es significativa. Anlogamente un criterio de salida es un valor de una variable tOUT con distribucin t tal que el intervalo es la regin de aceptacin de que la variable
regresora no es significativa (no entra en el modelo). Se calculan los coeficientes de correlacin lineal simple r , i = 1,...,k.
Supongamos que el mayor de ellos corresponde a la variable xk, que ser la candidata a entrar en el modelo. Paso 2. Se obtiene la regresin de Y sobre xk y se calcula el estadstico para el coeficiente
k k
(Es equivalente hacerlo con los contrastes individuales de la F, que es lo que hacen la mayora de los programas estadsticos, entonces el criterio de salida viene dado por un nmero FOUT y la regin de aceptacin es , y el criterio de entrada sera un nmero FIN.) Paso 3. El valor - si
k
se compara con el valor tIN elegido, de forma que:
> tIN, entonces la variable xk es significativa y se introduce en el
modelo. Ir al Paso 4. - si < tIN, se acepta que la variable xk no es significativa y no se
introduce en el modelo. Se termina el algoritmo. Paso 4. Una vez introducido xk en el modelo se calculan las correlaciones parciales (eliminando la influencia de xk): rY,i.k, i = 1,...,k - 1. Se calcula la correlacin parcial mayor que supongamos que es la correspondiente a la variable xk-1 : rY,k-1.k, Paso 5. Se calcula el modelo de regresin de Y respecto a xk y xk-1. Se calculan los estadsticos Paso 6. Se compara
k-1 k-1
k.
con tIN .
Memoria. Modelo Explicativo - si > tIN, entonces la variable xk-1 es significativa y se introduce en el
43
modelo. Ir al Paso 7. - si < tIN, se acepta que la variable xk-1 no es significativa y no se
introduce en el modelo. Se termina el algoritmo. Paso 7. Se decide si la variable xk debe permanecer en el modelo. Para ello se compara - si
k
con tOUT.
< tOUT, se acepta que la variable xk no es significativa y se elimina
del modelo. Se vuelve al Paso 4, con xk-1 como variable regresora. Contina el proceso. - si > tOUT, entonces la variable xk es significativa. Se vuelve al Paso 4,
con xk-1 y xk como variables regresoras. Contina el proceso.
Este ltimo procedimiento, el de Regresin paso a paso es el que aplicaremos a nuestro modelo con retardos, y cuyas variables regresoras sern todas las siguientes:
t, t2, t3
modelando la tendencia modelando la laboralidad explican el
WD y Iago
CteT1, T1, T1_R1, T1_R2, T1_R3, T1_R4, T1_R5, T1_R6
primer tramo del modelo de regresin por umbrales que utilizamos para las temperaturas, con su constante, el valor de la temperatura en el tramo 1 y sus primeros seis retardos CteT2, T2, T2_R1, T2_R2, T2_R3, T2_R4, T2_R5, T2_R6 explican el
segundo tramo del modelo de regresin por umbrales que utilizamos para las temperaturas, con su constante, el valor de la temperatura en el tramo 2 y sus primeros seis retardos
Memoria. Modelo Explicativo CteT3, T3, T3_R1, T3_R2, T3_R3, T3_R4, T3_R5, T3_R6 explican el
44
primer tramo del modelo de regresin por umbrales que utilizamos para las temperaturas, con su constante, el valor de la temperatura en el tramo 1 y sus primeros seis retardos
Introduciendo todas estas variables de entrada, y como variable de salida, la demanda diaria, obtenemos los siguientes resultados:
Variables TIEMPO TIEMPO2 TIEMPO3 WD Iago CteT1 CteT2 CteT3 T1 T1_R2 T1_R6 T2_R2 T2_R6 T3 T3_R2 T3_R5 T3_R6
Coeficientes 4942,14 134,36 -2,43 677749,48 -45510,55 85304,37 -43209,29 -293769,04 -8178,75 -3300,76 -3590,03 -2827,37 -3288,49 12671,49 -2022,30 298,15 -2591,48
Tabla 2-8 Variables incluidas en el proceso stepwise y sus coeficientes
En la Tabla 2-8 podemos observar las variables regresoras que deben ser incluidas en el modelo junto con sus respectivos coeficientes. El resto de variables deben ser excluidas del modelo.
Memoria. Modelo Explicativo Una vez conocidos estos resultados, lo conveniente sera volver a implementar el modelo, y obtener de nuevo el error cometido, de la misma forma que se ha explicado en el apartado anterior.
45
Estos son los resultados:
MAPE TOTAL 2,63% 2000 2001 2002 2003 2004 2005 2006 2007 2,98% 2,92% 2,54% 2,60% 2,88% 2,45% 2,11% 2,56%
RMSE 20484,18 19179,41 20441,72 19439,23 19890,69 22251,57 20884,49 18508,64 22883,35
Tabla 2-9 Errores obtenidos con regresin stepwise
Como era nuestro objetivo inicial, a travs de esta operacin hemos conseguido mejorar el modelo. En teora el MAPE, error porcentual, no debera haberse reducido, puesto que aunque estamos optimizando la resolucin, el nmero de variables empleadas es menor (aunque sean las adecuadas), y eso siempre penaliza el error cometido. Por tanto, creemos que esta disminucin se debe a que la regresin con Matlab (es la que se ha utilizado antes) utiliza un algoritmo robusto, lo que conlleva resultados diferentes a la resolucin con el algoritmo que emplea la herramienta SPSS.
46
5 Otros resultados, distintos modelos y mejoras.
5.1 Resultados parciales clculo de error mensual
Otro resultado obtenido con este primer modelo ha sido el clculo del MAPE mensual, que no se ha reflejado antes pero cuyo anlisis puede ser interesante de cara a revelar diferencias significativas entre unos meses y otros.
Se ha calculado para las dos situaciones en que se ha modelado el efecto de la temperatura, por un lado sin aplicar retardos, es decir, sin tener en cuenta la influencia que la temperatura de das pasados puede tener sobre la demanda presente, y por el otro, teniendo en cuenta este efecto, sobre el cual hemos demostrado su valor, pues disminuye el error cometido.
Hay que recordar que se aplicaban seis retardos como criterio establecido, si bien hace un momento hemos demostrado la forma ptima de resolver esta situacin (Aplicando la regresin lineal paso a paso). Sin embargo en esta seccin slo se reflejan las dos situaciones iniciales.
A continuacin se presenta en una tabla el error mensual cometido en la prediccin de demanda para ambas situaciones:
Memoria. Modelo Explicativo 1) Con kmax=0:
47
MAPE
ENE
FEB
MAR ABR MAY
JUN
JUL
AGO
SEP
OCT NOV
DIC
2000 3,65% 2,40% 3,06% 3,45% 2,47% 2,53% 2,28% 3,69% 2,64% 2,49% 3,64% 2,79% 2001 2,90% 3,50% 3,81% 2,94% 2,82% 4,50% 3,86% 3,42% 2,59% 3,03% 3,09% 2,55% 2002 5,21% 1,93% 2,50% 2,28% 3,02% 1,87% 1,78% 4,26% 2,06% 0,78% 2,20% 3,61% 2003 4,46% 2,90% 3,53% 5,15% 2,55% 1,94% 1,90% 2,47% 3,21% 2,06% 2,36% 2,78% 2004 3,46% 2,77% 3,67% 4,45% 3,75% 1,80% 2,60% 4,17% 2,56% 3,46% 3,69% 3,70% 2005 4,15% 3,42% 2,97% 2,15% 1,78% 1,90% 2,90% 2,95% 2,65% 2,61% 2,85% 3,22% 2006 2,24% 1,57% 2,09% 3,11% 2,03% 2,08% 3,07% 3,63% 1,95% 1,96% 2,59% 2,91% 2007 4,69% 4,16% 2,23% 2,32% 2,20% 1,77% 2,80% 3,74% 2,39% 1,92% 2,76% 3,80% Tabla 2-10 Clculo MAPE mensual sin aplicar retardos
2) Con kmax=6:
MAPE
ENE
FEB
MAR ABR MAY
JUN
JUL
AGO
SEP
OCT NOV
DIC
2000 4,13% 1,87% 2,32% 2,75% 2,41% 2,58% 2,74% 4,24% 2,61% 2,97% 2,45% 2,47% 2001 1,83% 2,85% 2,74% 2,49% 2,55% 3,93% 3,55% 3,87% 2,71% 3,58% 2,51% 2,60% 2002 4,23% 1,68% 1,36% 2,06% 2,92% 1,78% 1,85% 4,82% 2,92% 1,23% 1,70% 2,60% 2003 3,27% 1,59% 2,86% 4,53% 1,73% 2,39% 2,22% 2,35% 3,67% 1,54% 2,20% 2,25% 2004 2,31% 2,55% 2,73% 4,22% 3,20% 2,29% 3,15% 4,16% 2,89% 3,12% 3,02% 3,37% 2005 3,94% 2,46% 1,66% 1,75% 1,82% 1,93% 3,09% 3,10% 3,20% 2,76% 1,80% 2,53% 2006 1,82% 1,29% 1,37% 2,43% 1,84% 2,22% 3,39% 4,10% 2,31% 2,29% 1,91% 2,47% 2007 4,48% 2,97% 1,77% 1,95% 2,01% 1,87% 2,79% 4,11% 2,65% 1,90% 2,38% 3,21% Tabla 2-11 Clculo MAPE mensual aplicando retardos
Se observa claramente en primera instancia, como ya se haba comentado cuando hablbamos de valores anuales, como la segunda tcnica de prediccin es mejor, es decir se demuestra la idea de que los valores pasados de temperatura influyen en la demanda presenta ya que generan una cierta inercia en el consumidor.
Memoria. Modelo Explicativo Esta mejora se debe tambin al empleo de un mayor nmero de variables explicativas, lo cual ya hace mejorar la prediccin, aunque creemos que ambos hechos confluyen.
48
Por otro lado analizando los datos mes a mes, podemos ver cmo el error cometido no se comporta de la misma forma. La siguiente grfica muestra la media del error cometido por mes con el segundo modelo (si bien ambos modelos se comportan correlativamente, y por tanto basta analizar uno de ellos):
Ilustracin 2-9 Evolucin MAPE medio mes a mes
Se ve cmo el error cometido es mayor en los meses crticos en cuanto a efecto de temperatura, es decir los que presentan mximas y mnimas (DIC-ENE; JUL-AGO-SEPT), y tambin en un mes crtico en cuanto a laboralidad (ABR Semana Santa). Hay que aadir, no obstante, que
para analizar este grfico se ha de tener en cuenta que el MAPE es un error porcentual y por tanto depender del valor absoluto de la variable estimada. Esta aclaracin es muy importante, ya que se sabe que en el mes
Memoria. Modelo Explicativo de agosto la demanda es la ms baja, y por tanto el error porcentual es lgico que sea el mayor. Esto rebajara un poco ese pico tan acentuado, pero slo ligeramente.
49
Este anlisis demuestra la importancia del efecto de la temperatura y el calendario en la prediccin de demanda eje central del presente documento- , y por tanto nuestros esfuerzos deben centrarse ah, en mejorar las tcnicas para modelar estos dos efectos.
5.2 Modelado en distintos periodos (efecto de temperatura)
Se ha planteado tambin que una opcin a valorar sera implementar el modelo en periodos ms pequeos de nuestro conjunto de estudio para ver qu sucede.
Esta curiosidad se debe al pensamiento de que es posible que dentro del periodo total de estudio (2000-2007), se hayan producido algunos comportamientos distintos debidos a circunstancias externas.
Una de ellas es valorar la posibilidad de que en el comienzo de nuestro periodo (por ejemplo para 2000-2001), la existencia de equipos de refrigeracin en verano o de calefaccin en invierno fuera ms limitada que en aos ms recientes (2006-2007), donde su uso ya est mucho ms extendido. Tambin es posible que los aparatos de calefaccin en los primeros aos fueran menos eficientes y consumieran ms. Esto provocara que dentro del mismo estudio, tengamos fechas donde una
Memoria. Modelo Explicativo misma temperatura provoca que la demanda de electricidad se comporte de distinta manera, segn existan ms o menos aparatos de climatizacin.
50
Por tanto, se va a modelar por separado, para estos dos periodos mucho ms reducidos. Se utilizarn las mismas variables, para explicar tendencia, laboralidad, y temperatura.
5.2.1 Estudio para el periodo 2000-2001
La tendencia y la laboralidad se modelan de la misma manera que se ha hecho con el modelo global, y luego aplicamos la Ecuacin 2-1:
Es imprescindible comentar que los valores de WD no se recalculan para este periodo, puesto que esta variable la consideramos ms valiosa y ms real cuando se ha calculado para un periodo amplio de estudio (en este caso 8 aos). A continuacin, obtenemos el residuo correspondiente, y lo representamos en funcin de la temperatura para aplicar el modelo de umbrales al efecto de la temperatura.

x 10
5
51
1.5
0.5 MW/h 0
X: 13.69 Y: -1.642e+004
-0.5
X: 18.19 Y: -3.344e+004
-1
10 15 20 Temperatura media (C)
25
30
Ilustracin 2-10 Residuo frente a Temperatura (2000-2001)
Vemos en la Ilustracin 2-10, que para este periodo, las temperaturas umbral sern Th1=13.69C y Th2=18.19C (Esa ligera discontinuidad en el primer tramo la despreciamos, ya que se debe a outliers).
Por tanto ya tenemos todas nuestras variables del modelo, como antes: t, t2, t3, WDt, Iago, CteT1, CteT2, Cte T3, T1, T2, y T3 (y todos los retardos de cada tramo).
Ahora aplicamos la resolucin ptima, que es empleando la regresin lineal stepwise, que nos selecciona las variables que deben estar en el modelo y las que no.
52
Tras realizar la simulacin con la herramienta SPSS, los resultados nos indican que las variables que deben excluirse son: t, T1_R1, T1_R3, T1_R4, T1_R5, T2_R1, T2_R3, T2_R5, T3_R1, T3_R3, T3_R4, T3_R5
Por tanto realizamos la regresin lineal con el resto de las variables calculadas, y obtenemos los siguientes resultados.
MAPE 2000 2001 1,96% 2,21%
RMSE 13540,24 16511,74
Tabla 2-12 Clculo MAPE periodo estudio 2000-2001
Comparando estos resultados con los del modelo general para todo el conjunto, se observa que el error cometido ha disminuido ostensiblemente (de 2.98% a 1.96% para el ao 2000, y de 2.92% a 2.21% para el 2001). Es obvio este resultado, ya que en este modelo reducido el efecto de la temperatura se ajusta exclusivamente a su comportamiento en estos dos aos.
A continuacin se adjuntan en la Tabla 2-13 las variables incluidas en el modelo, junto con sus respectivos coeficientes.

Variables TIEMPO2 TIEMPO3 WD Iago CteT1 CteT2 CteT3 T1 T1_R2 T1_R6 T2 T2_R2 T2_R4 T2_R6 T3 T3_R2 T3_R6 Coeficientes 3157,26 -329,97 -33207,92 592066,79 122518,57 75123,27 -99096,15 -5958,67 -3132,21 -2699,38 -2795,03 -2730,76 -383,62 -2581,24 6675,24 -1927,63 -1558,80
53
Tabla 2-13 Tabla variables y coeficientes modelo 2000-2001
5.2.2 Estudio para el periodo 2006-2007
La tendencia y la laboralidad se modelan de la misma manera que se ha hecho con el modelo global, con las particularidades reseadas previamente, y luego aplicamos la Ecuacin 2-1:
Memoria. Modelo Explicativo Obtenemos el residuo correspondiente en funcin de la temperatura para aplicar el modelo de umbrales al efecto de la temperatura.
54
1.5
x 10
0.5 MW/h 0 -0.5

X: 15.03 Y: -5.045e+004
X: 20.91 Y: -3.899e+004
-1
25
30
Ilustracin 2-11 Residuo frente a Temperatura (2006-2007)
Para este periodo, las temperaturas umbral sern Th1=15.03C y Th2=20.91C (Aqu de nuevo el modelo genera otra bisagra en el primer tramo, que despreciaremos).
Por tanto ya tenemos todas nuestras variables del modelo, como antes: t, t2, t3, WDt, Iago, CteT1, CteT2, CteT3, T1, T2, T3 (y todos los retardos de cada tramo).
Memoria. Modelo Explicativo Ahora aplicamos la resolucin ptima, que es empleando la regresin lineal stepwise, que nos selecciona las variables que deben estar en el modelo y las que no.
55
Tras realizar la simulacin con la herramienta SPSS, los resultados nos indican que las variables que deben excluirse son: CteT2, T1_R1, T1_R2, T1_R3, T1_R5, T1_R6, T2, T2_R1, T2_R2, T2_R3, T2_R5, T2_R6, T3_R1, T3_R2, T3_R5, T3_R6.
Por tanto realizamos la regresin con todo el resto de variables calculadas, y obtenemos los siguientes resultados.
MAPE 2006 2007 1,81% 2,18%
RMSE 15870,54 19782,73
Tabla 2-14 Clculo MAPE periodo estudio 2006-2007
Respecto al resultado ptimo del modelo global se ha mejorado el error de 2006 (1.81% frente a 2.11%), y tambin ha sucedido lo mismo para el error de 2007 (2.25% frente a 2.56%). La mejora, aunque significativa, es menor ahora que para el periodo inicial, lo que puede significar que el comportamiento global de la temperatura se ajusta ms al que acontece en este ltimo intervalo, que al que presentan los dos primeros aos.
A continuacin se adjuntan tambin las variables incluidas en el modelo, junto con sus respectivos coeficientes.

Variables TIEMPO TIEMPO2 TIEMPO3 WD Iago CteT1 CteT3 T1 T1_R4 T2_R4 T3 T3_R3 T3_R4 Coeficientes 20246,61 -3405,34 242,58 -44304,36 757638,31 176060,31 -314894,03 -12059,68 -5143,07 -4865,07 15450,57 547,05 -4121,21
56
Tabla 2-15 Tabla variables y coeficientes modelo 2006-2007
5.2.3 Conclusiones
Como conclusin, nos vamos a centrar ms en estudiar las grficas del residuo frente a la temperatura, que en analizar la mejora del error cometido con las predicciones parciales. Es obvio el hecho de que las temperaturas no afectan del mismo modo a la demanda en ambos periodos de tiempo. Esto se aprecia claramente en la diferente forma que presentan dichas grficas.
Comparando ambas, lo primero que se debe sealar es que las temperaturas umbral son diferentes, en el primer periodo son ms bajas ambas. Podramos pensar en primera instancia que quiz esto se deba a que las temperaturas medias en Espaa han aumentado algo en los
Memoria. Modelo Explicativo ltimos aos. Pero observando la Grfica 2.5 este hecho no se aprecia claramente.
57
Por otro lado, algo que s llama claramente la atencin es que las pendientes, tanto en la parte de bajas temperaturas (tramo 1), como en el de altas (tramo 3), son significativamente mayores en el segundo periodo (2006-2007). Aqu s se aprecia el efecto buscado, pues eso se explica intuitivamente por la proliferacin de aparatos de climatizacin en los aos ms recientes, que hacen que la demanda sea mayor (mayor consumo), cuando las temperaturas son ms extremas.
El otro efecto que podamos discutir, la menor eficiencia de los aparatos de calefaccin en los primeros aos, es difcil de apreciar, pues es probable que quede solapado por el efecto anterior.
5.2.4 Qu sucede en el resto del periodo?
Para completar este estudio desagregado en varios periodos intermedios, se van a obtener tambin las grficas del comportamiento de la temperatura frente al residuo para los aos no analizados (2002 a 2005).
Para observar mejor esta descomposicin se mostrar una secuencia de las citadas grficas, agrupadas en bienios, en la Ilustracin 2-12:
Como ya se ha comentado en el apartado anterior, el principal efecto que podemos observar es la creciente acentuacin de las pendientes en los tramos primero y ltimo, lo que indica que a medida que pasan los aos,
Memoria. Modelo Explicativo las temperaturas fras y clidas provocan una mayor demanda de energa elctrica en nuestro pas.
58
1.5
x 10
2000-2001
0.5 MW/h 0
X: 13.69 Y: -1.642e+004
-0.5
X: 18.19 Y: -3.344e+004
-1
25
30
1.5
x 10
2002-2003
0.5 MW/h 0
X: 20.84 Y: -1.935e+004
-0.5
X: 17.03 Y: -4.561e+004
-1
25
30

x 10
5
59
2004-2005
1.5
MW/h
0.5
-0.5
X: 15.67 Y: -5.191e+004 X: 18.41 Y: -6.189e+004
-1
25
30
1.5
x 10
2006-2007
0.5 MW/h 0 -0.5

X: 15.03 Y: -5.045e+004
X: 20.91 Y: -3.899e+004
-1
25
30
Ilustracin 2-12 Evolucin grficas Residuo vs. Temperatura
Memoria. Modelo Explicativo 5.3 Modelado de la laboralidad con variables de intervencin
60
En este apartado se va a tratar otra manera de modelar el efecto de la la laboralidad. Este proceso es explicado y utilizado en el siguiente documento: [CANC91].
Debe aclararse en primer lugar que de este estudio slo tomaremos la manera de desglosar el efecto de la laboralidad, para luego implementarlo en nuestro modelo inicial.
El proceso consiste en modelar el efecto de la laboralidad, no en una variable nica (como antes con WD), sino en una sucesin de mltiples variables, que tomarn valores entre 0 y 1, y que intentarn explicar el comportamiento del calendario laboral en Espaa. Debemos destacar que este apartado aparece aqu como una alternativa a modelar la laboralidad , si bien los resultados luego obtenidos no han sido nada buenos, demostrando el gran valor de la variable WD desarrollada anteriormente como variable explicativa global del efecto de la laboralidad en la prediccin de demanda de electricidad.
A continuacin se detallan y se explican cada una de las variables construidas, las cuales estn divididas en 3 grupos:
1-. Vacaciones de carcter general:
Se refiere a las diversas fiestas, tanto nacionales como regionales o locales, que tienen cierto peso, en el conjunto del pas, y que no son particularmente especiales (esto se aclarar en el segundo grupo).
61
Tendremos en cuenta las siguientes: 28 de Febrero, 19 de Marzo, 23 de Abril, 2 de Mayo, 9 de Junio, 24 de Junio, 25 de Julio, 8 de Septiembre, 11 de Septiembre, 9 de Octubre, 12 de Octubre, 1 de Noviembre, 6 de Diciembre y 8 de Diciembre.
Se crearn 6 variables en funcin del da de la semana en que acontezca la fiesta {MON, TUE, WED, THU, FRI, SAT}, y que tomarn el siguiente valor en el da sealado (tomaremos como ejemplo la variable MON): 1: Si t es lunes y festivo en toda Espaa. x: Si t es lunes y fiesta en parte del territorio espaol. Ese valor x se calcular como:
0: Cualquier otro caso
2-. Vacaciones de carcter especial:
Son tres fiestas que deberan pertenecer al grupo anterior, pero que se tratan por separado debido a que presentan ciertas particularidades. Son el 6 de Enero, el 1 de Mayo (suele ser la primera fiesta nacional del ao con buen tiempo y mucha gente viaja, su efecto es muy alto), y el 15 de Agosto (al ser agosto el mes con menos demanda, su efecto ser bajo).
Se disean de la misma manera que las anteriores, pero ahora slo tomarn valor 1 0. Por tanto, las variables a calcular sern: - JAN6MON, JAN6TUE,.., JAN6SAT - MAY1MON, MAY1TUE, , MAY1SAT, MAY1SUN
Memoria. Modelo Explicativo - AUG15MON, AUG15TUE, , AUG15SAT.
62
3-. Periodos vacacionales:
Aqu se distinguen 3 subgrupos:
a) Semana Santa (Easter). Se crearn 9 variables, los 7 das de la Santa Santa, ms el lunes y martes de Pascua: {EASMON1, EASTUE1, EASWED, EASTHU, EASFRI, EASSAT,EASSUN, EASMON2, EASTUE2}
El viernes, sbado y domingo son festivos en toda Espaa, pero el jueves y el lunes de Pascua dependern del ao y de las comunidades Autnomas. Por tanto, todas las variables sern binarias excepto EASTHU y EASMON2, cuyo valor ser: x: representar el peso porcentual del rea geogrfica donde s es fiesta ese ao 0: si no es ese da.
b) Agosto.
Aqu la demanda experimenta dos tipos de modificaciones: Hay un descenso general en el nivel de todos los das Las desviaciones de la demanda diaria respecto a la semanal son ms pequeas (cambia el patrn de estacionalidad semanal).
Memoria. Modelo Explicativo Aclaramos que en funcin del ao, agosto se dividir en 4 5 semanas en funcin de cmo caiga el 1 de Agosto. Por ejemplo, si el 1 de Agosto es sbado y por tanto el 30 domingo, slo consideramos cuatro semanas; pero si el 1 de Agosto cae en jueves, esa primera semana la denominaremos zero week y contabilizaremos cinco semanas. Adems las das a modelar sern los lunes, martes, sbados, y domingos.
63
Por tanto, las variables que debemos elaborar sern notadas de la siguiente forma: {AUG0MON, AUG0TUE, AUG0SAT, AUG0SUN; AUG1MON, AUG1TUE, AUG1SAT, AUG1SUN; AUG2MON, AUG2TUE, AUG2SAT, AUG2SUN; AUG3MON, AUG3TUE, AUG3SAT, AUG3SUN; AUG4MON, AUG4TUE, AUG4SAT, AUG4SUN} Como es obvio sern variables binarias, que tomarn valor 1el da que se cumplan esas condiciones.
c) Navidades.
Se modelan dos efectos: 1) El descenso general de la demanda se modela con una variable binaria notada XMAS, que tomar el valor 1 entre los das 24 de Diciembre y 2 de Enero.
2) Un efecto especfico en dos das clave, y que adems tendr en cuenta el da en que se produce. Sern tambin variables binarias como las anteriores. - DEC24MON, DEC24TUE, ..., DEC24SUN
Memoria. Modelo Explicativo - DEC31MON, DEC31TUE, ..., DEC31SUN
64
Una vez explicadas todas y cada una de las variables de intervencin, procederamos a implementar el modelo, de una forma muy similar a cmo se ha realizado a lo largo del presente captulo.
Pero en este caso se sustituirn las variables WD e Iago por la sucesin de todas las variables anteriores, cada una de ellas con su coeficiente. A continuacin el efecto de la temperatura se modelara del mismo modo, con el modelo por umbrales en funcin del grfico Residuo frente a Temperatura.
Haciendo todo esto se llega al siguiente resultado, con nuestros datos:
MAPE 2000 2001 2002 2003 2004 2005 2006 2007 7,43% 7,99% 7,51% 7,50% 7,75% 7,55% 7,38% 7,61%
RMSE 48391,27 52769,61 52317,27 56447,19 62050,69 61520,33 62424,96 63984,63
Tabla 2-16 Resultados modelo alternativo clculo laboralidad
Vemos que el error cometido es ampliamente superior al efectuado utilizando la variable WD para explicar el efecto de la laboralidad. Por tanto, este diseo recin explicado debe ser totalmente desechado como posibilidad.
Memoria. Modelo Predictivo
65
Captulo 3
MODELO PREDICTIVO .
El segundo modelo desarrollado en este documento ser un modelo de funcin de transferencia. En este caso, se trata de un modelo predictivo. Como introduccin, para comprender el funcionamiento general de estos modelos, utilizamos la siguiente fuente: [DEJU06]
1 Modelos de funcin de transferencia
1.1 Introduccin
En los modelos de funcin de transferencia, el objetivo es relacionar dos ms series temporales elaborando modelos causales de prediccin. Se considera la forma de relacionar una serie temporal, denominada variable exgena output, en funcin de una u otras series temporales, que sern llamadas variables explicativas inputs. Tambin se considera a priori que existe una causalidad unidireccional desde las variables de entrada hacia la variable de salida..
Una de las preguntas que surgen habitualmente es por qu utilizar los modelos de funcin de transferencia si existe el modelo lineal general que relaciona diferentes variables? Existen diversas razones que explican la necesidad de los modelos de funcin de transferencia:
Memoria. Modelo Predictivo 1.- En el modelo lineal general, la relacin suele ser instantnea y viene establecida a priori.
66
2.- En el modelo lineal general, la relacin va de la variable xt a la variable yt, pero la variable yt no influye sobre la variable xt.
3.- En el modelo lineal general, la parte de variable respuesta no explicada por la variable independiente xt es un proceso ut de variables independientes. No se suele verificar con datos dinmicos.
Estos modelos son muy utilizados en todos los campos cientficos para evaluar respuestas dinmicas. Si las variables de entrada son controlables, estos modelos permiten simular y evaluar polticas alternativas. Si no lo son, ofrecen la posibilidad de estudiar cmo ciertos "escenarios", definidos por posibles evoluciones de la variable explicativa, afectan a la variable respuesta.
Adems estos modelos son muy tiles para elaborar predicciones, aunque depender del intervalo que se tenga entre observaciones.
La construccin de los modelos de funcin de transferencia sigue las mismas etapas que la construccin de los modelos univariantes de series temporales: Identificacin, Estimacin, Verificacin y Prediccin.
1.2 Conceptos generales. Caso ms sencillo (un solo input)
Memoria. Modelo Predictivo El caso ms sencillo es el modelo de funcin de transferencia con una nica variable explicativa, que se puede extender sin grandes dificultades a modelos con varias.
67
En un sistema lineal de un nico input y nico output, la serie output Yt y la serie input Xt se relacionan a travs de un filtro lineal de la siguiente forma:
Yt = 0Xt + 1Xt1 + 2Xt2 + ... + Nt = (B)Xt + Nt

Ecuacin 3-1 Ecuacin general del modelo con solo un input
donde (B) = 0 +1B +2B2 +... se refiere como funcin de transferencia del filtro de Box y Jenkins (1970), y Nt es el ruido del sistema que es independiente de la serie input Xt. Los coeficientes de (B) se conocen como la funcin de respuesta impulsional. Para que el sistema anterior sea estable se debe cumplir que una variacin finita en el input produzca una variacin tambin finita en el output. Esto es deber cumplirse que:
siendo g finito. El valor de g representa el cambio total en Yt motivado por un cambio unitario en Xt mantenido indefinidamente en el tiempo.
Los propsitos de la modelizacin de funcin de transferencia son identificar y estimar la funcin de transferencia (B) y el modelo del ruido Nt sobre la base de la informacin que proporcionan la serie input y la serie output.
Memoria. Modelo Predictivo El modelo expresado en la Ecuacin 3-1 es inestimable, debido a que en l aparece un nmero infinito de parmetros. Este problema se puede aliviar al expresar la funcin de transferencia como el cociente de dos polinomios (racionales) finitos:
68
Ecuacin 3-2 Expresin general de una funcin de transferencia
donde (B) = 01B2B2...sBs, (B) = 11B2B2...rBr y b es un parmetro de retardo que representa el tiempo que transcurre antes de que el impulso en la variable input produzca un efecto en la variable output. Para que el sistema sea estable, se asume que las races de (B) = 0 caen fuera del crculo unidad. Sustituyendo la Ecuacin 3-2 en la Ecuacin 3-1, se obtiene:
Ecuacin 3-3 Expresin reducida del modelo con un solo input
Por otro lado, el trmino de error no tiene por qu ser necesariamente un ruido blanco. Se puede suponer, con carcter general, que Nt sigue un proceso ARIMA, aunque sigue siendo independiente de la variable de input Xt, esto es:
Ecuacin 3-4 Expresin del trmino del error 1
Ecuacin 3-5 Expresin del trmino del error 2
Memoria. Modelo Predictivo con (B) = (1 1B 2B2 ... qBq) y (B) = (1 1B 2B2 ... pBp) de manera que todas las races de ambos polinomios caen fuera del crculo unidad siendo (1 B)d el operador diferencias consecutivas utilizado para inducir estacionariedad y ut es un ruido blanco.
69
Sustituyendo la Ecuacin 3-5 en la Ecuacin 3-3, se obtiene:
Ecuacin 3-6 Ecuacin desarrollada del modelo
A partir de Ecuacin 3-6 puede observarse que si el proceso del trmino de error (Ecuacin 3-4) no es estacionario y, por tanto, debe diferenciarse d veces para conseguir la estacionariedad, este mismo orden de diferenciacin recae tanto sobre la variable dependiente o output como sobre la variable explicativa o input.
Sin embargo, en la prctica, para construir un modelo de funcin de transferencia, se requiere que tanto la variable dependiente (output) como la variable explicativa (input) sean estacionarias, para lo cual obviamente no tiene por qu cumplirse que ambas variables necesiten el mismo orden de diferenciacin para lograr su estacionariedad. Por otra parte, una vez lograda la estacionariedad en ambas variables, el proceso Nt deber ser un ARMA(p,q), con lo cual el modelo de funcin de transferencia se puede escribir como:
Ecuacin 3-7 Ecuacin final del modelo
Memoria. Modelo Predictivo donde yt = (1B)dYt y xt = (1B)dXt, siendo d el orden de diferenciacin de Yt y d el orden de diferenciacin de Xt.
70
1.3 Modelos de funcin de transferencia con mltiples inputs y estacionales El modelo se puede generalizar a:
1.- La existencia de ms de un input 2.- que el ruido viene generado por un proceso estacional multiplicativo
1.3.1 Generalizacin a k inputs En este caso el modelo de funcin de transferencia sera:
Ecuacin 3-8 Ecuacin general del modelo con varios inputs
donde yt = (1 B)dYt y xt = (1 B)dXt.
1.3.2 Generalizacin para un proceso estacional multipicativo El proceso del ruido en este caso sigue el modelo
71
Ecuacin 3-9 Expresin del trmino de error
con (Bs) = (1 1Bs 2B2s ... PBPs) y (Bs) = (1 1Bs 2B2s ... QBQs).
Reemplazando la Ecuacin 3-9 en la Ecuacin 3-8, se obtiene:
Ecuacin 3-10 Expresin desarrollada modelo varios inputs
Si el trmino de error de la Ecuacin 3-9 no es estacionario en media y por tanto, debe diferenciarse mediante el operador(1B)d(1Bs)D, este mismo orden de diferenciacin recae tanto sobre Yt como sobre las k variables explicativas. Pero, dado que no es de esperar que todas las variables involucradas requieran el mismo nmero de diferencias, la forma habitual de escribir el modelo de funcin de transferencia general es:
Ecuacin 3-11 Expresin generalmente usada modelo varios inputs
donde yt = (1 B)d0(1 Bs)D0Yt y xit = (1 B)di(1 Bs)DiXit.
1.4 Estrategia a seguir para Proceso de Identificacin Fuente: [PANK91]
72
(1) Especificar el grado de los polinomios de las funciones de transferencia de las xt (2) Especificar un orden bajo AR(p) (P)s para el residuo de la serie Nt.
(1) Estimar los coeficientes (2) Comprobar si la serie estimada del residuo es estacionaria.
Diferenciar los inputs y el output
No
Es el residuo estacionario?
S
(1) Testear distintos retardos racionales para las funciones de transferencia (2) Testear diferentes modelos ARMA para la serie del residuo
(1) Estimar los coeficientes (2) Comprobar la validez del
No
Est bien el
modelo?
PREDICCIN
Esquema 3-1 Estrategia de identificacin de modelos de funcin de transferencia
73
2 Implementacin de nuestro modelo general de funcin de transferencia.
Como se ha explicado anteriormente, el primer paso a la hora de disear un modelo de funcin de transferencia es la Identificacin.
Nuestro modelo tendr como variable de salida ( output) la demanda diaria en Espaa. Y nuestras variables de entrada ( inputs) sern las siguientes:
WDt
Variable con la que diseamos el efecto de la laboralidad.
En el primer modelo ya ha quedado reflejada la gran utilidad de emplear dicha variable. Iago Tambin como parte del efecto del calendario, utilizamos esta
variable binaria para explicar el efecto particular que tiene la demanda en este mes. T1, T2, T3 (con sus constantes CteT1, CteT2, CteT3) Ya utilizadas
en el primer modelo para explicar el efecto de la temperatura. Es una misma variable dividida en 3 tramos, en funcin del efecto de la temperatura sobre la demanda (ya explicado en Captulo 22.5).
El efecto de la tendencia se modelar a travs de las posibles diferenciaciones que requiera el proceso, por lo que no es necesario incluir ninguna variable para explicarla.
El horizonte de ajuste del modelo con el que trabajaremos siempre ser de un da.
Memoria. Modelo Predictivo 2.1 Punto de partida
74
Nuestro punto de partida, despus de introducir las variables que acabamos de comentar ser el siguiente:
(1) Seleccionamos como periodo de entrenamiento los 7 primeros aos del conjunto de estudio, es decir, del 1 de enero de 2000 al 31 de diciembre de 2006, y como periodo de validacin, el ltimo ao, el 2007 completo.
(2) Elegimos unos rdenes elevados (en torno a 10) del numerador de los polinomios (en principio los denominadores quedan a cero) de las funciones de transferencia de las variables de entrada, coeficientes S y R, respectivamente. Para la variable binaria Iago y para las constantes los coeficientes sern nulos, puesto que sus valores pasados pensamos que no influyen en los actuales.
(3) Nuestra periodicidad ser semanal por lo que tomamos 7 das como periodo correspondiente, y no aplicamos diferenciacin en primera instancia (el modelo nos dir si es necesaria o no). Esta diferenciacin afecta tanto a la variable de salida como a las variables de entrada.
(4) El proceso ARIMA del error o perturbacin se comienza modelando como un modelo AR de orden bajo. En nuestro caso AR(1,1), es decir, autorregresivo de orden 1 regular, y orden 1 estacional, pues sabemos que nuestra serie se comporta peridicamente.
Memoria. Modelo Predictivo A continuacin se muestra la pantalla de configuracin del modelo Ft en Idat, con los parmetros de partida que se acaban de comentar, la cual iremos modificando en funcin de los resultados que vamos obteniendo hasta conseguir el modelo de transferencia ptimo.
75
Ilustracin 3-1 Pantalla inicial de ajuste del modelo
2.2 Proceso de identificacin.
Tras un primer ajuste, es preciso observar rpidamente la forma de las funciones de autocorrelacin simple y parcial del error de regresin del ajuste, y comprobar si la serie es estacionaria. Si no lo es, ser necesario aplicar diferenciacin.
76
0.5
-0.5 1
10 15 20 25 FAS de la serie Error de regresin del ajuste
30
35
0.5
-0.5
10 15 20 25 FAP de la serie Error de regresin del ajuste
30
35
Ilustracin 3-2 Funciones autocorrelacin del Error del modelo
A simple vista, en la funcin de autocorrelacin simple (FAS) se aprecia cmo los valores van decayendo suavemente, producindose ligeras subidas en los mltiplos de siete, lo que indica que la serie no es estacionaria, y que es conveniente aplicar una diferenciacin estacional de orden 1.
Tras esta operacin, obtenemos las funciones de nuevo:
77
0.5
-0.5 1
8 10 12 14 16 FAS de la serie Error de regresin del ajuste
18
20
22
0.5
-0.5
8 10 12 14 16 FAP de la serie Error de regresin del ajuste
18
20
22
Ilustracin 3-3 Nuevas funciones autocorrelacin del Error del modelo
Se observa que ya la serie es estacionaria, adems de presentar una intensa componente autorregresiva.
Por tanto, para seguir con el proceso de identificacin, se deben realizar a continuacin dos tareas paralelamente. Por un lado, identificar el orden de las funciones de transferencia, y por otro lado, identificar el modelo ARIMA del error, buscando siempre como objetivo lograr que el residuo del ajuste se parezca lo ms posible a ruido blanco.
Memoria. Modelo Predictivo Comprobando los parmetros ajustados del modelo FT actual, se ve en primer lugar que las constantes de temperatura no son significativas (esto tiene sentido ya que al diferenciar la serie, tambin diferenciamos estas constantes lo que produce un extrao efecto), por tanto se procede a su eliminacin del modelo. Tambin se observa que algunos retardos de las otras variables de entrada deben ser suprimidos. Por un lado la variable WD no tiene ningn retardo significativo, por tanto su polinomio ser de orden 0. Para las temperaturas T1, T2 llegamos a la conclusin de que slo son significativos los dos primeros retardos, por tanto sus funciones de transferencia sern de orden dos. Para T3, ninguno de sus retardos es significativo.
78
Ahora tras este ajuste, se pasa a buscar un mejor modelo ARIMA del error. Tras sucesivos anlisis del comportamiento de las grficas FAS y FAP del error, se toma la decisin de que el mejor diseo ser un AR(1,1) y un MA(2,1).
Por tanto, se decide establecer este modelo como definitivo. A continuacin, se muestran las grficas ms representativas del ajuste que se acaba de definir.
79
Ilustracin 3-4 Pantalla de configuracin con parmetros finales
5 Validacion: R2=0.966. RelMAE=1.460%. MAPE=1.477%. MAE=10429.301 RelIngMAE=0.200 Test Norm: N=365 nh=30 t=683396 t5=43.77 t1=50.89 x 10 10 80
Y
9 8
Yhat
60 40
7 6 5 20
27/02/07 x 10
5
1 0.5 0 -0.5 -1
0 07/06/07 15/09/07 24/12/07 -1 -0.5 0 0.5 1 5 t x 10 Error de prediccin. Test de Ljung & Box: H=0 DoF=20 Sig=0.05 Pvalue= 0.29 Q=23.00 CV=31.41 0.2 0.1 FAS 0 -0.1 -0.2 24/12/07 0
27/02/07
07/06/07 t
15/09/07
10 k
15
20
25
Ilustracin 3-5 Resultados para periodo de validacin
80
0.05
-0.05 0.06 0.04 0.02 0 -0.02 -0.04 -0.06
10
20
30
40 50 60 70 FAS de la serie Residuo del ajuste
80
90
100
Test de Ljung & Box: H=1 DoF=95 Sig=0.05 Pvalue= 0.01 Q=130.255 CV=118.752
10
20
30
40 50 60 70 FAP de la serie Residuo del ajuste
80
90
100
Ilustracin 3-6 Funciones de autocorrelacin del resido del ajuste ut
Parametros del ajuste del modelo. Funcin objetivo (algoritmo CLS) = 171114239.8778 Value w10 w20 w30 w31 w32 w40 w41 w42 w50 ar_r_1 ma_r_1 ma_r_2 ar_7_1 ma_7_1 -5672.794 -1460.123 -739.441 -581.358 -1299.544 -537.980 -400.001 -801.518 -0.960 -0.139 -0.164 -0.118 -0.884 std. error 3288.768 246.739 115.787 114.325 224.625 74.649 73.976 210.140 0.007 0.021 0.021 0.023 0.011 T-value 88.843 -1.725 -5.918 -6.386 -5.085 -5.785 -7.207 -5.407 -3.814 -138.767 -6.579 -7.748 -5.084 -79.447 p-value 0.000 0.042 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
633627.499 7131.971
Ilustracin 3-7 Parmetros del ajuste del modelo con sus coeficientes
Memoria. Modelo Predictivo La Ilustracin 3-4 muestra la pantalla de configuracin del modelo una vez ms, pero con los parmetros finales introducidos.
81
En la Ilustracin 3-5 se pueden ver los resultados obtenidos para el periodo de validacin estipulado (ao 2007). Por un lado se tiene la comparacin entre la demanda real y la estimada con el modelo. Y en las otras grficas se refleja el error de prediccin a travs de distintos tests, pudiendo apreciarse que ste queda dentro de las franjas deseadas.
En la tercera grfica, la Ilustracin 3-6, se muestran las funciones de autocorrelacin para el residuo del ajuste, donde se observa que se comporta prcticamente como ruido blanco (objetivo que se persegua).
Ya en la ltima grfica (Ilustracin 3-7) se muestran los parmetros ajustados por el modelo, junto a sus coeficientes.
2.3 Evaluacin del modelo y clculo de errores
Por tanto, ahora ya procedemos a evaluar el modelo diseado, obteniendo la demanda estimada, y las funciones de transferencia de las variables de entrada del modelo.
Tomando como base la Ecuacin 3-11 :
Memoria. Modelo Predictivo sta es la expresin resultante del modelo implementado, con sus valores numricos:
82
Ecuacin 3-12 Ecuacin obtenida con el modelo general funcin transferencia
Siendo yt= (1 B7)Yt y xit = (1 B7)Xit (con xi={WD ,Iago, T1, T2, T3}), por la diferenciacin estacional de orden 1 con periodicidad 7.
Por otro lado los errores cometidos al estimar la demanda mediante nuestro modelo sern los siguientes:
- Para nicamente el periodo de validacin
MAE Demanda_estimada 10351.834
RMSE 14714.659
MAPE 1.4677%
Tabla 3-1Parmetros de error para periodo de validacin
- Para todo el periodo de estudio, tanto entrenamiento como validacin.
RMSE 13225.456
MAPE 1.5436%
Tabla 3-2 Parmetros de error para todo el periodo de anlisis
83
2.4 Modelo general aplicando transformacin logartmica
Una variante al modelo desarrollado previamente, consistira en aplicar una de los opciones que nos ofrece la herramienta Idat en los modelos de funcin de transferencia. Esta sera la transformacin logartmica ( transformacin Box-Cox), tanto de las variables de entrada como de salida.
Esta alternativa se emplea con el objetivo de estabilizar la varianza de las series (parece que en nuestro caso, este requisito no es necesario), pero se desarrollar el modelo para poder compararlo con el anterior. Esta caracterstica, la transformacin logartmica, suele conllevar la necesidad de normalizar las series, ya que si alguna de nuestras variables toma en algn momento valor 0, el modelo no funcionar (recordemos Ln(0) = ). En nuestro caso, ser imprescindible normalizar. Una vez aclaradas estas premisas, la implementacin del nuevo modelo ser idntica al anterior. Las variables de entrada de nuevo sern las mismas, y la diferencia estar en que en nuestra pantalla de configuracin deberemos marcar las casillas de transformacin logartimca y de normalizar las series.
A partir de aqu, el proceso de identificacin del modelo ptimo se llevar a cabo de igual modo que antes. En primer lugar se comprobar si es necesario diferenciar las series, y a continuacin se elegirn el orden de los polinomios de las variables explicativas y se aplicar el proceso ARIMA ms oportuno para el error del ajuste.
Memoria. Modelo Predictivo El modelo definitivo ser el siguiente: aplicaremos una diferenciacin estacional de orden 1 (con periodicidad 7 obviamente), los retardos aplicados a las variables de entrada sern uno a WD, ninguno a Iago y a T3, y dos retardos a T1 y T2. Por ltimo el proceso ARMA, que mejor se adapta al error de regresin del ajuste ser AR(1,1) y MA(3,2), es decir, autorregresivo de orden 1 regular y 1 estacional, y de media mvil de orden 3 regular, y orden 2 estacional.
84
Con estos parmetros introducidos, el modelo resultante quedar reflejado en las siguientes grficas, que sern las que frecuentemente mostraremos en todos los modelos FT desarrollados. En primer lugar, los resultados en validacin (recordemos que el periodo de validacin era el ltimo ao: 2007), luego la forma de las funciones de autocorrelacin del residuo del ajuste (es muy importante que se parezca al ruido blanco), y por ltimo los parmetros ajustados y sus coeficientes.

5 Validacion: MAPE=1.710%. MAE=12098.894 x 10 10 100
Y Yhat
85
Test Norm: N=365 nh=30
9 8 7 6 5
80 60 40 20
27/02/07
07/06/07 15/09/07 t Error de prediccin
0 24/12/07 -0.4
-0.2
0.2
0.4
0.4 0.2 0 -0.2 -0.4
Test Ljung & Box:H=0 DoF=20 Pvalue= 0.32 0.2 0.1 FAS 0 -0.1 -0.2 24/12/07 0
27/02/07
07/06/07 t
15/09/07
10 k
20
30
Ilustracin 3-8 Resultados en validacin con modelo FT con transformacin logartmica
0.06 0.04 0.02 0 -0.02 -0.04 -0.06 0.06 0.04 0.02 0 -0.02 -0.04 -0.06 10 20 30 40 50 60 70 FAP de la serie Residuo del ajuste 80 90 100
10
20
30
80
90
100
Ilustracin 3-9 Funciones Autocorrelacin del residuo modelo FT con transformacin logartmica

Parametros del ajuste del modelo. Funcin objetivo (algoritmo CLS) = 0.0017202 w10 w11 w20 w30 w31 w32 w40 w41 w42 w50 ar_r_1 ma_r_1 ma_r_2 ma_r_3 ar_7_1 ma_7_1 ma_7_2 Value 0.532 0.020 -0.015 -0.068 -0.017 -0.010 -0.074 -0.018 -0.013 -0.074 -0.955 -0.244 -0.142 -0.057 -0.848 -1.589 0.605 std. error 0.006 0.006 0.006 0.011 0.004 0.004 0.011 0.003 0.003 0.014 0.009 0.022 0.022 0.021 0.066 0.076 0.065 T-value 91.547 3.519 -2.399 -6.245 -4.596 -2.653 -6.458 -6.586 -4.825 -5.300 -110.689 -11.226 -6.538 -2.704 -12.917 -20.844 9.306 p-value 0.000 0.000 0.008 0.000 0.000 0.004 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.003 0.000 0.000 0.000
86
Ilustracin 3-10 Parmetros del ajuste del modelo FT con transformacin logartmica
Cabe recordar que al estar aplicando transformacin logartmica lo que el modelo calcular a travs de su expresin ser el logartmico neperiano de la demanda. Si bien a la hora de calcular el error cometido, el propio software ya genera la demanda estimada absoluta.
Por tanto, como con el otro modelo, ahora calculamos el error cometido tanto en el periodo de validacin solamente, como en todo el conjunto de estudio:
Memoria. Modelo Predictivo - Para nicamente el periodo de validacin
87
RMSE 17327.475
MAPE 1.6975%
Tabla 3-3 Error en validacin con modelo general y transformacin logartmica
RMSE 14661.203
MAPE 1.689%
Tabla 3-4 Error todo periodo con modelo general y transformacin logartmica
Vemos que el error cometido es mayor con el modelo en que aplicamos transformacin logartmica, por lo que lo desechamos en comparacin con el primer modelo desarrollado. A partir de ahora, el captulo se seguir desarrollando siempre hablando como modelo general del que se ha explicado en los primeros apartados del captulo.
2.5 Obtencin de predicciones para distintos horizontes y comparativa de error cometido.
Un resultado que resulta interesante calcular e incluir en este documento es el error cometido para distintos horizontes.
Hay que diferenciar dos cosas, que deben quedar claras, el modelo se ajusta inicialmente con horizonte 1 de la manera que hemos desarrollado
Memoria. Modelo Predictivo previamente, pero luego a la hora de evaluarlo y de obtener la estimacin de demanda, se puede modificar el horizonte de prediccin. Esto es lo que haremos para distintos horizontes hasta un mximo de una semana, es decir desde 1 a 7 das de horizonte, y luego compararemos los resultados obtenidos. El error calculado, ser nicamente para el periodo de validacin, que es el que verdaderamente nos interesa.
88
Se muestran a continuacin los resultados obtenidos:
HORIZONTE 1 2 3 4 5 6 7
MAE 10351.834 13755.296 15416.586 16880.01 18380.285 19363.185 20296.729
RMSE 14714.659 18950.034 21418.092 23504.669 25392.485 26560.066 27766.099
MAPE 1.4677% 1.9490% 2.1746% 2.3674% 2.5764% 2.7084% 2.8401%
Tabla 3-5 Parmetro de error para distintos horizontes de prediccin
La siguiente grfica muestra la evolucin del MAPE expuesto en la tabla anterior:
89
MAPE distintos horizontes en validacin

3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% 1 2 3 4 5 6 7 MAPE distintos horizontes en validacin
Ilustracin 3-11Evolucin del MAPE con modelo FT variando el horizonte prediccin
Vemos, como era de esperar, que el error va aumentando a medida que incrementamos el horizonte de prediccin. Es ms difcil predecir con los datos actuales para dentro de cuatro das, que para maana.
2.6 Clculo del error segn da de la semana
Por otro lado, tambin se ha credo conveniente calcular el error cometido en funcin del da de la semana. Para ello generamos una variable llamada WEEKDAY, q toma valores de 1 a 7, segn se trate de un lunes, martes, as hasta el domingo.
Obtenemos los resultados siguientes, siempre para periodo de validacin:
Memoria. Modelo Predictivo WEEKDAY Total (1) Lunes (2) Martes (3) Mircoles (4) Jueves (5) Viernes (6) Sbado (7) Domingo MAPE 1.4677% 2,139% 1,494% 1,277% 1,337% 1,334% 1,413% 1,250% RMSE 14714.659 22796,079 15919,615 12794,347 12973,661 12448,968 12301,446 9920,174
90
Tabla 3-6 MAPE cometido en funcin del da de la semana
Que reflejamos en la correspondiente grfica:
MAPE segn da de la semana

2,5% 2,0% 1,5% 1,0% 0,5% 0,0% MAPE segn da de la semana
Ilustracin 3-12 Evolucin del MAPE en funcin del da de la semana con modelo general
Memoria. Modelo Predictivo Observamos que el error difiere segn se trate de un da de la semana u otro. A partir de esta circunstancia, se nos ocurre construir un nuevo modelo FT peridico La funcin de transferencia ser distinta segn se
91
trate de un da de la semana u otro para cada una de las variables de entrada. ste es el origen del prximo apartado.
Para que el modelo no sea excesivamente complejo, podemos agrupar distintos conjuntos. Viendo los resultados, se ha decidido modelar por un lado los lunes, por otro de martes a viernes, y por ltimo los fines de semana.
3 Modelo funcin de transferencia peridico por das de la semana
3.1 Desarrollo del modelo
Las variables de entrada sern las mismas que antes, WD, Iago, T1, T2 y T3. Las constantes ya no las incluimos puesto que intuimos que ser necesario diferenciar, y por tanto debern salir del modelo.
Ahora lo que hacemos es aplicar al modelo una variable peridica, que tomar valores: - (1): Para todos los das lunes del periodo de estudio. - (2): Para los das de martes a viernes. - (3): Para los fines de semana, sbados y domingo.
92
Nuestro punto de partida ser muy similar a la estrategia que seguimos en el otro modelo. Comenzamos sin diferenciar, con rdenes elevados de los polinomios de las variables de entrada (ahora algo menos, en torno a 5, para que el tiempo de computacin no sea eterno), y aplicando un proceso AR(1,1) para el error o disturbancia.
Ilustracin 3-13 Pantalla de configuracin inicial para modelo FT peridico
Ahora llevamos a cabo el proceso de identificacin. Comprobamos en la grfica FAS/FAP del error de regresin si es necesario diferenciar. Una vez que la serie sea estacionaria, analizamos los parmetros del ajuste y decidimos qu variables deben salir del modelo. Y por ltimo especificamos el modelo ARMA para el error el error que mejor se ajuste al modelo, buscando obtener ruido blanco en el residuo.
93
El modelo resultante va a ser muy similar al anterior. Ha sido necesaria una diferenciacin estacional de orden uno, el proceso ARIMA del error que mejor se ajusta es un AR(1,1), y un MA(2,1). Y en cuanto a los rdenes de los polinomios, nos quedamos tambin con los mismos que antes, cero retardos para WD, Iago, y T3. Y dos retardos para T1, y T2.
Test Norm: N=365 nh=30 Validacion: 105 x RelMAE=1.349%. MAPE=1.362%. MAE=9639.3 9.5 80
9 8.5 8 7.5 7 6.5 6 5.5 5 27/02/07 07/06/07 15/09/07 24/12/07 Y Yhat
60
40 20
t 1 0.5 0 -0.5 -1 x 10
5
0 -1
-0.5
0.5
1
5
Error de prediccin.
x 10 Test de Ljung & Box: H=0 DoF=20 Sig=0.05 Pvalue= 0.17 0.2 0.1 FAS 0 -0.1 -0.2 24/12/07 0
27/02/07
07/06/07 t
15/09/07
10
20 k
30
40
Ilustracin 3-14 Resultados del modelo FT peridico segn da de la semana para validacin
94
0.15 0.1 0.05 0 -0.05 0.15

10
20
30
80
90
100
0.1 0.05 0 -0.05
10
20
30
80
90
100
Ilustracin 3-15 Funciones autocorrelacin del residuo para primer modelo FT peridico
95
Parametros del ajuste del modelo. Funcin objetivo (algoritmo CLS) = 159507319.8126 w10_p1 w10_p2 w10_p3 w20_p1 w20_p2 w20_p3 w30_p1 w30_p2 w30_p3 w31_p1 w31_p2 w31_p3 w32_p1 w32_p2 w32_p3 w40_p1 w40_p2 w40_p3 w41_p1 w41_p2 w41_p3 w42_p1 w42_p2 w42_p3 w50_p1 w50_p2 w50_p3 ar_r_1_p1 ar_r_1_p2 ar_r_1_p3 ma_r_1_p1 ma_r_1_p2 ma_r_1_p3 ma_r_2_p1 ma_r_2_p2 ma_r_2_p3 ar_7_1_p1 ar_7_1_p2 ar_7_1_p3 ma_7_1_p1 ma_7_1_p2 ma_7_1_p3 Value 657945.024 635423.196 563737.911 -11251.934 -11079.108 9618.627 -1391.432 -1534.768 -934.755 -755.055 -865.738 -482.652 -532.956 -545.662 -610.383 -1312.713 -1368.357 -847.816 -535.347 -592.705 -416.749 -290.773 -357.631 -491.145 -587.150 -799.955 -603.157 -0.956 -0.954 -0.975 -0.087 -0.136 -0.129 -0.106 -0.142 -0.164 -0.041 -0.045 -0.031 -0.774 -0.922 -0.815 std. error 11263.110 7534.254 18877.080 3754.365 3329.133 3592.824 354.590 270.942 304.589 231.464 128.411 156.814 169.359 129.818 176.620 297.594 241.098 262.616 170.529 88.117 110.785 131.215 86.870 113.657 252.326 217.782 234.533 0.035 0.010 0.019 0.059 0.028 0.044 0.045 0.027 0.043 0.030 0.025 0.028 0.038 0.012 0.026 T-value 58.416 84.338 29.864 -2.997 -3.328 2.677 -3.924 -5.665 -3.069 -3.262 -6.742 -3.078 -3.147 -4.203 -3.456 -4.411 -5.676 -3.228 -3.139 -6.726 -3.762 -2.216 -4.117 -4.321 -2.327 -3.673 -2.572 -27.520 -94.833 -51.169 -1.466 -4.839 -2.928 -2.334 -5.192 -3.804 -1.380 -1.840 -1.109 -20.588 -79.732 -31.769 p-value 0.000 0.000 0.000 0.001 0.000 0.004 0.000 0.000 0.001 0.001 0.000 0.001 0.001 0.000 0.000 0.000 0.000 0.001 0.001 0.000 0.000 0.013 0.000 0.000 0.010 0.000 0.005 0.000 0.000 0.000 0.071 0.000 0.002 0.010 0.000 0.000 0.084 0.033 0.134 0.000 0.000 0.000
Ilustracin 3-16 Parmetros del ajuste del primer modelo peridico con sus coeficientes
Las tres grficas anteriores muestran igual que antes, los resultados del ajuste para el periodo de validacin, luego la grficas de las FAS/FAP del residuo del ajuste donde vemos la similitud con el ruido blanco, y por ltimo la tabla de parmetros ajustados con sus coeficientes.
96
Como ya explicamos, ahora al tratarse de un modelo peridico, tenemos coeficientes distintos para la funcin de transferencia de cada variable en cada uno de los periodos estipulados (1 los lunes, 2 de martes a viernes, y 3 sbados y domingos).
Por tanto las ecuaciones del modelo sern las siguientes:
Ecuacin 3-13 Expresin del primer modelo peridico para los t lunes
Ecuacin 3-14 Expresin del primer modelo peridico para los t de martes a viernes
97
Ecuacin 3-15 Expresin del primer modelo peridico para los t fines de semana
Adems es necesario recalcar que tanto la variable de salida DEMt, como cada una de las variables de entrada van multiplicadas por (1-B7), debido a la diferenciacin estacionaria de periodicidad 7 que se ha aplicado sobre ellas.
Por otro lado, una vez evaluado el modelo, podemos proceder al clculo de errores, de la misma manera que en el modelo global anterior:
3.2 Clculo de errores
RMSE 13799.462
MAPE 1.368%
Tabla 3-7 Parmetros de error con primer modelo peridico para periodo de validacin
Memoria. Modelo Predictivo - Para todo el periodo de estudio, tanto entrenamiento como validacin.
98
RMSE 12702.004
MAPE 1.479%
Tabla 3-8 Parmetros de error con primer modelo peridico para todo periodo de anlisis
Observamos que el error cometido con este modelo peridico es inferior al anteriormente calculado en el modelo general.
El MAPE en el periodo de validacin, que es lo que ms nos interesa se ha reducido en una dcima porcentual, de 1.47% a 1.37%. Si hubiramos tomado agrupaciones an ms desagregados de das de la semana, o incluso aplicar el modelo para cada da por separado, los resultados seran an mejores.
Vamos a calcular tambin con el nuevo modelo peridico el error cometido en los distintos das de la semana:
Para ello otra vez se usar la variable ya introducida WEEKDAY, q toma valores de 1 a 7, segn el da de la semana de que se trate comenzando por el lunes.
Obtenemos los resultados siguientes:
99
WEEKDAY Total (1) Lunes (2) Martes (3) Mircoles (4) Jueves (5) Viernes (6) Sbado (7) Domingo
MAPE 1.368% 1.966% 1.422% 1.248% 1.291% 1.265% 1.197% 1.171%
RMSE 13799.462 21357,741 15325,533 12144,533 12779,539 11962,856 9867,9304 9249,2447
Tabla 3-9 MAPE cometido segn el da de la semana con primer modelo peridico
Que se presentan en la grfica de abajo:

2,5% 2,0% 1,5% 1,0% 0,5% 0,0% MAPE segn da de la semana
Ilustracin 3-17 Evolucin del MAPE segn da de la semana con primer modelo peridico
100
Como era lgico, ya que con este modelo haba mejorado el error global cometido en validacin, tambin son algo mejores los resultados obtenidos para cada da.
Es de resear, por ejemplo que el error de los lunes (das donde se predice peor) ha disminuido de 2.139% a 1.966%, casi dos dcimas porcentuales, lo que es una gran mejora. Es muy razonable ya que en el modelo peridico, los lunes se modelaban en exclusiva, lo que corrobora que fue una buena decisin.
4 Modelo de funcin de transferencia peridico segn tramos de comportamiento de temperatura.
4.1 Desarrollo del modelo
Como acabamos de ver, los modelos peridicos pueden resultar muy interesantes para obtener mejores resultados. Por tanto, se piensa que tambin ser adecuado implementar un nuevo modelo de este tipo que caracterice los tres tramos de comportamiento de la temperatura.
Para ello, veamos de nuevo la Ilustracin 2-7 del segundo captulo.
Recordamos que esta grfica reflejaba cmo se comportaba el residuo del primer modelo, una vez extrado los efectos de tendencia y laboralidad, frente a la temperatura media en el pas. Tena tres tramos claramente diferenciados. Por consiguiente, el nuevo modelo peridico distinguir
Memoria. Modelo Predictivo sos tres estados, a travs de una nueva variable (TRAMO_TEMP), que tomar valores: - (1): Para todos los das cuya temperatura sea inferior a Th1=15.67C - (2): Para los das con temperatura entre Th1=15.67C, y Th2=19.08C. - (3): Para los das del tercer tramo, con temperaturas superiores a Th2=19.08C.
101
Las variables de entrada en este caso sern WD, Iago, y T_media, pues ahora los 3 tramos de temperaturas los distingue el propio modelo.
Nuestra estrategia a seguir para implementar el modelo ser la misma que hemos comentado en los dos desarrollos anteriores, por lo que no es necesario hacer hincapi de nuevo en ello.
Lo primero que hemos percibido al ajustar el modelo, es que la variable Iago deba ser eliminada. La razn es que esta variable siempre tomaba valor 0 dentro del primer y probablemente tambin del segundo tramo (obviamente en agosto las temperaturas siempre son las ms altas), y esto desajustaba el modelo peridico.
Una vez aclarado esto, el modelo resultante va a ser muy similar al anterior. Ha sido necesaria una diferenciacin estacional de orden uno, y en el proceso ARIMA del error ha surgido una duda entre los siguientes modelos; por un lado con un AR(1,1), y un MA(2,1) obtenamos un mejor ajuste del residuo pues se aproximaba mucho ms al ruido blanco, sin embargo si utilizamos un AR(1,1) y un MA(1,1) el residuo del ajuste no era tan bueno, pero la prediccin en validacin y los ajustes de los parmetros eran mejores.
102
Al final, se ha tomado la determinacin de quedarnos con la segunda opcin. Y en cuanto a los rdenes de los polinomios de las variables explicativas, se seleccion ningn retardo para WD y uno para T_media.
A continuacin se mostrarn las tres grficas bsicas que resumirn el ajuste del modelo, igual que se ha hecho con los anteriores.
La primera grfica, la Ilustracin 3-18, mostrar los resultados en validacin, con la comparativa entre la demanda real y la estimada, y los grficos de error de prediccin. En la Ilustracin 3-19 tendremos las funciones de autocorrelacin del residuo del ajuste. Como ya se ha comentado, no se ha conseguido obtener ruido blanco perfecto, pero a cambio tenemos un mejor ajuste, como podemos ver en la tercera grfica, la Ilustracin 3-20, que muestra los parmetros ajustados y sus coeficientes.

5 Validacion: MAPE=1.669%. MAE=11675.454 x 10 10 80
Y Yhat
103
Test Norm: N=365 nh=30
9 8
60
40 7 6 5 20
27/02/07 x 10
5
07/06/07 15/09/07 t Error de prediccin.
0 24/12/07 -2
-1
1
5
1 0.5
x 10 Test de Ljung & Box: H=0 DoF=20 0.2 0.1 FAS 0 -0.1 -0.2 24/12/07 0
0 -0.5 -1 -1.5 27/02/07 07/06/07 t 15/09/07
10
20 k
30
40
Ilustracin 3-18 Resultados del segundo modelo FT peridico para validacin
0.1 0.05 0 -0.05 -0.1 -0.15 0.1 0.05 0 -0.05 -0.1 -0.15
10
20
30
80
90
100
10
20
30
80
90
100
Ilustracin 3-19 Funciones autocorrelacin del residuo para el segundo modelo FT peridico

Parametros del ajuste del modelo. Funcin objetivo (algoritmo CLS) = 168841477.8131 Value w10_p1 w10_p2 w10_p3 w11_p1 w11_p2 w11_p3 w20_p1 w20_p2 w20_p3 ar_r_1_p1 ar_r_1_p2 ar_r_1_p3 ma_r_1_p1 ma_r_1_p2 ma_r_1_p3 ar_7_1_p1 ar_7_1_p2 ar_7_1_p3 ma_7_1_p1 ma_7_1_p2 ma_7_1_p3 -1573.116 -140.735 977.642 -1374.410 -74.978 1529.022 635075.987 635636.649 647444.055 -0.941 -0.912 -0.868 -0.265 -0.221 0.081 -0.118 -0.172 -0.219 -0.811 -0.800 -0.904 std. error 229.451 270.130 311.601 229.387 269.665 315.542 7401.529 11388.460 15800.186 0.011 0.027 0.019 0.029 0.066 0.037 0.031 0.037 0.031 0.021 0.040 0.018 T-value -6.856 -0.521 3.137 -5.992 -0.278 4.846 85.803 55.814 40.977 -89.564 -33.991 -46.813 -9.093 -3.364 2.171 -3.782 -4.680 -7.027 -39.077 -19.835 -50.573 p-value 0.000 0.301 0.001 0.000 0.391 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.015 0.000 0.000 0.000 0.000 0.000 0.000
104
Ilustracin 3-20 Parmetros del ajuste del segundo modelo peridico con sus coeficientes
Despus de explicar el proceso del ajuste, ahora vamos a escribir las ecuaciones resultantes del modelo. Del mismo modo que antes, al ser ahora peridico el modelo, obtendremos una ecuacin diferente para cada tramo de comportamiento de la temperatura.
Memoria. Modelo Predictivo Las ecuaciones son las siguientes:
105
Ecuacin 3-16 Expresin del segundo modelo peridico para los t del primer tramo
Ecuacin 3-17 Expresin del segundo modelo peridico para los t del segundo tramo
Ecuacin 3-18 Expresin del segundo modelo peridico para los t del tercer tramo
Recordamos tambin, que como la serie fue diferenciada estacionalmente, es necesario multiplicar tanto la variable de salida, como las dos variables de entrada por el trmino (1-B7)
Ahora, una vez expresado el modelo con sus ecuaciones, vamos a proceder al clculo de errores.
Memoria. Modelo Predictivo 4.2 Clculo de errores
106
RMSE 16180.821
MAPE 1.669%
Tabla 3-10 Parmetros de error con segundo modelo peridico para periodo de validacin
RMSE 16290.512
MAPE 1.975%
Tabla 3-11 Parmetros de error con segundo modelo peridico para todo periodo de anlisis
Ahora, a continuacin, igual que se ha hecho con los otros dos modelos, sera interesante tambin calcular el error cometido en funcin del da de la semana, y tambin dado el modelo que nos concierne, calcular ese error en funcin del tramo de temperaturas seleccionado.
Para ello otra vez utilizamos en primera instancia la variable llamada WEEKDAY, q toma valores de 1 a 7, segn se trate de un lunes, martes, as hasta el domingo.
Obtenemos los resultados siguientes:
Memoria. Modelo Predictivo WEEKDAY Total (1) Lunes (2) Martes (3) Mircoles (4) Jueves (5) Viernes (6) Sbado (7) Domingo MAPE 1.669% 2.690% 1.417% 1.472% 1.793% 1.264% 1.534% 1.493% RMSE 16180.821 26697,32 14427,204 13806,83 16127,405 12304,816 13294,656 11148,625
107
Tabla 3-12 MAPE cometido segn el da de la semana con segundo modelo peridico
Que reflejamos en la grfica siguiente:

3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% MAPE segn da de la semana
Ilustracin 3-21 Evolucin del MAPE segn da de la semana con segundo modelo peridico
Memoria. Modelo Predictivo Vemos, como era de esperar que el error no permanece constante a lo largo de la semana. De nuevo el mayor error se comete los lunes, siendo el resto de das bastante similar, con una ligera subida los jueves y una bajada los viernes.
108
Por otro lado comparndolo con el modelo FT general, y con el peridico en funcin del da de la semana, los resultados son algo peores. Esto quiere decir que nuestro modelo peridico segn tramos de temperaturas no es tan efectivo y quiz necesite alguna variable ms para explicar la demanda.
Veamos ahora lo que sucede a la hora de obtener el error segn el tramo en que nos encontremos de los tres distintos que definen el modelado de la temperatura.
La variable a emplear ahora ser TRAMO_TEMP, que recordemos tomaba valores 1, 2 3 segn el tramo en que nos situamos. Recordemos la Ilustracin 2-7 del captulo 2.
Los resultados son los siguientes:
TRAMO_TEMP MAPE Total Tramo1 Tramo2 Tramo3 1.669% 1.445% 2.112% 1.799%
Tabla 3-13 MAPE cometido segn tramo de temperaturas con segundo modelo peridico
109
Vamos a representarlos tambin en una sencilla grfica:
MAPE segn tramo modelado efecto temperatura

2,5% 2,0% 1,5% 1,0% 0,5% 0,0% Tramo1 Tramo2 Tramo3 MAPE segn tramo modelado efecto temperatura
Ilustracin 3-22 Evolucin del MAPE segn tramos de temperatura con segundo modelo peridico
Vemos que el mayor error se comete en el tramo intermedio, es decir la zona con pendiente casi plana, donde las temperaturas aunque varan tienen un efecto bastante similar sobre la demanda de electricidad.
Memoria. Resultados
110
Captulo 4
RESULTADOS
Debido al desarrollo llevado a cabo a lo largo del proyecto, en cada uno de los apartados se han ido indicando los resultados obtenidos
detalladamente, por lo que esta seccin nicamente recoger a modo de resumen cada uno de los mismos.
1 Modelo explicativo
En primer lugar, se recogern en una tabla los resultados obtenidos en mediante los modelos explicativos desarrollados en el Captulo 2.
Aparecern como tales, los dos principales parmetros de error empleados a lo largo del documento, MAPE y RMSE, obtenidos para el conjunto total de estudio, y para cada ao.
MODELO EXPLICATIVO Con modelado de efecto de la temperatura kmax=0 Con modelado de efecto de la temperatura kmax=6 Con modelado aplicando Regresin stepwise" Periodo MAPE TOTAL 2,905% RMSE 23060,56 MAPE 2,663% RMSE 20829,93 MAPE 2,63% RMSE 20484,18
Memoria. Resultados 2000 2001 2002 2003 2004 2005 2006 2007 2,93% 3,25% 2,64% 2,94% 3,35% 2,80% 2,44% 2,89% 19546,16 22812,64 20844,31 22381,91 25869,68 24559,74 20833,20 26645,88 2,80% 2,93% 2,44% 2,55% 3,09% 2,51% 2,30% 2,68% 18566,46 20443,22 18819,24 19548,97 23598,49 20939,20 19661,26 24292,54 2,98% 2,92% 2,54% 2,60% 2,88% 2,45% 2,11% 2,56% 19179,41 20441,72 19439,23 19890,69 22251,57 20884,49 18508,64 22883,35
111
Tabla 4-1 Resumen errores en modelos explicativos
Estos resultados numricos van a reflejarse en las siguientes grficas, para ilustrar mejor su comparacin.
1) Grfica comparativa del MAPE con las tres variantes del modelo explicativo para los sucesivos aos:
4,0% 3,5% 3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% 2000 2001 2002 2003 2004 2005 2006 2007 MAPE kmax=0 MAPE kmax=6 MAPE stepwise
Ilustracin 4-1 Comparativa error MAPE distintas variantes del modelo explicativo
Memoria. Resultados 2) Grfica comparativa del RMSE con las tres variantes del modelo explicativo para los sucesivos aos:
112
30000 25000 20000 15000 10000 5000 0 2000 2001 2002 2003 2004 2005 2006 2007 RMSE kmax=0 RMSE kmax=6 RMSE stepwise
Ilustracin 4-2 Comparativa error RMSE para distintas variantes del modelo explicativ
2 Modelo predictivo
A continuacin, del mismo modo, se resumirn los resultados obtenidos para los distintos modelos de funcin de transferencia desarrollados a lo largo del Captulo 3 del documento. El resumen estar centrado en los resultados en el periodo de validacin (ao 2007), y desglosados en das de la semana para los tres modelos principales. Tambin se incluye al principio de la tabla la comparativa entre el modelo general, y el que se hizo de modo general tambin pero aplicando la transformacin logartmica.
Memoria. Resultados
113
MODELO PREDICTIVO (FUNCIN DE TRANSFERENCIA) Modelo general Periodo MAPE RMSE 14714.659 Modelo general (con transformacin logartmica) MAPE 1.6975% RMSE 17327.475 Modelo peridico segn tramos de temperatura MAPE RMSE
TOTAL 1.4677%
Modelo peridico Modelo general segn das de la semana Periodo MAPE RMSE MAPE RMSE
TOTAL 1.468% 14714.66 Lunes Martes Mircoles Jueves Viernes Sbado Domingo
1.368% 13799.46 1.97% 21357,74 1.42% 15325,53 1.25% 12144,53 1.29% 12779,54 1.26% 11962,86 1.20% 1.17%
1.669% 16180.82 2.69% 26697,32 1.42% 14427,20 1.47% 13806,83 1.79% 16127,41 1.26% 12304,82 1.53% 13294,66 1.49% 11148,62
2,14% 22796,08 1,49% 15919,61 1,28% 12794,35 1,34% 12973,66 1,33% 12448,97 1,41% 12301,45 1,25% 9920,17
9867,93 9249,24
Tabla 4-2 Resumen errores en modelos de funcin de transferencia
Ahora, para interpretar mejor esta tabla, se mostrarn las siguientes grficas representativas:
Memoria. Resultados 1) Grfica comparativa del MAPE con los tres modelos de funcin de transferencia para los distintos das de la semana:
114
3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% MAPE modelo peridico das semana MAPE modelo peridico tramos temperatura MAPE modelo general
Ilustracin 4-3 Comparativa error MAPE distintas modelos funcin de transferencia
2) Grfica comparativa del RMSE con los tres modelos de funcin de transferencia para los distintos das de la semana:
30000 25000 20000 15000 10000 5000 0 RMSE modelo peridico das semana RMSE modelo peridico tramos temperatura RMSE modelo general
Ilustracin 4-4 Comparativa error RMSE distintas modelos funcin de transferencia
Memoria. Conclusiones
115
Captulo 5 CONCLUSIONES
1 Conclusiones del proyecto fin de carrera
En este proyecto se han desarrollado dos modelos de prediccin de demanda de energa elctrica muy diferentes. Por un lado, el primero, el modelo explicativo, tiene como objetivo fundamental desglosar la demanda entre los principales factores que la motivan, modelando el efecto y la influencia que tienen stos de la forma ms precisa posible. El objetivo era ajustar los datos ya conocidos de las series de demanda con un modelo sencillo y fcil de interpretar, donde fundamentalmente su comportamiento se explicara con dos parmetros bsicos, laboralidad y temperatura, sin olvidar que debido al crecimiento econmico en Espaa durante el periodo de estudio, tambin era necesario representar esa tendencia creciente. En cuanto a la laboralidad, se ha visto el gran valor que tiene conseguir concentrar todo el variado efecto que pueden conllevar las distintas y mltiples circunstancias que condicionan el calendario laboral en un pas tan heterogneo como Espaa, en una nica variable. Su clculo es denso pero sencillo y fcil de entender, y sobre todo, se puede extrapolar a cualquier zona de anlisis. Este modelado efectivo se ha podido contrastar comparndolo con otra manera de modelar la laboralidad, quiz ms compleja, pero que obtena una estimacin de demanda mucho ms alejada de la real. En cuanto a la temperatura, su principio bsico es simple, la demanda no se ve afectada de la misma manera cuando las temperaturas sean fras, templadas o calientes, por lo que habra que agrupar los datos por tramos donde este comportamiento fuera similar. Adems, como ya se ha comentado es lgico asumir que la demanda de un da depende de las temperaturas de
Memoria. Conclusiones das pasados, pues se crea una inercia en el consumidor de reaccin ante esos valores. Estos dos simples fundamentos son los que permiten entender el modelo de regresin por umbrales que se utiliza para modelar el efecto de la temperatura en este primer modelo.
116
El segundo modelo, es un modelo puramente predictivo. Se basa en aplicar distintas funciones de transferencia a cada una de las variables exgenas que explican la demanda. Adems el error de la regresin con este ajuste se modela mediante un modela ARIMA, por lo que se puede decir que es un modelo algo ms sofisticado. Incorpora una condicin respecto al modelo explicativo, ya que no se permite que los errores de la serie estn correlacionados entre s. Con este modelo, en base a unos datos dados en un periodo de tiempo amplio, se genera una estructura que luego se aplicar a periodos posteriores. Como ya se ha dicho, el horizonte de prediccin es de un da, por lo que la forma de actuar del modelo constantemente es partir de los datos conocidos de un da, para predecir de la forma ms ajustada posible los del da siguiente. Como ya se ha comentado, aqu la tendencia queda excluida del modelo en el momento que diferenciamos las series, algo indispensable para desarrollar este tipo de modelos. Las variables que van a explicar el efecto de la laboralidad y la temperatura sern las mismas que las desarrolladas en el primer modelo, y el efecto de sus retardos ser el que el ajuste determine. Este tipo de modelos permite jugar con multitud de variantes cambiando los distintos parmetros, o introduciendo variables peridicas que permiten obtener diferentes funciones de transferencia para la misma variable. Por ello, es complicado hablar del modelo ptimo y lo que se ha hecho en el proyecto es desarrollar varios modelos y compararlos.
Por tanto, se puede decir que los objetivos del proyecto se han llevado a cabo, no sin antes resear que este campo, el de los modelos de prediccin,
Memoria. Conclusiones es un campo extenssimo y que ofrece multitud de alternativas constantemente. Todo desarrollo conlleva ir explorando variantes que pueden irse aadiendo o no a tu modelo predefinido, por lo que es muy importante estar abierto a estos cambios. Por ltimo resear, que con el modelo explicativo de medio plazo se ha conseguido realizar una estimacin que comete un error de aproximadamente el 2.5% durante todo el periodo de estudio, mientras que con el modelo de funcin de transferencia ptimo este error se consigue reducir hasta un 1.3% en el periodo de validacin del modelo .
117
Memoria. Futuros desarrollos
118
Captulo 6 FUTUROS DESARROLLOS
1 Posibles desarrollos futuros
Como ya se ha comentado en varias ocasiones, el campo de estudio de los modelos de prediccin es muy amplio y variado, ya sea aplicndolos a la demanda de energa elctrica, como aqu, o a otras muchas variables econmicas o de consumo, por lo que los futuros desarrollos pueden ser mltiples y continuos. Los principales mtodos de prediccin se pueden encontrar resumidos en [WERO06].
En base al desarrollo que se ha llevado a cabo en este proyecto y a los resultados obtenidos, tanto con los modelos explicativos como con los predictivos de funcin de transferencia, algunas de las direcciones posibles hacia las que orientar la bsqueda de mejoras podrn ser las siguientes:
- Inclusin de nuevas variables en el modelo explicativo que completen el buen modelado que se hace a travs de la temperatura y la laboralidad, y representen algn efecto que se est dejando fuera y pueda ser significativamente influyente. Una idea podra ser aadir una variable de intervencin para los das en que nieva, ya que en esos das aunque la temperatura sea como la de otros, se produce un mayor consumo en calefaccin debido a la sensibilidad que genera en las personas por la mayor sensacin de fro, e incluso por la necesidad de incorporar aparatos electromecnicos en el mbito pblico (mquinas quitanieves,
transportadoras de sal, mayor trfico)
Memoria. Futuros desarrollos
119
- Otro aspecto a mejorar, ya en los modelos predictivos, sera buscar y probar alternativas en la manera de ajustar stos para diferentes horizontes temporales. Los resultados que se han obtenido al variar el horizonte temporal en la prediccin en el apartado 2.5 del Captulo 3, han sido peores de lo deseado, ya que el error de estimacin cometido crece en exceso al pasar de un da, a dos, a tres como se puede apreciar en la Tabla 3-5 del citado captulo.
- Por ltimo otro aspecto en el que profundizar podra ser la implantacin de otros modelos no lineales a la hora de modelar el efecto de la temperatura en la demanda. Una alternativa son los modelos basados en redes neuronales, ampliamente desarrollado en otros campos.
Memoria. Bibliografa
120
Captulo 7 BIBLIOGRAFA
1 Referencias bibliogrficas
[GUTI03]
Ester
Gutirrez
Moya,
Tesis
doctoral
La
demanda
residencial de energa elctrica en la Comunidad Autnoma de Andaluca: un anlisis cuantitativo Captulo II:
Modelos para la prediccin de demanda de energa elctrica. Universidad de Sevilla. Publicado en Biblioteca Virtual Miguel de Cervantes. Ao 2003.
[MORA05]
Julin Moral Carcedo y Jos Vicens Otero, Modelling the non-linear response of Spanish electricity demand to temperatura variations. Fuente: Energy Economics 27 (2005). Marzo de 2005.
[CANC08]
Jos Ramn Cancelo, Antoni Espasa, Rosmarie Grafe, Forecasting the electricity load from one day to one week ahead for the Spanish system operator. International Journal of Forecasting. Ao 2008.
[PARD02]
ngel Pardo, Vicente Meneu, Enric Valor, Temperature and seasonality influences on Spanish electricity load. Fuente: Energy Economics 24 (2002). Ao 2002.
[REE_08]
Pgina web de Red Elctrica Espaola
(www.ree.es).
Memoria. Bibliografa [MORA04] Julin Moral Carcedo y Jos Vicens Otero, Efecto calendario en la serie de demanda diaria de electricidad. Artculo publicado en Octubre de 2004
121
[UDC_07]
Manual de estadstica. Departamento de matemticas Universidad Da Corua (www.dm.udc.es/matematicas). Ao 2007.
[CANC91]
J.R. Cancelo y Antoni Espasa, Forecasting daily demand for electricity with multiple-input nonlinear transfer function models: A case study. Dpto. Economa Universidad Carlos III de Madrid. Julio de 1991.
[PANK91]
Alan Pankratz, Forecasting with dynamic regression models Editorial: John Wiley and Sons, New York. Junio de 1991.
[DEJU06]
Arnzazu de Juan Fernandez, Modelos de Funcin de Transferencia Fuente: uam.es. Abril de 2006.
[WERO06]
R. Weron, Modelling and forecasting electricity loads and prices: a statistical approach, Ed: John Wiley and Sons, LTD. 256 pginas. Octubre de 2006.
Parte II ESTUDIO ECONMICO
Estudio Econmico
123
1 Estudio econmico del proyecto
El proyecto realizado es fruto de la iniciativa personal a travs del planteamiento de una serie de modelos de prediccin y su aplicacin a los datos de demanda de energa elctrica en Espaa entre los aos 2000 y 2007, con la intencin de analizar y estudiar los resultados obtenidos, viendo sus aspectos positivos y negativos, y las posibles aplicaciones que pueda conllevar en el futuro.
Por tanto, se trata de un proyecto de estudio, sin nimo de obtener ninguna obtencin econmica por parte de ninguna entidad. Su valor reside nicamente en el trabajo llevado a cabo por el proyectista, y en las bases que sienta para futuros estudios dentro de este mbito.

Mape

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Mape

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD PONTIFICIA COMILLAS

ESCUELA TCNICA SUPERIOR DE INGENIERA (ICAI)

PABLO REGUERO SNCHEZ Madrid, Junio de 2009

Autorizada la entrega del proyecto al alumno: Pablo Reguero Snchez

LOS DIRECTORES DEL PROYECTO Antonio Muoz San Roque

Alberto Cruz Garca

V B del Coordinador de Proyectos

lvaro Snchez Miralles

MODELO EXPLICATIVO. ...................................................................... 14

5.3 Modelado de la laboralidad con variables de intervencin ............................................... 60

COMPORTAMIENTO DE TEMPERATURA. .................................................................................. 100

RESULTADOS ......................................................................................... 110

MODELO EXPLICATIVO................................................................................................... 110 MODELO PREDICTIVO..................................................................................................... 112

CONCLUSIONES ........................................................................................ 115

CONCLUSIONES DEL PROYECTO FIN DE CARRERA ......................................................... 115

FUTUROS DESARROLLOS ...................................................................... 118

POSIBLES DESARROLLOS FUTUROS ................................................................................. 118

REFERENCIAS BIBLIOGRFICAS ...................................................................................... 120

ndice de figuras ndice de Figuras

ndice de tablas ndice de Tablas

ndice de ecuaciones ndice de Ecuaciones

1 Motivacin del proyecto.

1.1 Por qu es importante predecir la demanda de electricidad?

1.2 Evolucin de las tcnicas de prediccin

1.3 Horizontes temporales de prediccin

1.3.1 Corto plazo

1.3.2 Medio plazo

1.3.3 Largo plazo

2 Objetivos del proyecto.

inconvenientes de unos sobre otros.

Los principales recursos y medios que se han utilizado son:

Herramienta de anlisis de datos Idat

Herramienta diseada por

Memoria. Modelo Explicativo

Memoria. Modelo Explicativo caracterizar la no linealidad de la respuesta de la demanda a variaciones de temperatura.

2.1 Estudio de las caractersticas de la demanda.

Memoria. Modelo Explicativo

x 10 9 8.5 8 7.5 7 MW/h 6.5 6 5.5 5 4.5 4

Demanda electricidad en Espaa 01/01/2000 - 31/12/2007

Ilustracin 2-1 Evolucin demanda periodo total estudio

Memoria. Modelo Explicativo

3.5 15/01/00 24/04/00 02/08/00 10/11/00 18/02/01 29/05/01 06/09/01 15/12/01

Ilustracin 2-2 Demanda electricidad desde 01/01/2000 hasta 31/12/2001

estacionalidad de carcter interanual.

Tenemos las mayores cotas de

Memoria. Modelo Explicativo

Ilustracin 2-3 Demanda electricidad desde 24/05/2004 hasta 13/06/2004 (3 semanas)

Memoria. Modelo Explicativo

Demanda electricidad en Espaa 03/01/2000 - 09/01/2000

6.4 6.2 6 5.8 5.6 5.4 5.2 5 4.8

Ilustracin 2-4 Demanda electricidad desde 03/01/2000 hasta 09/01/2000

2.2 Obtencin de la variable de laboralidad WD

1) Estimacin del ndice de variacin semanal por calendario:

Memoria. Modelo Explicativo

Memoria. Modelo Explicativo

Noviembre Lunes previo 6 de 0.86

Tabla 2-1 Coeficientes WD calculados para periodo de estudio

Memoria. Modelo Explicativo

2.3 Anlisis de la temperatura

representativa es el siguiente, detallado tambin en [MORA05]:

Provincias incluidas en cada zona

Peso de la Observatorio zona representativo Madrid

Albacete, Ciudad Real, Lleida, Toledo, Granada, Zaragoza, Madrid