Aprendizaje continuado para predicciones probabilísticas del consumo de energía

• Verónica Álvarez ^[1] ; Santiago Mazuelas ^[3] ; José A. Lozano ^[2]
  1. [1] Basque Center for Applied Mathematics

     Basque Center for Applied Mathematics

     Bilbao, España

     
  2. [2] Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Leioa, España

     
  3. [3] IKERBASQUE-Basque Foundation for Science, Basque Center for Applied Mathematics (BCAM)

  Mostrar afiliaciones +
• Localización: BEIO, Boletín de Estadística e Investigación Operativa, ISSN 1889-3805, Vol. 41, Nº. 1, 2025, págs. 20-31
• Idioma: español
• Enlaces
  • Texto completo
• Resumen

  • La predicción del consumo de energía es crucial para múltiples tareas de gestión de energía, como la programación de la capacidad de generación, la planificación de la oferta y la demanda, y la minimización de los costos de comercio de energía. Esta relevancia ha aumentado aún más en los últimos años debido a la integración de energías renovables, coches eléctricos y microrredes. Las técnicas convencionales de predicción de la demanda de energía obtienen predicciones de demanda de energía de un solo valor explotando los patrones de consumo de la demanda de energía pasada. Sin embargo, estas técnicas no pueden evaluar las incertidumbres intrínsecas en la demanda de energía, y no pueden capturar cambios dinámicos en los patrones de consumo. Para abordar estos problemas, este artículo presenta un método que obtiene predicciones probabilísticas de la demanda de energía basado en el aprendizaje adaptativo continuado de modelos ocultos de Markov. Proponemos técnicas de aprendizaje y predicción y evaluamos experimentalmente su rendimiento en múltiples escenarios. En particular, desarrollamos técnicas de aprendizaje adaptativo continuado que actualizan los parámetros del modelo de manera recursiva, y técnicas de predicción secuencial que obtienen predicciones probabilísticas utilizando los parámetros más recientes. El rendimiento del método se evalúa utilizando múltiples conjuntos de datos correspondientes a regiones que tienen diferentes tamaños y muestran diversos patrones de consumo que varían en el tiempo. Los resultados muestran que el método propuesto puede mejorar significativamente el rendimiento de las técnicas existentes en una amplia gama de escenarios.

• Referencias bibliográficas
  • Alvarez, V., Mazuelas, S. y Lozano, J. A. (2021). Probabilistic load forecasting based on adaptive online learning. ´ IEEE Transactions on...
  • Amjady, N. (2001). Short-term hourly load forecasting using time-series modeling with peak load estimation capability. IEEE Transactions on...
  • Ba, A., Sinn, M., Goude, Y. y Pompey, P. (2012). Adaptive learning of smoothing functions: Application to electricity load forecasting. In...
  • Cappe, O., Moulines, E. y Ryd ´ en, T. (2006). ´ Inference in hidden Markov models. Springer Science & Business Media.
  • Chen, B.-J. y Chang, M.-W. (2004). Load forecasting using support vector machines: A study on EUNITE competition 2001. IEEE Transactions on...
  • Chen, K., Chen, K., Wang, Q., He, Z., Hu, J. y He, J. (2018). Short-term load forecasting with deep residual networks. IEEE Transactions on...
  • Ditzler, G., Roveri, M., Alippi, C. y Polikar, R. (2015). Learning in nonstationary environments: A survey. IEEE Computational Intelligence...
  • Espinoza, M., Suykens, J. A., Belmans, R. y De Moor, B. (2007). Electric load forecasting. IEEE Control Systems Magazine, 27(5), 43–57.
  • Espinoza, M., Suykens, J. A. y De Moor, B. (2005). Load forecasting using fixed-size least squares support vector machines. In Computational...
  • Gneiting, T., Balabdaoui, F. y Raftery, A. E. (2007). Probabilistic forecasts, calibration and sharpness. Journal of the Royal Statistical Society:...
  • Hong, T. y Fan, S. (2016). Probabilistic electric load forecasting: A tutorial review. International Journal of Forecasting, 32(3), 914–938.
  • Hong, T., Pinson, P. y Fan, S. (2014). Global energy forecasting competition 2012. International Journal of Forecasting, 30(2), 357-363.
  • Hong, T., Pinson, P., Fan, S., Zareipour, H., Troccoli, A. y Hyndman, R. J. (2016). Probabilistic energy forecasting: Global energy forecasting...
  • Liu, B., Nowotarski, J., Hong, T. y Weron, R. (2015). Probabilistic load forecasting via quantile regression averaging on sister forecasts. IEEE...
  • Liu, W., Principe, J. C. y Haykin, S. (2011). Kernel adaptive filtering: a comprehensive introduction (Vol. 57). John Wiley & Sons.
  • Lourenc¸o, J. y Santos, P. (2010). Short term load forecasting using Gaussian process models. Proceedings of Instituto de Engenharia de Sistemas...
  • Mazuelas, S., Shen, Y. y Win, M. Z. (2013). Belief condensation filtering. IEEE Transactions on Signal Processing, 61(18), 4403–4415.
  • Mohamed, N., Ahmad, M. H. y Ismail, Z. (2010). Short term load forecasting using double seasonal ARIMA model. In Proceedings of the Regional...
  • Paarmann, L. D. y Najar, M. D. (1995). Adaptive online load forecasting via time series modeling. Electric Power Systems Research, 32(3),...
  • Pappas, S. S., Ekonomou, L., Karamousantas, D. C., Chatzarakis, G., Katsikas, S. y Liatsis, P. (2008). Electricity demand loads modeling using...
  • Ranaweera, D. K., Karady, G. G. y Farmer, R. G. (1997). Economic impact analysis of load forecasting. IEEE Transactions on Power Systems,...
  • Rudi, A. y Rosasco, L. (2017). Generalization properties of learning with random features. In Advances in Neural Information Processing Systems...
  • Shalev-Shwartz, S. e. a. (2012). Online learning and online convex optimization. Foundations and Trends in Machine Learning, 4(2), 107–194.
  • Wang, Y., Xia, Q. y Kang, C. (2010). Secondary forecasting based on deviation analysis for short-term load forecasting. IEEE Transactions...
  • Weron, R. (2007). Modeling and forecasting electricity loads and prices: A statistical approach (Vol. 403). John Wiley & Sons.