Técnicas Big Data para la predicción de la demanda y precio eléctrico

• Laura Melgar García ^[1] ; José Francisco Torres Maldonado ^[2] ; Alicia Troncoso ^[2] ; José Cristóbal Riquelme Santos ^[3]
  1. [1] Universidad IE

     Universidad IE

     Segovia, España

     
  2. [2] Universidad Pablo de Olavide

     Universidad Pablo de Olavide

     Sevilla, España

     
  3. [3] Universidad de Sevilla

     Universidad de Sevilla

     Sevilla, España

     

  Mostrar afiliaciones +
• Localización: Economía industrial, ISSN 0422-2784, Nº 431, 2024 (Ejemplar dedicado a: Digitalización y electrificación), págs. 119-130
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La predicción de la demanda eléctrica es fundamental para la planificación de la cadena de suministro en el sector energético, en las etapas de generación, almacenamiento y distribución de energía. Almacenar la energía eléctrica es un reto por lo que se busca continuamente el balance entre la demanda y la oferta eléctrica. Esto provoca que el mercado de precios de la electricidad sea volátil y difícil de predecir. En este trabajo se proponen varias técnicas de predicción Big Data para datos de demanda y precios eléctricos en España con el objetivo principal de mejorar la eficiencia de la gestión de la cadena de suministro. En concreto, en esta investigación se abordan estos problemas haciendo uso de modelos de Machine Learning y Deep Learning.

    Los resultados de rendimiento demuestran el buen comportamiento de los modelos.

  • English

    Electricity demand forecasting is a fundamental component of supply chain planning in the energy sector, in the stages of generation, storage and distribution of energy. Storing electricity is a challenge, so the balance between electricity demand and supply is continuously being sought. This makes the electricity price market volatile and difficult to predict. In this paper, several Big Data prediction techniques for electricity demand and price data in Spain are proposed with the main objective of improving the efficiency of the supply chain management.

    Specifically, this research addresses these problems by making use of Machine Learning and Deep Learning models. The performance results demonstrate the good behavior of the models.

• Referencias bibliográficas
  • Vega-Márquez, B., Rubio-Escudero, C., Nepomuceno-Chamorro, I.A., Arcos-Vargas, Á. Use of Deep Learning Architectures for Day-Ahead Electricity...
  • González-Torres, M., Pérez-Lombard, L., Coronel, J., Maestre, I. A cross-country review on energy efficiency drivers. Applied Energy. 2021,...
  • Mathaba, T., Xia, X., Zhang, J. Analysing the economic benefit of electricity price forecast in industrial load scheduling. Electric Power...
  • International Energy Agency. Electricity Market Report Update. Outlook for 2023 and 2024. 2023.
  • Popescu, M., Balas, V.E., Perescu-Popescu, L., Mastorakis, N.E. Multilayer perceptron and neural networks.  WSEAS Transactions on Circuits...
  • Li, Z., Liu, F., Yang, W., Peng, S., Zhou, J. A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. IEEE Transactions...
  • Lea, C., Vidal, R., Reiter, A., Hager, G.D. Temporal Convolutional Networks: A Unified Approach to Action Segmentation. ECCV 2016 Workshops....
  • Lindemann, B., Müller, T., Vietz, H., Jazdi, N., Weyrich, M. A survey on long short-term memory networks for time series prediction. Procedia...
  • Divina, F., Torres Maldonado, J.F., García-Torres, M., Martínez-Álvarez, F., Troncoso, A. Hybridizing Deep Learning and Neuroevolution: Application...
  • Bernard, S., Heutte, L., Adam, S. On the selection of decision trees in Random Forests. International Joint Conference on Neural Networks....
  • Melgar-García, L., Gutiérrez-Avilés, D., Rubio-Escudero, C., Troncoso, A. A novel distributed forecasting method based on information fusión...
  • Melgar-García, L., Gutiérrez-Avilés, D., Rubio-Escudero, C., Troncoso, A. Identifying novelties and anomalies for incremental learning in...
  • Scrucca, L. On some extensions to GA Package: Hybrid optimisation, parallelisation and islands evolution. The R Journal. 2017, 9/1, 187-206.