Previsión energética

La previsión energética incluye la previsión de la demanda ( carga ) y el precio de la electricidad , los combustibles fósiles (gas natural, petróleo, carbón) y las fuentes de energía renovables (RES; hidráulica, eólica, solar). La previsión puede ser tanto del valor del precio esperado como de una previsión probabilística . ^{[1] [2] [3] [4]}

Fondo

Cuando se regularon los sectores eléctricos, los monopolios de servicios públicos utilizaron pronósticos de carga a corto plazo para garantizar la confiabilidad del suministro y pronósticos de demanda a largo plazo como base para planificar e invertir en nueva capacidad. ^{[5] [6]} Sin embargo, desde principios de la década de 1990, el proceso de desregulación y la introducción de mercados de electricidad competitivos han estado remodelando el panorama de los sectores energéticos tradicionalmente monopolísticos y controlados por el gobierno. En muchos países del mundo, la electricidad se comercializa ahora según las reglas del mercado mediante contratos al contado y de derivados . ^[7] A nivel corporativo, las previsiones de carga y precio de la electricidad se han convertido en un insumo fundamental para los mecanismos de toma de decisiones de las empresas energéticas. Los costos de subcontratar o subcontratar y luego vender o comprar poder en el mercado de equilibrio suelen ser tan altos que pueden conducir a enormes pérdidas financieras y, en casos extremos, a la quiebra . ^{[8] [9]} A este respecto, las empresas eléctricas son las más vulnerables, ya que generalmente no pueden trasladar sus costes a los clientes minoristas. ^[10]

Si bien se han realizado diversos estudios empíricos sobre pronósticos puntuales (es decir, la "mejor estimación" o valor esperado del precio al contado), hasta la fecha no se han investigado exhaustivamente los pronósticos probabilísticos (es decir, de intervalo y de densidad). ^{[6] [11]} Sin embargo, esto está cambiando y hoy en día tanto los investigadores como los profesionales se centran en esto último. ^[12] Mientras que el Concurso Mundial de Previsión Energética de 2012 se centró en la previsión de la carga eléctrica y la energía eólica, la edición de 2014 tuvo como objetivo la previsión probabilística de la carga eléctrica, la energía eólica, la energía solar y los precios de la electricidad.

Un libro de texto de 2023 cubre el pronóstico de carga eléctrica y proporciona material tutorial escrito en lenguaje Python . ^[13]

Beneficios de reducir los errores de previsión de precios y carga eléctrica

La extrema volatilidad de los precios mayoristas de la electricidad , que pueden ser hasta dos órdenes de magnitud más altos que los de cualquier otro producto básico o activo financiero, ^[6] ha obligado a los participantes del mercado a protegerse no sólo contra el riesgo de volumen sino también contra los movimientos de precios. Un generador, una empresa de servicios públicos o un gran consumidor industrial que sea capaz de pronosticar los precios mayoristas volátiles con un nivel razonable de precisión puede ajustar su estrategia de oferta y su propio programa de producción o consumo para reducir el riesgo o maximizar las ganancias en el día siguiente. comercio. Sin embargo, dado que muchos departamentos de una empresa energética utilizan pronósticos de carga y precios, es muy difícil cuantificar los beneficios de mejorarlos. Una estimación aproximada de los ahorros derivados de una reducción del 1 % en el error porcentual absoluto medio (MAPE) para una empresa de servicios públicos con una carga máxima de 1 GW es: ^[14]

• 500.000 dólares al año procedentes de la previsión de carga a largo plazo ,
• $300,000 por año provenientes de pronósticos de carga a corto plazo,
• 600.000 dólares al año gracias a la previsión de precios y carga a corto plazo.

Además de pronosticar la carga eléctrica, también existen enfoques integradores para redes con alta penetración de energía renovable para pronosticar directamente la carga neta. ^[15]

Principales áreas de interés

Los subcampos más populares (en términos de la cantidad de trabajos de investigación y técnicas desarrolladas) de pronóstico energético incluyen:

• Previsión de carga (previsión de carga eléctrica, previsión de demanda eléctrica). Aunque " carga " es un término ambiguo, en la previsión de carga la "carga" normalmente significa demanda (en kW ) o energía (en kWh ) y dado que la magnitud de la potencia y la energía es la misma para los datos horarios, normalmente no se hace distinción entre demanda y energía. ^[16] La previsión de carga implica la predicción precisa tanto de las magnitudes como de las ubicaciones geográficas a lo largo de los diferentes periodos del horizonte de planificación. La cantidad básica de interés suele ser la carga total del sistema (o zonal) por hora. Sin embargo, la previsión de carga también se ocupa de la predicción de los valores de carga horarios, diarios, semanales y mensuales y de la carga máxima . ^{[5] [8] [11]} Las funciones más utilizadas para la previsión de carga provienen de datos estacionales (hora del día, días festivos...), datos históricos (cargas de electricidad pasadas), datos meteorológicos (temperatura...) y datos de movilidad humana (turismo, trabajo…). ^[17]
• Previsión del precio de la electricidad.
• Previsión de energía eólica
• Previsión de energía solar

Horizontes de previsión

Se acostumbra hablar de previsión a corto, medio y largo plazo, pero no hay consenso en la literatura sobre cuáles deberían ser realmente los umbrales:

• La previsión a corto plazo ^[18] generalmente implica horizontes que van desde unos pocos minutos hasta unos días de antelación, y es de primordial importancia en las operaciones diarias del mercado . En el pronóstico de carga, el pronóstico a muy corto plazo con tiempos de entrega medidos en minutos a menudo se considera como una clase separada de pronóstico. ^[19]
• Generalmente se prefiere la previsión a medio plazo , desde unos pocos días hasta unos meses de antelación, para los cálculos del balance , la gestión de riesgos y la fijación de precios de derivados . En muchos casos, especialmente en la previsión de precios de la electricidad , la evaluación no se basa en las previsiones puntuales reales, sino en las distribuciones de precios durante determinados períodos de tiempo futuros. Como este tipo de modelado tiene una larga tradición en las finanzas , se observa una afluencia de "soluciones financieras". ^[6]
• La previsión a largo plazo , con plazos de entrega medidos en meses, trimestres o incluso años, se concentra en el análisis y la planificación de la rentabilidad de las inversiones , como la determinación de los sitios futuros o las fuentes de combustible de las centrales eléctricas. ^[20]

Iniciativas

• Grupo de trabajo del IEEE sobre previsión energética
• Competiciones globales de previsión energética

Referencias

1. VanDeventer, William; Jamei, Elmira; Thirunavukkarasu, Gokul Sidarth; Seyedmahmoudian, Mehdi; Pronto, Tey Kok; Horan, Ben; Mekhilef, Saad; Stojcevski, Alex (1 de septiembre de 2019). "Previsión de energía fotovoltaica a corto plazo mediante técnica híbrida GASVM". Energía renovable . 140 : 367–379. doi :10.1016/j.renene.2019.02.087. ISSN  0960-1481. S2CID  115383272.
2. Seyedmahmoudian, Mehdi; Jamei, Elmira; Thirunavukkarasu, Gokul Sidarth; Pronto, Tey Kok; Mortimer, Michael; Horan, Ben; Stojcevski, Alex; Mekhilef, Saad (mayo de 2018). "Previsión a corto plazo de la potencia de salida de un sistema fotovoltaico integrado en un edificio mediante un enfoque metaheurístico". Energías . 11 (5): 1260. doi : 10.3390/en11051260 . hdl : 10536/DRO/DU:30113253 .
3. Das, Utpal Kumar; Tey, Kok pronto; Seyedmahmoudian, Mehdi; Mekhilef, Saad; Idris, Moh Yamani Idna; Van Deventer, Willem; Horan, curva; Stojcevski, Alex (1 de enero de 2018). "Previsión de generación de energía fotovoltaica y optimización del modelo: una revisión". Reseñas de energías renovables y sostenibles . 81 : 912–928. doi :10.1016/j.rser.2017.08.017. ISSN  1364-0321.
4. Das, Utpal Kumar; Tey, Kok pronto; Seyedmahmoudian, Mehdi; Idna Idris, Mohd Yamani; Mekhilef, Saad; Horan, Ben; Stojcevski, Alex (julio de 2017). "Modelo basado en SVR para pronosticar la generación de energía fotovoltaica en diferentes condiciones climáticas". Energías . 10 (7): 876. doi : 10.3390/en10070876 . hdl : 10536/DRO/DU:30099275 .
5. Shahidehpour, Mohammad; Yamín, Hatim; Li, Zuyi (2002). Operaciones de mercado en sistemas de energía eléctrica: previsión, programación y gestión de riesgos . Wiley. doi :10.1002/047122412x. ISBN 978-0471443377.
6. Weron, Rafał (2014). "Previsión del precio de la electricidad: una revisión del estado del arte con una mirada al futuro". Revista internacional de previsión . 30 (4). [Acceso abierto]: 1030–1081. doi : 10.1016/j.ijforecast.2014.08.008 .
7. Bunn, Derek W., ed. (2004). Modelización de precios en mercados eléctricos competitivos. Wiley. ISBN 978-0-470-84860-9.
8. Weron, Rafał (2006). Modelado y pronóstico de cargas y precios de electricidad: un enfoque estadístico. Wiley. ISBN 978-0-470-05753-7.
9. Kaminski, Vicente (2013). Mercados de energía. Libros de riesgo. ISBN 9781906348793.
10. Joskow, Paul L. (2001). "La crisis eléctrica de California". Revista de Oxford de política económica . 17 (3): 365–388. CiteSeerX 10.1.1.363.5522 . doi :10.1093/oxrep/17.3.365. hdl :1721.1/44978. ISSN  0266-903X. 
11. Hong, Tao; Dickey, David A. Previsión de carga eléctrica: fundamentos y mejores prácticas. OTextos. Archivado desde el original el 3 de enero de 2015 . Consultado el 29 de noviembre de 2015 .
12. Hong, Tao; Fan, Shu. "Previsión probabilística de carga eléctrica: una revisión tutorial". blog.drhongtao.com . Consultado el 29 de noviembre de 2015 .
13. Haben, Stephen; Voss, Marco; Holderbaum, William (2023). Conceptos y métodos centrales en previsión de carga: con aplicaciones en redes de distribución. Cham, Suiza: Springer International Publishing. doi :10.1007/978-3-031-27852-5. ISBN 978-3-031-27851-8. Consultado el 7 de mayo de 2023 . Versión PDF de la copia de tapa dura. Versión de libro electrónico también disponible.
14. Hong, Tao (2015). "Lecciones de Crystal Ball en análisis predictivo". Revista EnergyBiz . Primavera: 35–37. Archivado desde el original el 10 de septiembre de 2015 . Consultado el 29 de noviembre de 2015 .
15. Kaur, Amanpreet; Nonnenmacher, Lucas; Coímbra, C. (2016). "Previsión de carga neta para redes de alta penetración de energías renovables". Energía . 114 : 1073-1084. doi :10.1016/J.ENERGY.2016.08.067. S2CID  36004870.
16. "Previsión de energía: carga, demanda, energía y potencia". blog.drhongtao.com . Consultado el 29 de noviembre de 2015 .
17. Doumèche, Nathan; Allioux, Yann; Goudé, Yannig; Rubrichi, Stefania (28 de septiembre de 2023). "Dinámica espacial humana para la previsión de la demanda eléctrica: el caso de Francia durante la crisis energética de 2022". arXiv : 2309.16238 [estad.AP].
18. Sharma, Abhishek; Jain, Sachin Kumar (octubre de 2022). "Un novedoso enfoque de segmentación estacional para la previsión de carga diaria". Energía . 257 : 124752. doi : 10.1016/j.energy.2022.124752. ISSN  0360-5442.
19. "Previsión de energía: previsión de carga a muy corto, corto, medio y largo plazo". blog.drhongtao.com . Consultado el 29 de noviembre de 2015 .
20. Ventosa, Mariano; Baillo, Álvaro; Ramos, Andrés; Rivier, Michel (2005). "Tendencias en la modelización del mercado eléctrico". La política energética . 33 (7): 897–913. doi :10.1016/j.enpol.2003.10.013.

enlaces externos

• Grupo de trabajo del IEEE sobre previsión energética