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 (FER; hidroeléctrica, eólica, solar). La previsión puede ser tanto de valor de precio esperado como de previsión probabilística . ^{[1] [2] [3] [4]}

Fondo

Cuando los sectores de electricidad estaban regulados, los monopolios de servicios públicos utilizaban previsiones de carga a corto plazo para garantizar la fiabilidad de la oferta y previsiones de demanda a largo plazo como base para la planificación e inversión en nueva capacidad. ^{[5] [6]} Sin embargo, desde principios de los años 1990, el proceso de desregulación y la introducción de mercados de electricidad competitivos han ido reconfigurando el panorama de los sectores de energía tradicionalmente monopolísticos y controlados por el gobierno. En muchos países del mundo, la electricidad se comercializa ahora según las reglas del mercado mediante contratos spot y 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 de energía. Los costes de sobrecontratar o subcontratar y luego vender o comprar energía en el mercado de equilibrio suelen ser tan elevados que pueden dar lugar a enormes pérdidas financieras y, en casos extremos, a la quiebra . ^{[8] [9]} En este sentido, las empresas eléctricas son las más vulnerables, ya que por lo general no pueden trasladar sus costes a los clientes minoristas. ^[10]

Si bien ha habido una variedad de estudios empíricos sobre pronósticos puntuales (es decir, la "mejor estimación" o valor esperado del precio spot), los pronósticos probabilísticos (es decir, de intervalo y densidad) no se han investigado ampliamente hasta la fecha. ^{[6] [11]} Sin embargo, esto está cambiando y hoy en día, tanto los investigadores como los profesionales se están centrando en estos últimos. ^[12] Mientras que la Competencia Global de Pronóstico de Energía en 2012 se centró en el pronóstico puntual de la carga eléctrica y la energía eólica, la edición de 2014 apuntó al pronóstico probabilístico de la carga eléctrica, la energía eólica, la energía solar y los precios de la electricidad.

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

Beneficios de reducir errores en la previsión de carga eléctrica y precios

La extrema volatilidad de los precios mayoristas de la electricidad , que puede ser hasta dos órdenes de magnitud superior a la de cualquier otro producto básico o activo financiero, ^[6] ha obligado a los participantes del mercado a protegerse no sólo del riesgo de volumen, sino también de los movimientos de precios. Un generador, una empresa de servicios públicos o un gran consumidor industrial que sea capaz de pronosticar los volátiles precios mayoristas con un nivel razonable de precisión puede ajustar su estrategia de licitación y su propio programa de producción o consumo para reducir el riesgo o maximizar las ganancias en las transacciones diarias. Sin embargo, dado que muchos departamentos de una empresa de energía utilizan las previsiones de carga y precio, es muy difícil cuantificar los beneficios de mejorarlas. 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 por año provenientes de la previsión de carga a largo plazo ,
• 300.000 dólares al año gracias a la previsión de carga a corto plazo,
• 600.000 dólares al año procedentes de previsiones de carga y precios 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 número de artículos de investigación y técnicas desarrolladas) de la previsión energética incluyen:

• Previsión de carga (previsión de carga eléctrica, previsión de demanda eléctrica). Aunque " carga " es un término ambiguo, en previsión de carga "carga" normalmente significa demanda (en kW ) o energía (en kWh ) y dado que la magnitud de potencia y 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 durante los diferentes períodos del horizonte de planificación. La cantidad básica de interés es normalmente la carga total horaria del sistema (o zonal). Sin embargo, la previsión de carga también se ocupa de la predicción de los valores horarios, diarios, semanales y mensuales de la carga y de la carga pico . ^{[5] [8] [11]} Las características más utilizadas para la previsión de carga provienen de datos estacionales (hora del día, días festivos...), datos históricos (cargas eléctricas 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

Pronóstico de horizontes

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

• Las previsiones a corto plazo ^[18] generalmente implican horizontes que van desde unos pocos minutos hasta unos pocos días de antelación, y son de suma importancia en las operaciones diarias del mercado . En las previsiones de carga, las previsiones a muy corto plazo con tiempos de entrega medidos en minutos se consideran a menudo como una clase separada de previsiones. ^[19]
• Las previsiones a medio plazo , desde unos pocos días hasta unos pocos meses por delante, son generalmente preferidas para los cálculos de balances , la gestión de riesgos y la fijación de precios de derivados . En muchos casos, especialmente en las previsiones de precios de la electricidad , la evaluación no se basa en las previsiones puntuales reales, sino en las distribuciones de precios durante ciertos períodos futuros. Como este tipo de modelado tiene una larga tradición en finanzas , se observa una afluencia de "soluciones financieras". ^[6]
• La previsión a largo plazo , con plazos 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 futuros emplazamientos o fuentes de combustible de las centrales eléctricas. ^[20]

Iniciativas

• Grupo de trabajo del IEEE sobre previsión energética
• Concursos mundiales de previsión energética

Referencias

1. VanDeventer, William; Jamei, Elmira; Thirunavukkarasu, Gokul Sidarth; Seyedmahmoudian, Mehdi; Soon, Tey Kok; Horan, Ben; Mekhilef, Saad; Stojcevski, Alex (1 de septiembre de 2019). "Pronóstico de energía fotovoltaica a corto plazo utilizando la técnica híbrida GASVM". Energía renovable . 140 : 367–379. Código Bibliográfico :2019REne..140..367V. doi :10.1016/j.renene.2019.02.087. ISSN  0960-1481. S2CID  115383272.
2. Seyedmahmoudian, Mehdi; Jamei, Elmira; Thirunavukkarasu, Gokul Sidarth; Soon, Tey Kok; Mortimer, Michael; Horan, Ben; Stojcevski, Alex; Mekhilef, Saad (mayo de 2018). "Pronóstico a corto plazo de la potencia de salida de un sistema fotovoltaico integrado en un edificio utilizando un enfoque metaheurístico". Energies . 11 (5): 1260. doi : 10.3390/en11051260 . hdl : 10536/DRO/DU:30113253 .
3. Das, Utpal Kumar; Tey, Kok Soon; Seyedmahmoudian, Mehdi; Mekhilef, Saad; Idris, Moh Yamani Idna; Van Deventer, Willem; Horan, Bend; Stojcevski, Alex (1 de enero de 2018). "Previsión de la generación de energía fotovoltaica y optimización de modelos: una revisión". Renewable and Sustainable Energy Reviews . 81 : 912–928. Bibcode :2018RSERv..81..912D. doi :10.1016/j.rser.2017.08.017. ISSN  1364-0321.
4. Das, Utpal Kumar; Tey, Kok Soon; 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". Energies . 10 (7): 876. doi : 10.3390/en10070876 . hdl : 10536/DRO/DU:30099275 .
5. Shahidehpour, Mohammad; Yamin, Hatim; Li, Zuyi (2002). Operaciones de mercado en sistemas de energía eléctrica: pronóstico, 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). Modelado de precios en mercados competitivos de electricidad. 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, Vincent (2013). Mercados de energía. Libros de riesgo. ISBN 9781906348793.
10. Joskow, Paul L. (2001). "La crisis de la electricidad en California". Oxford Review of Economic Policy . 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. Pronóstico de carga eléctrica: fundamentos y mejores prácticas. OTexts. Archivado desde el original el 2015-01-03 . Consultado el 2015-11-29 .
12. Hong, Tao; Fan, Shu. "Pronóstico probabilístico de carga eléctrica: una revisión del tutorial". blog.drhongtao.com . Consultado el 29 de noviembre de 2015 .
13. Haben, Stephen; Voss, Marcus; Holderbaum, William (2023). Conceptos y métodos básicos en la 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 del ejemplar de tapa dura. Versión eBook 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, Lukas; Coimbra, C. (2016). "Previsión de carga neta para redes de alta penetración de energía renovable". Energía . 114 : 1073–1084. Bibcode :2016Ene...114.1073K. doi :10.1016/J.ENERGY.2016.08.067. S2CID  36004870.
16. "Previsión energética: carga, demanda, energía y potencia". blog.drhongtao.com . Consultado el 29 de noviembre de 2015 .
17. Doumèche, Nathan; Allioux, Yann; Goude, Yannig; Rubrichi, Stefania (28 de septiembre de 2023). "Dinámica espacial humana para la previsión de la demanda de electricidad: el caso de Francia durante la crisis energética de 2022". arXiv : 2309.16238 [stat.AP].
18. Sharma, Abhishek; Jain, Sachin Kumar (octubre de 2022). "Un nuevo enfoque de segmentación estacional para la previsión de carga con un día de antelación". Energía . 257 : 124752. Bibcode :2022Ene...25724752S. doi :10.1016/j.energy.2022.124752. ISSN  0360-5442.
19. "Previsión de energía: previsión de carga a muy corto, corto, mediano 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". Política Energética . 33 (7): 897–913. Código Bib : 2005EnPol..33..897V. doi :10.1016/j.enpol.2003.10.013.

Enlaces externos

• Grupo de trabajo del IEEE sobre previsión energética