Modelado de la demanda de energía eléctrica en base de pronósticos meteorológicos utilizando redes neuronales artificiales

UHRIG, MARIELA; MÜLLER, OMAR

Santa María

Workshop; First B2IST Project Workshop; 2023

Universidade Federal de Santa Maria

La energía eléctrica es un servicio público esencial para las sociedades modernas. En los sistemas energéticos regionales, el pronóstico de demanda del servicio resulta clave para planificar a priori la distribución de energía, optimizando los recursos disponibles y minimizando los cortes de suministro. Sin embargo, las empresas proveedoras del servicio en la región, cuentan con herramientas de estimación precarias.La meteorología abarca la ciencia del tiempo y del clima. De ella obtenemos información y datos meteorológicos como extremos de temperatura, viento y precipitación y sus correspondientes episodios de tiempo adverso. El sector energético necesita este tipo de información para apoyar la toma de decisiones tanto para las operaciones diarias como para ajustar las necesidades de la gestión de la red eléctrica y poder así realizar la planificación estratégica a más largo plazo.El objetivo es proveer un modelo que permita predecir la demanda de energía a partir de datos meteorológicos y los registros de demanda histórica de consumo energético.ENERSA (Energía de Entre Ríos, Sociedad Anónima), brinda la información sobre los consumos históricos de energía, así como la topología de red del momento y los consumos por distribución del cuadro tarifario.El Centro de Estudios de Variabilidad y Cambio Climático (CEVARCAM) genera diariamente desde el año 2012, pronósticos meteorológicos con el modelo numérico WRF (Weather and Research Forecasting) de los cuales obtenemos datos de catorce variables meteorológicas desde el 01-01-2012 a la fecha.Se han realizado análisis preliminares de estacionalidad anual entre demandas y temperaturas, pudiendo observar que en los meses de verano e invierno se dan consumos altos de energía eléctrica. Y que en invierno los consumos son mayores que las estaciones intermedias.En análisis de estacionalidad semanal se pudo observar que los consumos más altos se dan entre el martes y jueves, y que el domingo es el día de menor consumo.En estos análisis se pudo observar que la demanda se relaciona con las temperaturas mínimos y máximas de la región en estudio.Se ha realizado un primer experimento con la red LSTM obteniendo buenos resultados con un error de 0,12 en la función de pérdida de testeo.Análisis y experimento similares se harán a futuro con otras variables y otros modelos.