IEEE Power & Energy Magazine - Spanish - May/June 2022 - 33

Un ejemplo más reciente es el modelo autorregresivo estimado
por el LASSO (LEAR), un método de código abierto
que surgió en 2021 como uno de los dos desafíos de referencia
de las EPF contemporáneas. El modelo LEAR es una
estructura autorregresiva rica en parámetros con cerca de
250 variables explicativas. Es decir, a fin de prever el precio
para una hora, el modelo usa precios por hora de hace uno,
dos, tres y siete días; el DA por hora prevé dos variable exógenas
(p. ej., la carga del sistema y la generación de energía
eólica) para hoy, ayer y hace una semana; y variables ficticias
de los días de la semana.
La estructura del modelo se observa en la figura 4 junto
con un resumen gráfico de la importancia de los datos de
entrada seleccionados para los datos de mercado de Nord
Pool. Se usaron datos de cuatro años (2013-2016) para calibrar
y de dos (2017-2018) para hacer pruebas; los coeficientes
(ponderaciones) se estimaban nuevamente todos los días.
Los cuadrados grises del medio representan vectores de 24
dimensiones de variables explicativas: precios por hora de
hace uno, dos, tres y siete días
(pp pp )-- y
dd and
d
i
d
i
-17
i 1= para
d
i
la carga del sistema, y i 2= para la generación de energía
eólica). Los cuadrados grises inferiores representan las
variables ficticias de los días de la semana (D).
El círculo púrpura es la variable prevista, aquí representa
el precio para la hora 18, es decir, las 6 p.m. Un conjunto de
24 de estos modelos arroja pronósticos para las 24 h del día
d. Los " tableros de ajedrez " a la izquierda ilustran la importancia
de las variables explicativas seleccionadas. Mientras
más verde es el cuadrado, más frecuentemente se selecciona
la característica (eje vertical) para una hora objetivo determinada
(eje horizontal; se destaca la hora 18) en el periodo
de prueba. Los cuadrados gris oscuro representan las características
que (casi) nunca se seleccionan. Existe una correlación
entre las previsiones de la carga de ayer por hora h para
80
70
60
50
40
30
20
10
pd−1,1
pd−1,2
pd−1
...
pd−2
pd−1,24
...
pd−7
DLun
Invierno
Verano
DMar
...
DDom
Xd
...
D
pd,h
( ,,, )
pp pp12 dd12 dd-- 37-- 37dd and ,,, y
-los
pronósticos de DA por hora de variables exógenas para
hoy, ayer y hace una semana ,,;(XX X
Datos de
entrada del
modelo
Datos de
salida del
modelo
hoy y el precio para esta hora, véase la diagonal verde en el
centro del " tablero de ajedrez " . Además, los pronósticos de
la carga de ayer para el pico matutino (horas 8-9) y la tarde
(horas 22-24) también acarrean información importante,
véase las rayas verdes horizontales en el mismo " tablero de
ajedrez " .
Más y más profundo
Antes, el desafío de usar RN era la complejidad informática.
Entrenar estructuras pequeñas, como la de la figura 1(b),
era realizable, pero calibrar modelos más grandes consumía
mucho tiempo y recursos y, en algunos casos, era incluso
imposible. Por ejemplo, durante la fase de optimización,
el gradiente con frecuencia se tornaría en cero o infinito,
30,000
Pronóstico de la carga de ayer para hoy (MW)
60,000
40,000
50,000
70,000
figura 2. La relación entre los precios de la electricidad
y la carga prevista no es lineal y exhibe distintivas variaciones
estacionales, como ilustran los datos del 2017 del
mercado escandinavo de Nord Pool.
mayo/junio 2022
figura 3. Una regresión estimada por el LASSO, el
siguiente paso en la evolución de los modelos de EPF. Los
cuadrados grises denotan los vectores de las variables, y
las flechas discontinuas reflejan el hecho de que el LASSO
puede eliminar algunos de los vínculos. Al igual que en
la figura 1, los cuadrados blancos representan los datos
de entrada y el círculo púrpura es la variable de salida.
(Fuente: el gráfico de la evolución humana es una modificación
del " Human Evolution Scheme " (Esquema de evolución
humana) de José-Manuel Benitos. Disponible bajo los
términos de la licencia de documentación libre de GNU).
ieee power & energy magazine
33
Precios (€/MWh) de hoy (reales)
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
