Gran Canaria, España
La evolución económica es el factor que más influye sobre el consumo eléctrico de cada país y de cada región, en las estimaciones a largo plazo. En años de crisis económica y financiera, como la actual, se constata una gran variabilidad del Producto Interior Bruto (PIB) y del Índice de Precios de Consumo (IPC). Este último sensible a la evolución del precio de la energía y al establecimiento de políticas monetarias. Por ello, en este trabajo se investiga la mejora de incluir el IPC, además del PIB y la población, como variable explicativa en las estimaciones de la demanda del consumo eléctrico. Para las compañías eléctricas es importante disponer de eficientes técnicas de predicción, para poder reducir la incertidumbre de la demanda de energía y obtener una programación óptima y realista de la producción de energía eléctrica. Para obtener conclusiones más objetivas, se realizan estimaciones con métodos de predicción de distinta naturaleza, tales como la Regresión Lineal Múltiple y la Regresión Logarítmica Múltiple, que son técnicas estadísticas clásicas, una Máquina de Vectores Soporte, que es una técnica de aprendizaje estadístico, un Algoritmo Genético, que es una técnica de computación evolutiva, y una Red Neuronal Artificial, que es una técnica de aprendizaje automático. Como caso de estudio se considera la predicción de la demanda de energía eléctrica en la Región Canaria, de gran interés por ser un sistema eléctrico aislado. Se obtienen mejores resultados de predicción con las técnicas de mayor capacidad de emular dependencias no lineales de la demanda de energía eléctrica en relación con la población, el PIB y el IPC.
The economic development is the most influential factor on the power consumption of each country and each region, in long term estimation. In years of economic and financial crisis like the current one, a great variability of Gross Domestic Product (GDP) and Consumer Price Index (CPI) is observed. Particularly, CPI is sensitive to changes in the price of energy and the establishment of monetary policy. Therefore, the improvement of including CPI, in addition to GDP and population, as an explanatory variable to forecast the electricity consumption is investigated. For electricity companies it is important to have efficient prediction techniques to reduce uncertainty in the energy demand and obtain an optimal and realistic scheduling of the production of electricity. In pursuit of more objective conclusions, estimates are made using prediction methods of different nature, such as Multiple Linear Regression and Multiple Logarithmic Regression, which are classical statistical techniques, Support Vector Machine, which is a statistical learning technique, a Genetic Algorithm, which is an evolutionary computation techniques and an Artificial Neural Network, which is a machine learning technique. As a case study, the prediction of electricity demand in the Canary Islands is considered. It is of great interest for being an insulated electric system. The best prediction results are obtained with techniques which posses a greater capability to emulate nonlinear dependencies of the electricity demand in relation to population, GDP and CPI.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados