An Integrated Explainable Machine Learning Framework for Demand-Side Flexibility Characterization Based on Smart Meter Analytics and Price Responsiveness
- Autores: Santiago Bañales López
- Directores de la Tesis: Raquel Dormido Canto (dir. tes.), Natividad Duro Carralero (codir. tes.)
- Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2026
- Idioma: inglés
- Número de páginas: 171
- Tribunal Calificador de la Tesis: Matilde Santos Peñas (presid.), José Sánchez Moreno (secret.), Manuel Dominguez Gonzalez (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería de Sistemas y de Control por la Universidad Nacional de Educación a Distancia
- Calificación: Sobresaliente Cum Laude
- Materias:
- Enlaces
- Tesis en acceso abierto en: TESEO
- Resumen
- español
La electrificación de la demanda energética y la creciente penetración de fuentes renovables intermitentes están transformando los sistemas eléctricos a escala global. En este contexto, la flexibilidad de la demanda constituye uno de los pilares fundamentales para garantizar la fiabilidad, la eficiencia y la descabornización del sistema eléctrico. Sin embargo, a pesar de su potencial ampliamente reconocido, el impacto real de la flexibilidad sigue siendo limitado. Entre las principales lagunas identificadas en la literatura, esta tesis aborda tres retos interrelacionados: (i) el desarrollo de métricas de flexibilidad basadas en datos y sin valor base de referencia; (ii) la evaluación empírica granular de la respuesta al precio; y (iii) la explicación cuantitativa de la heterogeneidad en el comportamiento de los consumidores.
Para abordar estos retos, esta tesis propone un marco integrado y explicable de aprendizaje automático basado en datos procedentes de contadores inteligentes. La metodología combina descomposición estructurada de series temporales, clustering multi-etapa basado en la demanda utilizando únicamente información habitualmente accesible a las empresas energéticas. La respuesta el precio se estima tanto a nivel agregado como individual mediante modelos de regresión penalizada, mientras que los factores explicativos de la heterogeneidad se analizan mediante técnicas de Gradient Boosting y métodos de explicabilidad basadas en SAHP. La validación empírica, realizada sobre conjuntos de datos públicos de contadores inteligentes, demuestra que la flexibilidad de la demanda puede caracterizarse mediante una taxonomía estructurada de métricas interpretables. Asimismo, se observa que los patrones de consumo energético ex ante explican una parte significativa de la variabilidad observada en la respuesta al precio. Los resultados confirman una respuesta al precio moderada pero estadísticamente significativa, con una heterogeneidad sustancial entre consumidores y periodos temporales.
Los resultados obtenidos proporcionan una base cuantitativa útil para tres ámbitos de aplicación: la mejora de la segmentación y selección de consumidores, el diseño de programas de respuesta de la demanda y el desarrollo de plataformas digitales automatizadas para la gestión de la flexibilidad. De este modo, la metodología presentada y testeada en esta tesis contribuye a una integración escalable de los recursos flexibles en los sistemas eléctricos del futuro mediante plataformas de datos con capacidades predictivas.
- English
The electrification of energy end uses and the increasing penetration of intermittent renewable energy sources are transforming electricity systems worldwide. In this context, demand-side flexibility has emerged as a key pillar to ensure system reliability, efficiency, and decarbonization. Despite its widely acknowledged potential, the effective realization of demand flexibility remains limited. Among the existing research gaps, this thesis addresses three interconnected challenges: (i) the development of data-driven, baseline-free flexibility metrics; (ii) the granular empirical assessment of price responsiveness; and (iii) the quantitative explanation of heterogeneous customer responses.
To address these challenges, this thesis develops an integrated and explainable machine learning framework based on smart meter data. The methodology combines structured time series decomposition, multi-step dictionary-based clustering, and systematic feature extraction to characterize demand flexibility using only data typically available to energy companies. Price responsiveness is estimated at both aggregated and individual levels using penalized regressionmodels, while heterogeneity drivers are analyzed through Gradient Boosting and SHAP-based explainability techniques. Using publicly available empirical validation on smart meter datasets, we demonstrate that demand flexibility can be characterized through a structured taxonomy of interpretable metrics. Moreover, we find that ex-ante energy use patterns explain a significant share of the observed variability in price responsiveness. Results confirm moderate but statistically significant price responsiveness, with substantial heterogeneity across customers and time periods.
The findings provide a quantitative foundation that informs three key areas: improved customer targeting, the design of demand response programs, and the development of automated digital flexibility platforms. By doing so, they support a transition towards a more scalable, predictive, and data-driven integration of demand-side resources in future electricity systems.
- español
