Desarrollo y evaluación de modelos basados en Deep Learning para la predicción de variables de generación del sistema eléctrico

Abstract

Los sistemas eléctricos están cambiando debido al rápido crecimiento de la generación renovable, que está sujeta a una gran variabilidad. Por esto, una buena predicción de estas generaciones es cada vez más importante. En la primera parte de la tesis se estudia la predicción de la irradiancia con horizontes de hasta seis horas utilizando deep learning. Se evalúan los modelos en diferentes localizaciones, obteniéndose predicciones con rangos de error similares a los de la literatura incluso en situaciones en las que no es posible acceder a mediciones en tiempo real de irradiancia. En la segunda parte de la tesis se obtienen predicciones agregadas a nivel nacional de diferentes generaciones renovables como la solar térmica y la eólica, además de predicciones de la demanda eléctrica. Esto permite obtener predicciones para el precio de la electricidad y evaluar su utilidad para la participación en los mercados eléctricos de futuro.

Due to the increase in calculation capacities and available information, neural networks have become one of the predominant techniques for the time series forecasting. The first part of the thesis studies the irradiance forecasting for horizons of up to six hours. Different error metrics and available data sources are evaluated. The performance of the best model is tested for different data availability. The final forecasts present state of the art performances even in the absence of irradiance measurements. The second part of the thesis applies the previous forecasting techniques to other problems in the energy field, developing a neural network to forecast the electricity prices with forecasting horizons of up to 10 days. Finally, the use of these forecasts is used to simulate the decision-making by market agents and assess their potential benefits.