| TAZ-TFG-2021-2185 |
Previsión del precio del mercado mayorista de la energía eléctrica mediante redes neuronales
Alcalde Sierra, Daniel
Bernal Agustín, José Luis (dir.)
Universidad de Zaragoza,
EINA,
2021
Ingeniería Eléctrica department, Ingeniería Eléctrica area
Graduado en Ingeniería de Tecnologías Industriales
Abstract: A través de este trabajo de fin de grado se ha realizado un modelo de predicción del precio de la electricidad, mediante la introducción de variables que ejercen influencia sobre él.
Se han estudiado los factores que pueden afectar con mayor fuerza la determinación del precio y se ha entrenado, con estas variables, una red neuronal que ha permitido crear este modelo y ejecutarlo a partir de una función de MATLAB.
Se ha realizado una primera estimación, la cual se ha ido mejorando con la adición de nuevas variables que han permitido reducir la diferencia entre los valores estimados obtenidos mediante el modelo y los valores reales. Todo esto ha sido estudiado con la utilización de numerosas gráficas comparando las curvas de los precios reales y estimados durante los distintos periodos de tiempo.
Gracias a este análisis se ha comprobado la gran influencia que conllevan diversos factores en el precio de la electricidad, como es el caso de las cantidades de energía generadas por las distintas tecnologías de generación, la demanda de energía o el precio y el volumen del gas.
Por último, se ha comprobado si empleando las variables del modelo en distintas configuraciones temporales de entrenamiento y predicción que la inicial se consiguen alcanzar resultados de la misma utilidad. Para ello se ha realizado el entrenamiento con datos de las variables en época de COVID-19 (2020 y 2021), y posteriormente se ha realizado la predicción
del precio en el año 2019, en el cual todavía no ejercía influencia la pandemia.
La realización de este estudio ha permitido demostrar que las variables utilizadas se comportan de un modo similar para cualquier configuración temporal, proporcionando una estimación que sigue fielmente la tendencia de los valores reales y que, por lo tanto, su utilización puede ser de
gran utilidad en el futuro.
Se han estudiado los factores que pueden afectar con mayor fuerza la determinación del precio y se ha entrenado, con estas variables, una red neuronal que ha permitido crear este modelo y ejecutarlo a partir de una función de MATLAB.
Se ha realizado una primera estimación, la cual se ha ido mejorando con la adición de nuevas variables que han permitido reducir la diferencia entre los valores estimados obtenidos mediante el modelo y los valores reales. Todo esto ha sido estudiado con la utilización de numerosas gráficas comparando las curvas de los precios reales y estimados durante los distintos periodos de tiempo.
Gracias a este análisis se ha comprobado la gran influencia que conllevan diversos factores en el precio de la electricidad, como es el caso de las cantidades de energía generadas por las distintas tecnologías de generación, la demanda de energía o el precio y el volumen del gas.
Por último, se ha comprobado si empleando las variables del modelo en distintas configuraciones temporales de entrenamiento y predicción que la inicial se consiguen alcanzar resultados de la misma utilidad. Para ello se ha realizado el entrenamiento con datos de las variables en época de COVID-19 (2020 y 2021), y posteriormente se ha realizado la predicción
del precio en el año 2019, en el cual todavía no ejercía influencia la pandemia.
La realización de este estudio ha permitido demostrar que las variables utilizadas se comportan de un modo similar para cualquier configuración temporal, proporcionando una estimación que sigue fielmente la tendencia de los valores reales y que, por lo tanto, su utilización puede ser de
gran utilidad en el futuro.
Tipo de Trabajo Académico: Trabajo Fin de Grado
Permalink:
El registro pertenece a las siguientes colecciones:
Academic Works > Trabajos Académicos por Centro > escuela-de-ingeniería-y-arquitectura
Academic Works > End-of-grade works