El pronosticador: Uso del aprendizaje automático para predecir el consumo y la generación de energía

"Es difícil hacer predicciones, especialmente sobre el futuro" - Robert Storm Petersen

Predecir el futuro puede ser difícil, pero a menudo es necesario para dirigir el negocio. La previsión de la energía tiene una importancia primordial en las operaciones diarias del mercado. La previsión a corto plazo suele implicar horizontes de previsión que van de unos minutos a unos días. Los proveedores de energía y los operadores de sistemas de distribución se benefician de las predicciones precisas de la demanda y la generación de energía porque pueden orquestar de forma óptima sus activos flexibles para alcanzar sus objetivos empresariales.

El módulo Forecaster de Hive Platform calcula previsiones estocásticas a corto plazo del consumo de energía agregado y de la generación fotovoltaica, utilizando los métodos de aprendizaje automático más avanzados disponibles. Estocástico significa que no sólo predecimos la "forma" de la curva de carga a lo largo del tiempo, sino que también calculamos intervalos de confianza en torno a esta curva. Los intervalos de predicción son esenciales cuando se trata de aplicaciones de gestión de riesgos, como la predicción del pico de consumo diario o mensual y la activación eficiente de los mecanismos de reducción de picos.

¿Cómo funciona?

No existe una bola de cristal (por desgracia). En su lugar, el pronosticador de la plataforma Hive predice el consumo y la generación futuros aprendiendo lo que ocurrió en el pasado y utilizando la información disponible en el futuro. El pronosticador consiste en un conjunto de modelos de aprendizaje automático entrenados y continuamente reinformados por un rico conjunto de datos.

Los datos que se introducen en estos modelos incluyen la propia señal de energía, las predicciones meteorológicas numéricas (temperatura, radiación solar, velocidad y dirección del viento, humedad y un montón de otros parámetros), la información sobre la estacionalidad (la hora del día, el día de la semana, el mes del año, etc.), los días festivos, las vacaciones escolares y los eventos personalizados (cierres, noches blancas, eventos importantes, eventos religiosos, etc.).

El tiempo es el rey

La meteorología es, con mucho, el factor externo más importante que afecta al consumo y la generación de energía. Por esta razón, Hive Power decidió realizar un estudio de investigación interno para revisar y seleccionar el proveedor de predicción meteorológica numérica más eficaz. Un criterio importante que tuvimos en cuenta fue la disponibilidad de previsiones meteorológicas históricas. Muchos proveedores meteorológicos no archivan ni almacenan sus predicciones. Sin embargo, las previsiones meteorológicas históricas son de crucial importancia para entrenar un modelo de predicción energética. Para ser robusto y fiable, un modelo debe entrenarse con el mismo tipo de datos que se utilizará en el momento de la inferencia. Para entender este punto, pensemos en lo siguiente. Si entrenamos el modelo con observaciones meteorológicas reales, el modelo aprendería a confiar en las señales meteorológicas hasta un cierto nivel. Al utilizar este modelo para predecir el futuro, tendríamos que sustituir las observaciones meteorológicas por predicciones meteorológicas, que no serán 100% precisas por definición de predicción. Por lo tanto, el modelo dará demasiada importancia a las predicciones meteorológicas y se engañará a sí mismo. Por el contrario, si entrenamos el modelo con las predicciones meteorológicas, éste aprenderá a confiar menos en los parámetros meteorológicos y cometerá menos errores en el momento de la inferencia. ¿Aún eres escéptico? Haga la prueba usted mismo. Algunos de nuestros científicos más recelosos lo hicieron y encontraron exactamente lo que se esperaba.

Previsión meteorológica de referencia

Estudiamos una docena de proveedores diferentes, filtramos los que no cumplían nuestros requisitos y nos quedamos con cinco finalistas. A continuación, les pedimos una muestra de sus datos para crear una referencia. Les pedimos un año de predicciones horarias de la temperatura a nivel del suelo y la radiación solar generadas para un solo lugar en torno a la medianoche y que abarcaran de 24 a 48 horas, que es el horizonte de previsión típico de nuestros modelos de predicción energética. Comparamos estas predicciones con las observaciones locales reales y nos quedamos atónitos al descubrir el rendimiento superior de Meteomatics. En las figuras siguientes, mostramos algunos resultados. En la Figura 1, trazamos la distribución de la discrepancia entre la temperatura observada y la predicha. En la Figura 2, superponemos las cinco distribuciones para una comparación más cómoda. Una situación similar se encontró para los parámetros de radiación solar. Nos pareció entonces que las predicciones meteorológicas numéricas de Meteomatics eran las más precisas y bien calibradas.

Figura 1 - Distribución de la discrepancia entre la temperatura del suelo observada y la prevista para cinco proveedores meteorológicos diferentes. Las líneas verticales discontinuas indican la media de cada distribución (sólo el error medio de Meteomatics está centrado en el cero). En cada gráfico se indica el error absoluto medio (MAE) (cuanto más bajo, mejor).

Figura 2 - Las mismas distribuciones de error de la Figura 1 superpuestas (tras estimar su densidad de núcleo). La curva de Meteomática es la más estrecha y la única que tiene centro cero.

El inicio de una asociación estratégica

"Buscábamos un proveedor único que pudiera proporcionarnos datos meteorológicos actualizados y detallados que cubrieran Europa, y que debían estar convenientemente disponibles a través de una API RESTful. Nos llevó bastante tiempo evaluar a varios proveedores de predicción meteorológica numérica. No fue una elección fácil debido a nuestra exigente lista de criterios, pero Meteomatics cumplió todos los requisitos y superó nuestras expectativas. Buscábamos un proveedor que cubriera todo el mundo, con especial atención a Europa y, sobre todo, a los Alpes, que son una región difícil en lo que respecta a la predicción meteorológica de alta resolución. En nuestro propio ejercicio de evaluación comparativa de las previsiones, quedó claro que Meteomatics era el pronosticador meteorológico más preciso, sobre todo a corto plazo. Nos encantó descubrir la gran cantidad de parámetros meteorológicos estándar y avanzados que ofrece la API de Meteomatics. Estamos encantados de haber elegido a Meteomatics como proveedor de datos meteorológicos, y prevemos una larga y fructífera colaboración con ellos", dijo Gianluca Corbellini, Director General de Hive Power.

Puede leer más sobre esto en el último comunicado de prensa de Meteomatics: https://www.meteomatics.com/en/meteomatics-and-hive-power-agree-strategic-partnership/. Esté atento a un próximo seminario web (26 de octubre de 2021) en el que Hive Power y Meteomatics le guiarán a través de una mirada en profundidad sobre cómo las predicciones meteorológicas numéricas informan a los modelos de predicción de energía.