COMPARACIÓN DE TÉCNICAS PREDICTIVAS BASADAS EN SERIES                                                                     ...
Upcoming SlideShare
Loading in …5
×

Comparación de técnicas predictivas basadas en series temporales aplicadas al índice de claridad semidiario

263 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
263
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
1
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Comparación de técnicas predictivas basadas en series temporales aplicadas al índice de claridad semidiario

  1. 1. COMPARACIÓN DE TÉCNICAS PREDICTIVAS BASADAS EN SERIES V.4.J.7 ÉRI CO IB O TEMPORALES APLICADAS AL ÍNDICE DE CLARIDAD SEMIDIARIO C GR E SO ICAN XIV IBER GÍA 8 R ON OAME SOLAR IX ENER 200 DE Junio O VIG Martín L., Zarzalejo L.F., Polo J., Navarro A., Marchante R.1. INTRODUCCIÓN 2. PROPIEDADES ESTADÍSTICAS DE LA SERIE DE ÍNDICE DE CLARIDAD La participación en el mercado liberalizado de la energía (RD 436/2004, 661/2007) se rige de acuerdo a dos reglas básicas: 1. predecir hasta 72 horas de antelación energía ofertada. 2. Las FUNCIÓN DE DENSIDAD DE PROBABILDAD MUESTRAL desviaciones son fuertemente penalizadas. Se abordara el estudio de la predictibilidad meteorológica aplicada a valores semidiarios de índice de claridad con horizonte de predicción de Alta frecuencia de condiciones de cielo claro. La función de distribución de seis ciclos semidiarios. probabilidad del índice de claridad se aproximada a una función biexponencial dependiente del índice de claridad medio mensual y en base a los valores máximo y4. RESULTADOS mínimos de cada mes. Cada modelo ensayado se compara con el modelo persistencia (PER). Se estudia la mejora de los modelos en términos porcentuales comparado con la desviación cuadrática media (RMSD) MADRID MURCIA 45.0° N N 1 6 6 ∑ ( xi − xi ) 2 RMSD = ˆ 42.5° N N i=1 40.0° N 5 5 • Madrid RRN AEMet  i − errorm  4 4 N ú m ero d e m u estras mejora = 1 − 37.5° N ÷ • Murcia RRN AEMet  i − error ÷ 3 3  p  35.0° N 15.0° W12.5° ° 10.0° E W10.0° W 7.5° W 5.0° W 2.5° W 0.0° 2.5 ° E 5.0° E 7.5 E 2 2 MADRID RRN AEMet MURCIA RRN AEMet 40 40 1 1 M S (2)-AR (1) 38 M S (2)-AR (2) 38 M S (2)-AR (3) M S(2)-AR (1) 0 0 M S(2)-AR (2) 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 36 M S (2)-AR (4) 36 M S(2)-AR (3) K t S e m idiario K t S e m idiario % R M S D Pred icció n S em id iaria K t P ersisten cia 34 34 M S(2)-AR (4) P ersistencia M 32 32 FUNCIÓN DE AUTOCORRELACIÓN PARCIAL MUESTRAL S - 30 30 Presenta un valor significativo exclusivamente con el semidía anterior entre 0.5 y 0.7. A 28 28 R 26 26 MADRID MURCIA 24 24 22 22 1 2 3 4 5 6 1 2 3 4 5 6 Horizonte Predicción (Sem idías) Horizonte Predicción (Sem idías) 0 .8 0 .8 40 40 N N (1) N N (1) 38 N N (2) 38 N N (2) N N (3) 0 .6 0 .6 N N (3) 36 N N (4) 36 N N (4) % R M S D P red icció n S em id iaria K t N N (5) N N (6) N N (5) 0 .4 0 .4 34 34 N N (7) N N (6) 32 N N (8) 32 N N (7) N N (9) N N (8) 0 .2 0 .2 N 30 N N (10) 30 N N (9) PER N N (10) N 28 28 PE R 0 0 26 26 -0 .2 -0 .2 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 24 24 R e ta rd o R e ta rd o 22 22 1 2 3 4 5 6 1 2 3 4 5 6 Horizonte Predicción (S em idías) Horizonte Predicción (Sem idías) 40 40 3. METODOLOGÍA 38 38 A N FIS (1 ) A N FIS (2 ) Método de intercambio de modelos autorregresivos en base a cadenas de Markov 36 36 A N FIS (3 ) (MS-AR) % R M S E P red icció n Sem id iaria K t A N FIS (4 ) 34 34 A N FIS (5 ) Se expresa mediante K modelos autorregresivos según los diferentes estados (St) del sistemaA P ersistencia representado mediante cadenas de Markov de orden 2. 32 32NF 30 A NF IS (1) 30 Redes Neuronales (NN)I 28 A NF IS (2) 28 Se basa en una simulación abstracta de los sistemas nerviosos biológicos que tratan de mimetizar A NF IS (3)S A NF IS (4) sus habilidades. NN(z) índica el tamaño del vector patrón de entrada empleado z=1…10. 26 26 A NF IS (5) 24 PE R 24 Adaptative Network based Fuzzy Inference System (ANFIS) 22 22 Utiliza un método de aprendizaje híbrido , el cual puede construir un mapa entrada-salida 1 2 3 4 5 6 1 2 3 4 5 6 basado en el conocimiento humano (bajo reglas borrosas if-then) y pares de datos entrada-salida. Horizonte Predicción (Sem idías) Horizonte Predicción (Sem idías) ANFIS(z) índica el tamaño del vector patrón de entrada empleado z=1…5. M adrid: M ejora frente Persistencia M urcia: M ejora frente Persistencia 24 M S (2)-A R (1)/P ersistencia 24 5. CONCLUSIONES 22 •Los métodos nolineales presentan mejores resultados que el método lineal N N (10)/P ersistencia 22M A N FIS (6)/P ersistenciaE 20 20 ensayado, aunque no existe una diferencia significativa.J 18 18 •Los métodos nolineales mejoran resultado aumentando el número deO semidías de entrada debido al comportamiento no-lineal del índice de M ejo ra % R M S D 16 16R M S (2)-A R (1)/P ersistenciaA 14 14 N N (10)/P ersistencia A N FIS (6)/P ersistencia claridad./ •El método ANFIS presenta menor incertidumbre para el primer semidía 12 12P predicho.E 10 10 •Todos los métodos ensayados tienen menor incertidumbre en datos de laR 8 8 estación de Murcia debido a que los días claros (con mayor frecuencia en esta 6 1 2 3 4 5 6 6 1 2 3 4 5 6 localidad) adquieren mayor peso en los parámetros de los modelos. La Horizonte Predicción (Sem idías) Horizonte Predicción (Sem idías) autocorrelación parcial no ha influenciado en la mejora de los resultados. División de Energías Renovables (Departamento de Energía), CIEMAT, Av. Complutense nº22, Madrid, 28040, (Madrid) España, +34 913466048, luis.martin@ciemat.es

×