VERONICA ALVAREZ SANTIAGO MAZUELAS JOSE ANTONIO LOZANO 09

Verónica Álvarez Castro, Santiago Mazuelas Franco y José Antonio Lozano Alonso

PREMIOS SOCIEDAD DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA (SEIO)-FUNDACIÓN BBVA

Mejor Contribución Aplicada con un Impacto en el Ámbito Social, la Innovación o la Transferencia del Conocimiento en el Campo de la Estadística

2022

Por su artículo Probabilistic Load Forecasting Based on Adaptative Online Learning (“Predicción probabilística de la carga eléctrica basada en aprendizaje online adaptativo”) publicado en IEEE-Transactions on Power Systems. “El trabajo representa una mejora significativa en la precisión y fiabilidad de las predicciones de demanda de electricidad”, una cuestión que “es cada vez más importante a causa del cambio climático”, destaca el jurado.

CONTRIBUCIÓN

Descarga

Discurso de agradecimiento

«Producir más electricidad de la que se necesita es caro: porque no se consume, pero hay que asumir el coste de su generación, y por su impacto en el medio ambiente. Producir menos energía de la que se necesita también es caro, porque para atender la demanda tendremos que comprarla a otro país que, obviamente, nos la venderá a un precio mayor». Así explica Verónica Álvarez Castro, del Centro Vasco de Matemáticas Aplicadas (BCAM), la importancia de contar con herramientas que ayuden a predecir la demanda de electricidad. La investigadora, junto a sus colegas en el BCAM Santiago Mazuelas y José Antonio Lozano, han creado un algoritmo de predicción que acierta mucho, aprende en condiciones cambiantes y permite manejar bien la incertidumbre.

“El algoritmo que hemos desarrollado para predecir la demanda de electricidad puede trabajar con variables como la temperatura, la humedad o si se trata de un día festivo; es decir, condiciones que afectarán al consumo de energía” – Verónica Álvarez Castro

Este sistema de inteligencia artificial, galardonado con el premio a la Mejor Contribución Aplicada en Estadística, analiza bases de datos de consumo y aprende de ellas para hacer predicciones. Porque los patrones de consumo varían no solo de un año a otro, sino también entre estaciones o de una semana a la siguiente. Y lo testaron en áreas de tamaño tan diverso como un grupo de cien edificios, todo Bélgica (11,5 millones de habitantes) o poblaciones como Dayton, en Ohio, Estados Unidos (algo más de 137.000 residentes).

«El algoritmo estudia esos datos y hace una predicción de consumo para cada una de las 24 horas de la jornada siguiente. Luego comprueba si ha acertado, registra los nuevos datos reales y vuelve a hacer una predicción. Y, así, sucesivamente, no deja de aprender, y sus resultados han acabado siendo realmente buenos comparados con otras herramientas del sector: su tasa de error está entre el 4 y el 10 %», explica Álvarez.

Otra ventaja del sistema es que «puede trabajar con variables como la temperatura, la humedad o si se trata de un día festivo; es decir, condiciones que afectarán al consumo de energía». Y otra más: proporciona predicciones probabilísticas; es decir, «ofrece resultados del tipo: la probabilidad de que el consumo sea de 2 kilovatios es de tanto; la probabilidad de que el consumo sea de 1,5 Kw es de tanto. Y eso es muy importante porque cuantifica la incertidumbre, como cuando la agencia meteorológica le pone un tanto por ciento al riesgo de precipitaciones».

Ante un entorno energético complejo, «tener previsiones precisas ayuda a garantizar el suministro, dado que vamos a tener que recurrir mucho más a las fuentes de energías renovables, cuya capacidad de generación no siempre coincide con el momento en que se necesita». Los autores han puesto el algoritmo a disposición de la comunidad investigadora.