Uno de los grandes desafíos para el mundo mode o es la creación de una sociedad eficiente en cuanto al uso de energía y que esté basada, en la medida de lo posible, en la energía renovable. Esto está cambiando no sólo la forma en que usamos la energía, sino también la forma en que la generamos.
En el futuro, lo más probable es que en vez de depender de unas pocas grandes centrales eléctricas que generen toda la electricidad, dependamos de muchos pequeños generadores que produzcan la energía a medida que la necesitemos. Sin embargo, una parte crucial de este sistema será la capacidad de predecir el consumo de energía local con antelación para que los generadores puedan estar listos y empiecen a funcionar cuando sea necesario.
Y cuanto mejor sean estas previsiones, más eficientes serán las redes eléctricas futuras. De hecho, la capacidad de predecir el consumo de los hogares individuales a corto plazo es uno de los objetivos. Y tras la introducción de los contadores inteligentes, parece ser un objetivo cada vez más posible.
Todo esto plantea una pregunta importante. ¿Cómo prever el consumo de corriente doméstica de antemano a una escala de tiempo de minutos y horas? ¿Qué tipo de técnicas de previsión funcionan mejor?
El trabajo de Andreas Veit y su equipo de la Universidad Técnica de Múnich (Alemania) nos da algunas respuestas. El equipo ha procesado datos de un pequeño número de hogares en Europa y EEUU para averiguar qué técnicas proporcionan los mejores pronósticos.
Y sus resultados nos dan qué pensar. Señalan que los pronósticos más sofisticados no son mejores que las técnicas más básicas y ninguno produce previsiones con errores menores al 30%.
El equipo comenzó con datos de un solo hogar en Alemania equipado con una red de sensores con los que hacer un seguimiento del consumo de energía durante más de ocho meses en 2013. Los sensores midieron el consumo de energía de los aparatos en toda la casa, como las luces en las distintas habitaciones, la nevera, la lavadora, los dispositivos de oficina y de ocio, y así sucesivamente.
Este conjunto de datos está caracterizado por largos períodos de demanda plana con picos en las noches. El 70% de todas las lecturas de potencia en este conjunto de datos se encuentran entre 25 y 30 vatios.
También usan otro conjunto de datos recogido por investigadores del Instituto de Tecnología de Massachusetts (MIT, en EEUU). Este contiene las mediciones de consumo de energía de seis hogares estadounidenses registradas durante más de tres meses en 2011. También incluye las lecturas de aparatos individuales, como las luces, el microondas y la nevera.
Sin embargo, un factor importante es que estos experimentos no midieron las mismas características en cada uno de los hogares y por lo tanto no son directamente comparables. Hace falta una cierta manipulación de los datos para crear un conjunto de datos único.
Después de haber creado el conjunto de datos, Veit y sus colegas lo usaron para la crear la predicción, aplicando una serie de técnicas distintas. El enfoque más sencillo consiste en hacer que cada pronóstico sea igual a la última observación. Se refieren a este método como "predicción por persistencia". Pero también cuentan con varios algoritmos más sofisticados.
Por otro lado, separaron los datos de formas distintas. Una de ellas consistió en considerarlos como una serie de tiempo simple. Otra opción fue cotejar los datos de cada día y usarlos como conjuntos de datos separados. Esto les permitió hacer pronósticos separados para los lunes, martes, miércoles, y así sucesivamente.
También crearon un conjunto de datos más detallado en el que estudiaron el consumo de energía de los aparatos individuales cada día.
Los resultados demuestran que todavía hay mucho margen para mejorar. En primer lugar, encontraron que ninguno de los algoritmos más sofisticados fueron mejores que la predicción por persistencia. "En la mayoría de las situaciones, las previsiones por persistencia son difíciles de superar", concluyen.
Es más, incluso la predicción por persistencia no es especialmente buena. Aseguran que el nivel de precisión de las previsiones es sorprendentemente bajo. "Por tanto, nuestro trabajo nos motiva a seguir investigando cómo poder aumentar la precisión", señala Veit.
Sin embargo, también hay señales positivas. El uso de grandes conjuntos de datos de entrenamiento benefició a los algoritmos más sofisticados. Por tanto, a medida que haya disponibilidad de conjuntos de datos más grandes, debería ser posible mejorar las previsiones. También podría ser posible adaptar estos algoritmos para hacer frente a las características específicas de los hogares individuales.
Todo esto hace que sea necesario seguir investigando en el futuro. Claramente los investigadores tienen trabajo por delante para crear las redes eléctricas del futuro.
Ref: arxiv.org/abs/1404.0200 : Household Electricity Demand Forecasting - Benchmarking State-of-the-Art Methods