Este Trabajo de Fin de Grado (TFG) trata sobre la predicción de demanda de electricidad, desarrollando diversos tipos de modelos, de corto y medio plazo. También se abordará la predicción de la demanda de otras fuentes de energía, ya que muchos factores son comunes, y el desarrollo de los modelos presenta muchas similitudes. Antes de iniciar la implementación de los modelos, se llevó a cabo una investigación sobre el estado del arte, examinando cuáles son los modelos más utilizados, los más recientes, y cuáles son los resultados y el rendimiento de estos. También nos ocupamos de obtener los datos necesarios para el desarrollo de los modelos, asegurándonos de que sean datos de alta calidad. Una vez estudiada la situación general y obtenidos los datos, se pasó a la implementación de modelos concretos. Se tratan en primer lugar los modelos de regresión múltiple. Se comienza revisando la literatura actual y los aspectos teóricos, para luego desarrollar distintos modelos y analizar los resultados. Posteriormente, se realiza un análisis de las variables que proporcionan una mayor capacidad predictiva, además de un análisis de correlación. Posteriormente, se trabaja con modelos basados en series temporales. Para ello, se estudia primero su funcionamiento, luego se observan aquellos ya existentes y los distintos modelos de referencia para utilizarlos como base a mejorar. Finalmente, se desarrollan varios modelos, comparando los resultados y los errores. Finalmente, se utiliza la inteligencia artificial para desarrollar modelos de redes neuronales de predicción de demanda de electricidad. Se examinan las distintas técnicas existentes y los diferentes tipos de modelos que se pueden utilizar, para luego desarrollar varios modelos de redes neuronales. Posteriormente, se realiza un análisis de resultados, variables y correlación. Una vez desarrollados todos los modelos, se comparan las distintas técnicas utilizadas y se concluye evaluando qué modelos ofrecen mejores resultados y una mejor capacidad predictiva. Los objetivos de este trabajo, principalmente, son los siguientes: – Comparar distintos tipos de modelos para ver cuáles se ajustan mejor a la predicción de demanda de electricidad. – Obtener un modelo que nos permita predecir la demanda de electricidad de forma eficaz mejorando los resultados de otros modelos actuales. – Analizar cuáles son las variables que nos ofrecen una mayor capacidad predictiva y cuáles son aquellas que apenas nos aportan información y son desechables.
ABSTRACT
This Final Degree Project (TFG) deals with electricity demand forecasting, developing different types of short and medium term models. It will also deal with the prediction of demand for other energy sources, since many factors are common, and the development of the models has many similarities. Before starting the work, an investigation of the state of the art is carried out, examining which are the most used models, the most recent ones, and what are the results and performance of these models. We will also take care of obtaining the data necessary for the development of the models, making sure that the data is of high quality. Next, we will first discuss multiple regression models. We will start by reviewing the current literature and theoretical issues, and then develop different models and analyse the results. Subsequently, an analysis of the variables that provide a greater predictive capacity is carried out, in addition to a correlation analysis. Subsequently, We will move on to working with multiple regression models. We will start again by reviewing the current literature and theoretical aspects, and then develop different models and analyse the results. Subsequently, we will analyse the variables that provide us with the greatest predictive capacity, in addition to a correlation analysis. Finally, artificial intelligence is used to develop electricity demand forecasting models. The different existing techniques and the different types of models that can be used are examined, and then several neural network models are developed. Subsequently, an analysis of results, variables and correlation is carried out. Once all the models have been developed, the different techniques used are compared and it is concluded by evaluating which models offer better results and a better predictive capacity. The main objectives of this work are the following: – To compare different types of models to see which ones are best suited to electricity demand forecasting. – To obtain a model that allows us to predict electricity demand efficiently, improving the results of other current models.- To analyse which variables offer us greater predictive capacity and which are those that barely provide us with information and are disposable.
Este Trabajo de Fin de Grado (TFG) trata sobre la predicción de demanda de electricidad, desarrollando diversos tipos de modelos, de corto y medio plazo. También se abordará la predicción de la demanda de otras fuentes de energía, ya que muchos factores son comunes, y el desarrollo de los modelos presenta muchas similitudes. Antes de iniciar la implementación de los modelos, se llevó a cabo una investigación sobre el estado del arte, examinando cuáles son los modelos más utilizados, los más recientes, y cuáles son los resultados y el rendimiento de estos. También nos ocupamos de obtener los datos necesarios para el desarrollo de los modelos, asegurándonos de que sean datos de alta calidad. Una vez estudiada la situación general y obtenidos los datos, se pasó a la implementación de modelos concretos. Se tratan en primer lugar los modelos de regresión múltiple. Se comienza revisando la literatura actual y los aspectos teóricos, para luego desarrollar distintos modelos y analizar los resultados. Posteriormente, se realiza un análisis de las variables que proporcionan una mayor capacidad predictiva, además de un análisis de correlación. Posteriormente, se trabaja con modelos basados en series temporales. Para ello, se estudia primero su funcionamiento, luego se observan aquellos ya existentes y los distintos modelos de referencia para utilizarlos como base a mejorar. Finalmente, se desarrollan varios modelos, comparando los resultados y los errores. Finalmente, se utiliza la inteligencia artificial para desarrollar modelos de redes neuronales de predicción de demanda de electricidad. Se examinan las distintas técnicas existentes y los diferentes tipos de modelos que se pueden utilizar, para luego desarrollar varios modelos de redes neuronales. Posteriormente, se realiza un análisis de resultados, variables y correlación. Una vez desarrollados todos los modelos, se comparan las distintas técnicas utilizadas y se concluye evaluando qué modelos ofrecen mejores resultados y una mejor capacidad predictiva. Los objetivos de este trabajo, principalmente, son los siguientes: – Comparar distintos tipos de modelos para ver cuáles se ajustan mejor a la predicción de demanda de electricidad. – Obtener un modelo que nos permita predecir la demanda de electricidad de forma eficaz mejorando los resultados de otros modelos actuales. – Analizar cuáles son las variables que nos ofrecen una mayor capacidad predictiva y cuáles son aquellas que apenas nos aportan información y son desechables.
ABSTRACT
This Final Degree Project (TFG) deals with electricity demand forecasting, developing different types of short and medium term models. It will also deal with the prediction of demand for other energy sources, since many factors are common, and the development of the models has many similarities. Before starting the work, an investigation of the state of the art is carried out, examining which are the most used models, the most recent ones, and what are the results and performance of these models. We will also take care of obtaining the data necessary for the development of the models, making sure that the data is of high quality. Next, we will first discuss multiple regression models. We will start by reviewing the current literature and theoretical issues, and then develop different models and analyse the results. Subsequently, an analysis of the variables that provide a greater predictive capacity is carried out, in addition to a correlation analysis. Subsequently, We will move on to working with multiple regression models. We will start again by reviewing the current literature and theoretical aspects, and then develop different models and analyse the results. Subsequently, we will analyse the variables that provide us with the greatest predictive capacity, in addition to a correlation analysis. Finally, artificial intelligence is used to develop electricity demand forecasting models. The different existing techniques and the different types of models that can be used are examined, and then several neural network models are developed. Subsequently, an analysis of results, variables and correlation is carried out. Once all the models have been developed, the different techniques used are compared and it is concluded by evaluating which models offer better results and a better predictive capacity. The main objectives of this work are the following: – To compare different types of models to see which ones are best suited to electricity demand forecasting. – To obtain a model that allows us to predict electricity demand efficiently, improving the results of other current models.- To analyse which variables offer us greater predictive capacity and which are those that barely provide us with information and are disposable. Read More
Related posts:
Predicción de la demanda de movilidad espacio-temporal del transporte público mediante transformers
Evaluación 360° del desempeño docente en la universidad
Generación de modelos neuronales mediante interfaces gráficas GENEXNET
Comparación del perfil de fuerza en el salto vertical con contra movimiento
Comparación del desempeño de Transfer Learning en Transformers Visuales para la clasificación de imágenes de satélite
Evolución de los modelos de enseñanza en el fútbol de iniciación