Comparación de técnicas predictivas basadas en series temporales aplicadas al índice de claridad...
1
0 1 2 3 4 5 6 7 8 9 10 -0.2 0 0.2 0.4 0.6 0.8 R etardo 1 2 3 4 5 6 22 24 26 28 30 32 34 36 38 40 H orizonte Predicción (Sem idías) M S(2)-AR(1) M S(2)-AR(2) M S(2)-AR(3) M S(2)-AR(4) Persistencia 1 2 3 4 5 6 22 24 26 28 30 32 34 36 38 40 H orizonte Predicción (Sem idías) % RMSD Predicción Sem idiariaKt M S(2)-AR(1) M S(2)-AR(2) M S(2)-AR(3) M S(2)-AR(4) Persistencia M adrid R R N A E M et M urcia R R N A E M et 2.5 W COMPARACIÓN DE TÉCNICAS PREDICTIVAS BASADAS EN SERIES TEMPORALES APLICADAS AL ÍNDICE DE CLARIDAD SEMIDIARIO Martín L., Zarzalejo L.F., Polo J., Navarro A., Marchante R. 1. INTRODUCCIÓN 2. PROPIEDADES ESTADÍSTICAS DE LA SERIE DE ÍNDICE DE CLARIDAD 4. RESULTADOS División de Energías Renovables (Departamento de Energía), CIEMAT, Av. Complutense nº22, Madrid, 28040, (Madrid) España, +34 913466048, [email protected] 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 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 seis ciclos semidiarios. 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) XIV CONGRESO IBÉRICO IX IBEROAMERICANO DE ENERGÍA SOLAR Junio 2008 VIGO Alta frecuencia de condiciones de cielo claro. La función de distribución de 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 y mínimos de cada mes. •Los métodos nolineales presentan mejores resultados que el método lineal ensayado, aunque no existe una diferencia significativa. •Los métodos nolineales mejoran resultado aumentando el número de semidías de entrada debido al comportamiento no-lineal del índice de claridad. •El método ANFIS presenta menor incertidumbre para el primer semidía predicho. •Todos los métodos ensayados tienen menor incertidumbre en datos de la estación de Murcia debido a que los días claros (con mayor frecuencia en esta localidad) adquieren mayor peso en los parámetros de los modelos. La autocorrelación parcial no ha influenciado en la mejora de los resultados. 3. METODOLOGÍA 5. CONCLUSIONES 2 1 1 ˆ N i i i RMSD x x N Método de intercambio de modelos autorregresivos en base a cadenas de Markov (MS-AR) Se expresa mediante K modelos autorregresivos según los diferentes estados (St) del sistema representado mediante cadenas de Markov de orden 2. Redes Neuronales (NN) Se basa en una simulación abstracta de los sistemas nerviosos biológicos que tratan de mimetizar sus habilidades. NN(z) índica el tamaño del vector patrón de entrada empleado z=1…10. Adaptative Network based Fuzzy Inference System (ANFIS) Utiliza un método de aprendizaje híbrido , el cual puede construir un mapa entrada-salida basado en el conocimiento humano (bajo reglas borrosas if-then) y pares de datos entrada-salida. ANFIS(z) índica el tamaño del vector patrón de entrada empleado z=1…5. Presenta un valor significativo exclusivamente con el semidía anterior entre 0.5 y 0.7. M E J O R A / P E R FUNCIÓN DE DENSIDAD DE PROBABILDAD MUESTRAL FUNCIÓN DE AUTOCORRELACIÓN PARCIAL MUESTRAL MURCIA RRN AEMet MADRID RRN AEMet M S - A R N N A N F I S MADRID MURCIA MADRID MURCIA V.4.J.7 1 m p i error mejora i error 0 0.2 0.4 0.6 0.8 1 0 1 2 3 4 5 6 Núm ero dem uestras KtSem idiario 0 0.2 0.4 0.6 0.8 1 0 1 2 3 4 5 6 KtSem idiario 1 2 3 4 5 6 22 24 26 28 30 32 34 36 38 40 H orizonte Predicción (Sem idías) % RMSD Predicción Sem idiariaKt NN(1) NN(2) NN(3) NN(4) NN(5) NN(6) NN(7) NN(8) NN(9) NN(10) PER 1 2 3 4 5 6 22 24 26 28 30 32 34 36 38 40 H orizonte Predicción (Sem idías) NN (1) NN (2) NN (3) NN (4) NN (5) NN (6) NN (7) NN (8) NN (9) NN (10) PER 1 2 3 4 5 6 22 24 26 28 30 32 34 36 38 40 H orizonte Predicción (Sem idías) % RM SE Predicción Sem idiariaKt AN FIS(1) AN FIS(2) AN FIS(3) AN FIS(4) AN FIS(5) PER 1 2 3 4 5 6 22 24 26 28 30 32 34 36 38 40 H orizonte Predicción (Sem idías) AN FIS(1) AN FIS(2) AN FIS(3) AN FIS(4) AN FIS(5) Persistencia 1 2 3 4 5 6 6 8 10 12 14 16 18 20 22 24 H orizonte Predicción (Sem idías) Mejora% RMSD M adrid:M ejora frente Persistencia MS(2)-AR(1)/Persistencia NN(10)/Persistencia ANFIS(6)/Persistencia 1 2 3 4 5 6 6 8 10 12 14 16 18 20 22 24 H orizonte Predicción (Sem idías) M urcia:M ejora frente Persistencia MS(2)-AR(1)/Persistencia NN(10)/Persistencia ANFIS(6)/Persistencia 0 1 2 3 4 5 6 7 8 9 10 -0.2 0 0.2 0.4 0.6 0.8 R etardo
-
Upload
irsolav-pomares -
Category
Documents
-
view
102 -
download
4
Transcript of Comparación de técnicas predictivas basadas en series temporales aplicadas al índice de claridad...
0 1 2 3 4 5 6 7 8 9 10-0.2
0
0.2
0.4
0.6
0.8
Retardo
1 2 3 4 5 622
24
26
28
30
32
34
36
38
40
Horizonte Predicción (Semidías)
MS(2)-AR(1)MS(2)-AR(2)MS(2)-AR(3)MS(2)-AR(4)Persistencia
1 2 3 4 5 622
24
26
28
30
32
34
36
38
40
Horizonte Predicción (Semidías)
%R
MSD
Pre
dicc
ión
Sem
idia
ria K
t
MS(2)-AR(1)MS(2)-AR(2)MS(2)-AR(3)MS(2)-AR(4)Persistencia
Madrid RRN AEMet
Murcia RRN AEMet
2.5 W
COMPARACIÓN DE TÉCNICAS PREDICTIVAS BASADAS EN SERIES TEMPORALES APLICADAS AL ÍNDICE DE CLARIDAD SEMIDIARIO
Martín L., Zarzalejo L.F., Polo J., Navarro A., Marchante R.
1. INTRODUCCIÓN 2. PROPIEDADES ESTADÍSTICAS DE LA SERIE DE ÍNDICE DE CLARIDAD
4. RESULTADOS
División de Energías Renovables (Departamento de Energía), CIEMAT, Av. Complutense nº22, Madrid, 28040, (Madrid) España, +34 913466048, [email protected]
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 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 seis ciclos semidiarios.
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)
XIV CONGRESO IBÉRICO
IX IBEROAMERICANO
DE ENERGÍA SOLAR
Junio 2008
VIGO
Alta frecuencia de condiciones de cielo claro. La función de distribución de 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 y mínimos de cada mes.
•Los métodos nolineales presentan mejores resultados que el método lineal ensayado, aunque no existe una diferencia significativa. •Los métodos nolineales mejoran resultado aumentando el número de semidías de entrada debido al comportamiento no-lineal del índice de claridad.•El método ANFIS presenta menor incertidumbre para el primer semidía predicho.•Todos los métodos ensayados tienen menor incertidumbre en datos de la estación de Murcia debido a que los días claros (con mayor frecuencia en esta localidad) adquieren mayor peso en los parámetros de los modelos. La autocorrelación parcial no ha influenciado en la mejora de los resultados.
3. METODOLOGÍA
5. CONCLUSIONES
2
1
1ˆ
N
i ii
RMSD x xN
Método de intercambio de modelos autorregresivos en base a cadenas de Markov (MS-AR)Se expresa mediante K modelos autorregresivos según los diferentes estados (St) del sistema representado mediante cadenas de Markov de orden 2.
Redes Neuronales (NN) Se basa en una simulación abstracta de los sistemas nerviosos biológicos que tratan de mimetizar sus habilidades. NN(z) índica el tamaño del vector patrón de entrada empleado z=1…10.
Adaptative Network based Fuzzy Inference System (ANFIS)Utiliza un método de aprendizaje híbrido , el cual puede construir un mapa entrada-salida basado en el conocimiento humano (bajo reglas borrosas if-then) y pares de datos entrada-salida. ANFIS(z) índica el tamaño del vector patrón de entrada empleado z=1…5.
Presenta un valor significativo exclusivamente con el semidía anterior entre 0.5 y 0.7.
MEJORA/PER
FUNCIÓN DE DENSIDAD DE PROBABILDAD MUESTRAL
FUNCIÓN DE AUTOCORRELACIÓN PARCIAL MUESTRAL
MURCIA RRN AEMetMADRID RRN AEMet
MS-AR
N
N
ANFIS
MADRID MURCIA
MADRID MURCIA
V.4.J.7
1 m
p
i errormejora
i error
0 0.2 0.4 0.6 0.8 10
1
2
3
4
5
6
Núm
ero
de m
uest
ras
Kt Semidiario0 0.2 0.4 0.6 0.8 1
0
1
2
3
4
5
6
Kt Semidiario
1 2 3 4 5 622
24
26
28
30
32
34
36
38
40
Horizonte Predicción (Semidías)
%R
MSD
Pre
dicc
ión
Sem
idia
ria K
t
NN(1)NN(2)NN(3)NN(4)NN(5)NN(6)NN(7)NN(8)NN(9)NN(10)PER
1 2 3 4 5 622
24
26
28
30
32
34
36
38
40
Horizonte Predicción (Semidías)
NN(1)NN(2)NN(3)NN(4)NN(5)NN(6)NN(7)NN(8)NN(9)NN(10)PER
1 2 3 4 5 622
24
26
28
30
32
34
36
38
40
Horizonte Predicción (Semidías)
%R
MSE
Pre
dicc
ión
Sem
idia
ria K
t
ANFIS(1)ANFIS(2)ANFIS(3)ANFIS(4)ANFIS(5)PER
1 2 3 4 5 622
24
26
28
30
32
34
36
38
40
Horizonte Predicción (Semidías)
ANFIS(1)ANFIS(2)ANFIS(3)ANFIS(4)ANFIS(5)Persistencia
1 2 3 4 5 66
8
10
12
14
16
18
20
22
24
Horizonte Predicción (Semidías)
Mej
ora
% R
MSD
Madrid: Mejora frente Persistencia
MS(2)-AR(1)/PersistenciaNN(10)/PersistenciaANFIS(6)/Persistencia
1 2 3 4 5 66
8
10
12
14
16
18
20
22
24
Horizonte Predicción (Semidías)
Murcia: Mejora frente Persistencia
MS(2)-AR(1)/PersistenciaNN(10)/PersistenciaANFIS(6)/Persistencia
0 1 2 3 4 5 6 7 8 9 10-0.2
0
0.2
0.4
0.6
0.8
Retardo
