Generación de energía eléctrica: España 2020. ¿Será …programación genética o machine...

153

M ª . P. M U Ñ O Z y M ª . D . M Á R Q U E Z , C l m . e c o n o m í a . N u m . 1 5 , p p . 1 5 3 - 1 7 8

ResumenEl objetivo de este trabajo es doble. Por un lado, evaluar si el “mix” de energías que

componen la generación actual de electricidad será sostenible en el 2020. Por otro, obtenerel “mix” de energías más adecuado para alcanzar los compromisos medioambientalesadquiridos a nivel del estado español y de la comunidad europea en el horizonte 2020. Paraello se han analizado diferentes escenarios, teniendo en cuenta los costes de producción yde las emisiones de CO2 de cada tecnología. En cada escenario se requiere predecir elvolumen de demanda energética. Esta previsión se ha realizado a partir de modelosestadísticos de regresión dinámica para series temporales. El modelo de previsión incluye elíndice de producción industrial (IPI), la variación interanual del índice de precios delconsumo (IPC) y el número días con temperaturas bajo 0 en la Peninsula Ibérica comovariables influyentes en la demanda de electricidad.

Palabras clave: previsión, regresión dinámica, “mix” de generación eléctrica, sostenibilidad,demanda de generación eléctrica.

Clasificación JEL: C51, C53, E27, L94

Mª Pilar MuñozUniv. Politècnica de Catalunya, Barcelona

Mª Dolores MárquezUniv. Autònoma de Barcelona

Generación de energía eléctrica:

España 2020. ¿Será sostenible?

Electrical Energy Generation: Spain 2020. Will it be sustainable?AbstractThe aim of this work is twofold. On the one hand, to evaluate if the energy “mix” that

composes present electricity generation will be sustainable in 2020. On the other hand, toobtain the most appropriate energy “mix” in order to achieve the environmental agreementsacquired at the level of the Spanish state and European Community with a 2020 horizon. Tothat end, several scenarios have been analyzed, taking into account the generation cost aswell as the CO2 emissions for each technology. It is necessary to forecast the electricitydemand at each scenario. This forecast has been made from a dynamic regression model fortime series. The forecasting model includes the Industrial Production Index (IPI), theinterannual variation rate of the Consumer Price Index (CPI) and the number of days withtemperatures under 0 C degrees in the Iberian Peninsula as influent variables in electricitydemand.

Key words: Forecasting, Dynamic Regression, Electricity Generation “mix”, Sustainable,Electricity Generation Demand.

JEL Classification: C51, C53, E27, L94

C l m . e c o n o m í a . N u m . 1 5

154 Artículo recibido en julio 2009 y aceptado en noviembre 2009.

Mª P. MUÑOZ y Mª D. MÁRQUEZ (2009) : GENERACIÓN DE ENERGÍA ELÉCTRICA: ESPAÑA 2020. ¿SERÁ SOSTENIBLE?

1.- Introducción.El objetivo de la política energética española1, al igual que el

resto de países de la Unión Europea, es alcanzar un desarrollosostenible del sector energético. Para lograrlo las líneas estratégicasque se van a abordar son las siguientes: reducción de ladependencia exterior, precios energéticos competitivos, seguridadde suministro, cumplimiento de los compromisos medioambientales y mejora de la eficiencia energética.

La consecución de cada uno de estos retos viene influenciadapor un gran número de diferentes factores: medidas deliberalización del mercado, desarrollo de infraestructuras einterconexiones, apoyo a la implantación de energías renovables ymedidas de ahorro y eficiencia energética, entre otros. Pero todosellos tienen un denominador común, ineludible y que condicionalas acciones a emprender, poder realizar una previsión de lademanda energética futura. La previsión de la demanda puederealizarse a diferentes horizontes, a corto plazo (como máximo tressemanas), a medio plazo (desde un mes hasta varios años) o a largoplazo (normalmente se consideran horizontes de cinco a veinticincoaños). Este artículo se centra en la previsión de la demanda eléctricaa largo plazo pues de ella depende la planificación de los sistemasde generación. Si la previsión es necesaria en la planificación decualquier actividad industrial, en el caso de las compañíasgeneradoras de energía eléctrica se hace indispensable pordiferentes motivos. En primer lugar debemos tener en cuenta que,en este ámbito, el tiempo de reacción al cambio es lento, unaumento de la demanda supone la instalación de equipos degeneración que necesitan gran inversión de tiempo y dinero.Además hay que tener en cuenta que se han de cumplir loscompromisos medioambientales adquiridos a nivel del estadoespañol y de la comunidad europea en cuanto a la reducción de

1551) Presentación Pedro L. Marín Uribe Secretario de Estado de Energía 28-09-09. (http://www.mityc.es/es-ES/GabinetePrensa/NotasPrensa/Paginas/NP%20informe%20AIE.aspx )

C l m . e c o n o m í a . N u m . 1 5

CO2 y por tanto a la introducción de las energías renovables. Portodo ello obtener una previsión precisa a largo plazo es clave en laplanificación del parque de generación eléctrica y por tanto en laconsecución de la sostenibilidad del sector.

Muchos trabajos han sido realizados con el fin de arrojar luz alproblema. Podemos destacar informes como el realizado por elInstituto para la Diversificación y Ahorro de la Energía (IDAE) sobre el“Análisis del potencial de cogeneración de alta eficiencia en España2010-2015-2020”, donde se analiza el potencial de cogeneraciónexistente y su previsión futura. El área de Mecánica de Fluidos de laUniversidad de Zaragoza ha realizado bajo la dirección de Dopazo yFuello (2008) un amplio estudio sobre “El potencial de las energíasrenovables en España” con el año 2020 como horizonte de previsión.También destacamos el informe de Red Eléctrica sobre el “Sistemaeléctrico español 2008” donde se analiza la brusca desaceleracióndel crecimiento de la demanda de la energía eléctrica. Finalmente,es de especial interés el exhaustivo estudio realizado por UNESA(Asociación española de la industria eléctrica) en 2007 y que llevapor título “Prospectiva de generación eléctrica 2030”, en el que serealiza una evaluación del futuro “mix” de generación de electricidaden España, de acuerdo con los objetivos de política energética deEspaña y de la Unión Europea, y la posible evolución (escenarios) delparque de generación eléctrica.

En el ámbito del modelado de la previsión, se han desarrollo ungran número de modelos de previsión a largo plazo para lademanda de energía eléctrica. Podemos clasificar los modelos envarios grupos: modelos estadísticos basados en las técnicas deregresión y de series temporales lineales y no lineales (Chui et al.,2009; Jiménez-Rodríguez, 2009; Crespo-Cuaresma, Jumah y Karbuz,2009; Hindman y Fan, 2008; Weron, 2006; Al-Hamadi y Soliman, 2005;Mohamed y Bodger, 2005); modelos basados en redes neuronales einteligencia artificial (Yalcinoz y Eminoglu, 2005; Hsu y Chen, 2003;Hippert, Pedreira y Souza, 2001) y otras técnicas como data mining,programación genética o machine learning (Karabulut, Alkaz yYilmaz, 2008; Chen et al., 2004).

En este trabajo, la previsión de la demanda energética a largoplazo se realiza a partir de modelos estadísticos de regresión dinámicapara series temporales (Pankratz, 1991). Estos modelos son sencillos de156

interpretar y permiten medir la incertidumbre inherente al proceso degeneración eléctrica, así como incorporar variables que afectan alconsumo de electricidad y cuya previsión incorpora a su vezincertidumbre. Las variables habitualmente consideradas se relacionancon la climatología, la demografía y con indicadores macroeconómicosque informan sobre la riqueza y la actividad industrial.

El artículo se organiza como sigue. Después de esta introducciónen la segunda sección se realiza un detallado análisis de los datos, lametodología y el análisis de resultados se hallan en la tercera sección.La cuarta sección contiene la previsión de la demanda de generacióneléctrica, con horizonte 2020, así como los diferentes escenariosdesarrollados para poder estimar cual es la mejor combinación detecnologías de generación que permitan mayor sostenibilidad.Finalmente las conclusiones se hallan en la sección 5.

2.- Descripción y análisisde los datos.

Siguiendo la literatura existente en este ámbito, la evolución dela energía demandada a largo plazo puede ser explicada pordiferentes tipos de variables. En este trabajo, hemos estudiadoinicialmente un gran número de variables de tipo climatológico,demográfico y macroeconómico, aunque finalmente el modeloestimado sólo considera algunas de ellas significativas.

Los datos utilizados son de frecuencia mensual y correspondenal período 1997-2009. Es importante tener en cuenta que al final deeste período se produce la crisis financiera que ha derivado en unaimportante crisis económica, este hecho va a afectar, sin duda, a latendencia de las series macroeconómicas y por tanto a la demandaenergética. También observamos que para algunas de las seriesconsideradas como input 2 no se encuentran disponibles los datosreferentes a los años 2008 y 2009, en este caso se han estimado losvalores para este período después de ajustar un modelo ARIMA paraseries temporales, propuestos por Box-Jenkins (1976). Finalmentequeremos comentar, que aunque en muchos estudios la previsión


1572) Esto sucede para las series de datos climatológicos, no se encuentran disponibles los datos mensualespara los años 2008 y 2009 en la web del INE.

C l m . e c o n o m í a . N u m . 1 5

de la demanda se realiza con datos anuales, en nuestro trabajohemos considerado frecuencia mensual para poder captar laestacionalidad inherente a alguna de las variables que puedeinfluir en la cantidad de energía necesaria a nivel de toda laPenínsula Ibérica.

Los datos de energía demandada se han obtenido de RedEléctrica de España (www.ree.es) y corresponden a la energíaeléctrica neta demandada en el sistema peninsular en GWh. Estainformación es proporcionada también en forma desagregadasegún el sistema de generación así disponemos de datos degeneración para las diferentes tecnologías: energía hidráulica,nuclear, térmica convencional, ciclo combinado para el régimenordinario, y dentro del régimen especial para térmica, hidráulica yotras renovables.

En los siguientes gráficos puede observarse la evolución de lacantidad total neta de energía demandada y la de cada tipo deenergía, según las diferentes tecnologías ya comentadaspreviamente. La energía térmica convencional correspondiente alrégimen ordinario se presenta separada de la de régimen especialpues la primera es más contaminante que la segunda.

158Fuente: REE. Elaboración propia.

en

e-9

6

jul-9

6

30.000

25.000

20.000

15.000

10.000

5.000

0

en

e-9

7

jul-9

7

en

e-9

8

jul-9

8

en

e-9

9

jul-9

9

en

e-o

o

jul-0

0

en

e-0

1

jul-0

1

en

e-0

2

jul-0

2

en

e-0

3

jul-0

3

en

e-0

4

jul-0

4

en

e-0

5

jul-0

5

en

e-0

6

jul-0

6

en

e-0

7

jul-0

7

en

e-0

8

jul-0

8

en

e-0

9

jul-0

9

Gráfico 1 Generación neta de energía eléctrica en el sistema peninsular

(GWh).


Puede observarse que la energía demandada presenta unatendencia creciente con un claro comportamiento estacional(Gráfico 1). Los gráficos 2 y 3 nos confirman que la energía térmicaconvencional (basada en la combustión del carbón) es la que teníaun papel predominante sobre el total de la demanda, aunque cabe 159

Fuente: REE. Elaboración propia.

en

e-9

6

jul-9

6

10.000

Hidráulica Nuclear Carbón Fuel-Gas Térmica Reg. Esp. Ciclo combinado Otras renov. R. Esp. Hidr. Reg. Esp.

9.000

8.000

7.000

6.000

5.000

4.000

3.000

2.000

1.000

0

en

e-9

7

jul-9

7

en

e-9

8

jul-9

8

en

e-9

9

jul-9

9

en

e-o

o

jul-0

0

en

e-0

1

jul-0

1

en

e-0

2

jul-0

2

en

e-0

3

jul-0

3

en

e-0

4

jul-0

4

en

e-0

5

jul-0

5

en

e-0

6

jul-0

6

en

e-0

7

jul-0

7

en

e-0

8

jul-0

8

en

e-0

9

jul-0

9

Gráfico 2 Generación neta de energía eléctrica en el sistema peninsular

según las diferentes tecnologías (GWh).

Fuente: REE. Elaboración propia.

1996

100%

80%

60%

40%

20%

0%1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Gráfico 3 Porcentaje de energía generada por cada tecnología respecto al total de energía generada. Evolución.

Hidráulica Nuclear Carbón Fuel-Gas Térmica Reg. Esp. Ciclo combinado Otras renov. R. Esp. Hidr. Reg. Esp.

C l m . e c o n o m í a . N u m . 1 5

resaltar que desde la introducción de las plantas de generación deciclo combinado, ha decrecido de manera importante a favor deenergías menos contaminantes. Podemos observar que en elperíodo estudiado, tanto la producción nuclear como hidráulica hatenido un comportamiento estacionario, en cambio las energíasrenovables (fotovoltaica, eólica, etc.) han experimentado unpaulatino aumento.

La tabla 1 nos presenta el porcentaje medio de energíagenerada por cada tecnología para los años estudiados, en ella seobserva un descenso en la proporción de energía hidráulica, térmicaconvencional (carbón), fuel-gas (casi inexistente) y nuclear. Encambio ha aumentado considerablemente la proporción de energíaproveniente de las centrales de régimen especial, ciclo combinadoy otras renovables.

Aunque las otras energías renovables del régimen especial hanpasado de contribuir a la cobertura de la demanda desde el 2,86%en 2000 al 13,27% en 2008, esto sólo representa un 9,2% de laenergía final3, para lograr llegar al 20% de la energía final (objetivofijado por el Protocolo de Kyoto) sería necesario llegar, en 2020, a un42% de generación eléctrica de origen renovable.

Además de los aspectos medioambientales, también son degran importancia la seguridad del suministro y la mejora de laeficiencia energética. Una de las herramientas principales para

160

Tabla 1Cobertura de la demanda según tecnología.

Porcentaje respecto al total.

Hidráulica 22,96 18,87 19,24 12,78 13,63 18,48 10,14 16,35 11,83 6,89 9,36 9,48 7,53 8,54

Nuclear 34,71 31,90 33,11 31,03 30,59 29,82 28,41 26,05 25,22 23,01 22,17 19,65 20,59 19,80

Carbon 32,58 35,97 33,54 38,18 37,65 31,81 35,66 30,50 30,25 28,84 24,27 25,69 16,06 13,13

Fuel-Gas 1,32 3,95 3,04 5,19 5,03 5,71 7,41 3,34 3,03 3,43 2,15 0,86 0,84 0,76

Ciclo combinado 0,00 0,00 0,00 0,00 0,00 0,00 2,40 6,30 11,48 19,90 23,46 24,19 31,93 29,57

Térmica Reg Esp 5,41 6,40 7,73 8,85 8,36 8,09 8,83 9,20 8,91 7,14 7,16 7,35 8,24 12,03

Hidr. Reg.Esp 2,17 1,96 2,02 1,98 1,89 2,02 1,70 2,09 1,83 1,58 1,48 1,45 1,56 1,98

Otras renov. R.Esp 0,85 0,94 1,31 1,99 2,86 4,08 5,45 6,17 7,45 9,21 9,96 11,34 13,27 14,19

20092008200720062005200420032002200120001999199819971996

Nota: Los datos referentes al año 2009 hacen referencia al período enero-octubre.Fuente: REE. Elaboración propia.

3) Entendemos por energía final a la energía tal y como llega al consumidor final, una vez realizadas lasoperaciones de transformación y transporte, en cada operación se producen pérdidas de energía.


conseguir alcanzar estos objetivos son los sistemas de generaciónde ciclo combinado pues permiten un ahorro de energía primaria yla reducción de emisiones 4. El rápido crecimiento que a partir del2002 ha tenido la generación eléctrica en las plantas de ciclocombinado es clave en la configuración del mix de energía limpia.

Diferentes trabajos en el ámbito de la previsión de la demandaenergética a largo plazo consideran entre otras las siguientesvariables: temperatura máxima, temperatura mínima, temperaturamedia, días con temperaturas bajo 0º C y días que se superan los25º C5, la población total, la población ocupada, la población activa,el número de parados, la variación interanual del Producto InteriorBruto Interanual (PIB), la variación interanual del Índice Precios alConsumo (IPC) calculado en base 2006 y el Índice de ProducciónIndustrial (IPI). Todas ellas han sido consideradas para modelar lademanda energética. Al observar la variación interanual del IPCnotamos un aumento de la variabilidad a partir del 2001, ésta esdebido a que se produce un cambio en su cálculo al aumentar lamuestra, e introducir más precios y artículos 6.

3.- Metodología y análisisde los resultados.

La previsión a largo plazo de la demanda de energía eléctricapuede abordarse con diferentes técnicas y entre ellas el modelode regresión lineal ha sido utilizado por diferentes autores comoChui et al. (2009), Weron (2006), Al-Hamadi y Soliman (2005)Mohamed y Bodger (2005). Sin embargo, algunas de las variablesque intervienen en el problema presentan características comola no estacionariedad, estacionalidad, autocorrelación y/oheterocedasticidad que suponen el incumplimiento de las hipótesisbásicas sobre las que se basa el modelo de regresión lineal. Ajustarun modelo de regresión cuando tanto la dependiente como laexplicativa son no estacionarias tiene como problema añadido lapresencia de correlaciones espurias entre ambas variables. Este

161

4) “Análisis del potencial de cogeneración de alta eficiencia en España 20010-2015-2020” Instituto para laDiversificación y Ahorro de la Energía (IDAE) http://www.idae.es5) Todas las variables climatológicas y macroeconómicas han sido obtenidas del Instituto Nacional deEstadística. http://www.ine.es6) Ver nota de prensa del INE (12 de febrero del 2007).

C l m . e c o n o m í a . N u m . 1 5

problema se da, como por ejemplo, cuando estas variablespresentan tendencia como algunas de este estudio. Tambiéndebemos tener en cuenta que la relación entre la variabledependiente y las variables explicativas puede no ser instantánea enel sentido que esta relación puede transmitirse con cierto retardo.Uno de los modelos apropiados para abordar este caso es el deregresión dinámica.

El modelo de regresión dinámica es una generalización delmodelo ARIMA, propuesto por Box y Jenkins (1976), que incluyeotras series temporales como regresores (Pankratz, 1991). Es decir,un modelo de regresión dinámica analiza como la variabledependiente 7 {Yt} se relaciona linealmente con uno o másregresores 8 en el instante t {X1,t , X2,t ,…} o retardados algunasposiciones. Es decir se podría presentar la situación en la que lasvariables independientes fueran {X1,t , X1,t -1, X2,t ,…}. Es importanteresaltar que este modelo asume que las variables independientesno pueden estar afectadas por el output, es decir no hay un efectode retroalimentación.

En general, un modelo de regresión dinámica se puedeexpresar como (Peña (2005)):

es decir, la variable observada yt es la suma de dos componentes.ƒ(Xt ), también denominada función de transferencia, describe elefecto de las variables regresoras o independientes en la serieobservada Yt mientras que la variable ht , no observada eindependiente de los regresores, en general seguirá un procesoARMA.

La expresión general de un modelo de regresión dinámica conp regresores es la siguiente:

y la función de transferencia es

1627) La variable dependiente también se suele denominar output o repuesta.8) Las variables regresoras también se llaman inputs o independientes.

Yt = ƒ(Xt )+ht

ai Xi, tYt = + aij Xi, t - j +ht

p

i =1Σ

p

i =1Σ

k

j =1Σ

ai Xi, tƒ(Xt) = + aij Xi, t - j

p

i =1Σ

p

i =1Σ

k

j =1Σ


La construcción de un modelo de regresión dinámica constade las siguientes fases:

a) Identificación. Mediante las funciones de correlacionescruzadas (CCF) se decidirá que variables input Xt así como cuantosretardos pueden afectar a la variable output Yt .

b) Estimación de los parámetros de la función de transferenciay cálculo de los residuos como la diferencia entra la variableobservada Yt y la función de transferencia estimada en este punto,

es decir 9.

c) Identificación, estimación y validación de un modelo ARMApara la variable ht .

d) Estimación conjunta del modelo hallado que ha de contenerla función de transferencia para las variables independientes y elmodelo ARMA para la variable ht .

e) Los residuos del modelo final han de ser ruido blanco, esdecir de media cero, de variable constante e independientes. Lospasos a)-d) se repetirán tantas veces como sean necesarios hastaobtener que los residuos sean ruido blanco.

Un paso previo a la construcción del modelo de regresióndinámica y dado que la inmensa mayoría de las variables queintervienen, en general, no son estacionarias, será necesariodetectar si éstas lo son o no mediante el test aumentado de raízunitaria (ADF) de Dickey y Fuller (1979). En caso de detectar raícesunidad en las series analizadas, será necesario diferenciarlas10 paraconvertirlas en estacionarias.

Finalmente, una vez validado el modelo, se procederá a laprevisión a largo plazo de la variable dependiente, en nuestro casola demanda de generación eléctrica. En este punto es importantedestacar, que al no disponer de valores futuros de las variables input,será necesario identificar, estimar, validar un modelo ARMA paracada una de ellas y calcular las previsiones para cada una de lasvariables. Estas previsiones serán el input para las previsiones a largoplazo de la demanda de electricidad.

163

9) El signo ^ significa, variable estimada. 10) Una diferenciación de orden 1 de la serie Xt se expresa como , donde B el operadorretardo, de manera que BXt =Xt-1. De forma análoga, una diferenciación de orden k será .

ht =Yt - ƒ(Xt)^ ^

∇Xt =(Xt -Xt-1)=(1-B) Xt

∇ Xt =(1-B ) Xtk k

C l m . e c o n o m í a . N u m . 1 5

La explotación estadística en este apartado se ha realizadomediante el paquete estadístico SAS V9.2, usando el procedimientoARIMA.

Resultados

a) Test ADF. Tal como se ha mencionado en el apartadoanterior, en primer lugar se ha detectado cuando las series no sonestacionarias mediante el test ADF. En orden a simplificar losresultados, la tabla 1 sólo contiene las series que finalmente hanresultado significativas para explicar el comportamiento de lademanda de energía eléctrica.

En este punto cabe destacar que se ha optado por trabajar conel logarítmo de la serie de la demanda mensual de energía (lnener)pues esta serie presentaba heterocedasticidad, es decir la variabilidadde esta serie crecía a medida que se incrementaba el tiempo. Latransformación logarítmica ha estabilizado esta variabilidad.

Las variables input que han resultado significativas han sido elíndice de producción industrial (ipi), la variación interanual del índicede precios al consumo (ipc_varan) y el número de días a nivel delEstado Español con temperaturas bajo 0 (diasbajo0), ver Gráficos 4-6).

164Fuente: INE. Elaboración propia.

en

e-9

7

ma

y-9

7

140

120

100

80

60

40

20

0

se

p-9

7

en

e-9

8

ma

y-9

8

se

p-9

8

en

e-9

9

ma

y-9

9

se

p-9

9

en

e-0

0

ma

y-0

0

se

p-0

0

en

e-0

1

ma

y-0

1

se

p-0

1

en

e-0

2

ma

y-0

2

se

p-0

2

en

e-0

3

ma

y-0

3

se

p-0

3

en

e-0

4

ma

y-0

4

se

p-0

4

en

e-0

5

ma

y-0

5

se

p-0

5

en

e-0

6

ma

y-0

6

se

p-0

6

en

e-0

7

ma

y-0

7

se

p-0

7

en

e-0

8

ma

y-0

8

se

p-0

8

en

e-0

9

ma

y-0

9

se

p-0

9Gráfico 4

Evolución del Índice de Producción Industrial (IPI).


Inspeccionando la tabla 2 y concentrándonos en la columnaPr<Tau se puede deducir que la serie lnener e ipc_varan puedenpresentar una raíz unitaria estacional de orden 12 y/o una raízunitaria de orden 1. Con respecto a la series lnener se ha procedido 165

Fuente: INE. Elaboración propia.

en

e-9

7

ma

y-9

7

6

5

4

3

2

1

0

-1

-2

se

p-9

7

en

e-9

8

ma

y-9

8

se

p-9

8

en

e-9

9

ma

y-9

9

se

p-9

9

en

e-0

0

ma

y-0

0

se

p-0

0

en

e-0

1

ma

y-0

1

se

p-0

1

en

e-0

2

ma

y-0

2

se

p-0

2

en

e-0

3

ma

y-0

3

se

p-0

3

en

e-0

4

ma

y-0

4

se

p-0

4

en

e-0

5

ma

y-0

5

se

p-0

5

en

e-0

6

ma

y-0

6

se

p-0

6

en

e-0

7

ma

y-0

7

se

p-0

7

en

e-0

8

ma

y-0

8

se

p-0

8

en

e-0

9

ma

y-0

9

se

p-0

9

Gráfico 5 Variación interanual del Índice de Precios de Consumo (IPC).

Fuente: INE. Elaboración propia.

en

e-9

7

ma

y-9

7

16

14

12

10

8

6

4

2

0

se

p-9

7

en

e-9

8

ma

y-9

8

se

p-9

8

en

e-9

9

ma

y-9

9

se

p-9

9

en

e-0

0

ma

y-0

0

se

p-0

0

en

e-0

1

ma

y-0

1

se

p-0

1

en

e-0

2

ma

y-0

2

se

p-0

2

en

e-0

3

ma

y-0

3

se

p-0

3

en

e-0

4

ma

y-0

4

se

p-0

4

en

e-0

5

ma

y-0

5

se

p-0

5

en

e-0

6

ma

y-0

6

se

p-0

6

en

e-0

7

ma

y-0

7

se

p-0

7

en

e-0

8

ma

y-0

8

se

p-0

8

en

e-0

9

ma

y-0

9

se

p-0

9Gráfico 6

Número de días con temperatura igual o inferior a 0º C.

C l m . e c o n o m í a . N u m . 1 5

a diferenciar de orden 12 primero y sobre la serie diferenciada,aplicar de nuevo el test de raíz unitaria de orden 1, esta hipótesis seha rechazado, concluyendo que solo es necesario unadiferenciación de orden 12. Este resultado no es de extrañar puesel polinomio (1-B12) contiene la raíz unidad, es decir que al trabajaren este caso con (1-B12) implícitamente ya se está trabajando con(1-B). Para la serie ipc_varan el resultado ha sido contrario y se haoptado por tomar solamente una diferenciación de orden 1. Es decir,las serie ipi y diasbajo0 sólo necesitan una diferenciación de orden12 para conseguir la estacionariedad. Como resumen podemosconcluir que todas las series que han intervenido en este estudio,excepto ipc_varan son cointegradas de orden 12 e ipc_varan escointegrada de orden 1.

b) Modelo de regresión dinámica. La selección de las series paraintervenir como input del modelo de regresión dinámica así comoel número de retardos que deben mantener se ha realizado a partirde la significación de los coeficientes y del criterio de información166

Tabla 2Test de raíz unitaria de Dickey Fuller augmentado.

lnener Media cero 1 0,0471 0,6925 0,77 0,878412 0,0458 0,6921 3,27 0,9997

Media simple 1 -7,2809 0,2515 -2,12 0,238412 -1,3738 0,8477 -2,38 0,1482

Tendencia 1 -68,6867 0,0005 -5,61 <.000112 4,6288 0,9999 1,96 0,9999

IPI Media cero 1 -0,6475 0,5378 -0,54 0,478912 -0,068 0,6661 -0,39 0,5424

Media simple 1 -116,863 0,0001 -7,62 <.000112 -2,8893 0,667 -0,71 0,8389

Tendencia 1 -125,395 0,0001 -7,79 <.000112 5,2741 0,9999 2,23 0,9999

IPC_varan Media cero 1 -2,2428 0,3026 -1,12 0,239112 -0,5467 0,5588 -0,61 0,4492

Media simple 1 -11,0422 0,0992 -1,93 0,317112 -11,9129 0,0791 -1,58 0,4905

Tendencia 1 -10,2923 0,4036 -1,83 0,686512 -7,7872 0,5907 -1,03 0,9352

diasbajo0 Media cero 1 -54,7205 <.0001 -5,22 <.000112 -0,6079 0,5459 -0,45 0,5182

Media simple 1 -97,0385 0,0012 -6,88 <.000112 -23,1801 0,0041 -2,45 0,1305

Tendencia 1 -97,1212 0,0005 -6,86 <.000112 -22,3759 0,0353 -2,37 0,3931

Pr < TauTauPr < RhoRetardosTipo Rho

Nota: El test sobre la tau es el preferible, según los resultados sobre la potencia del test (Brocklebank y Dickey (2003), pag. 116).En negrita se han resaltado los valores que no permiten rechazar la hipótesis nula que la serie contiene una raíz unidad.Fuente: INE. Elaboración propia.


bayesiano de Schwartz (SBC), eligiendo aquel modelo que presentetodos los parámetros significativos y el SBC mínimo.

La tabla 3 contiene los resultados del modelo elegido. La serie noobservable h ha sido estimada por un modelo ARMA(7,0)(0,1)12, concoeficientes significativos para la parte autoregresiva sólo los de orden1, 4 y 7. Las variables independientes (1-B)IPC_varan, (1-B12)IPI,(1-B12)diasbajo0 influyen en la variable lnener instantáneamente y noha sido necesario tener en cuenta otros retardos para estas series.

La expresión del modelo estimado es

donde a es una variable aleatoria que sigue una distribuciónNormal, con media 0 y desviación tipo 0,022.

La correlación estimada de los parámetros estimados se hallaen la tabla 4. Se observa que ningún parámetro estimado presentauna correlación relativamente elevada.

167

(1-B12)lnener = 0,039 + 0,013 (1-B ) ipc_varan + 0,003 (1-B12) ipi + 0,005 (1-B12) diasbajo0 + a(1-0,87B12)

(1-0,435B -0,217B 4 -0,29B 7)

Tabla 3Estimación de los parámetros del modelo de regresión dinámica.

MU 0,03927 0,00505 7,78 <,0001 0 (1-B12)lnenerMA1,1 0,87017 0,10268 8,47 <,0001 12 (1-B12)lnenerAR1,1 0,43523 0,06181 7,04 <,0001 1 (1-B12)lnenerAR1,2 0,21668 0,06717 3,23 0,0013 4 (1-B12)lnenerAR1,3 0,29054 0,06461 4,5 <,0001 7 (1-B12)lnenerNUM1 0,01263 0,00625 2,02 0,0431 0 (1-B)IPC_varanNUM2 0,00301 0,00031 9,55 <,0001 0 (1-B12)IPINUM3 0,005461 0,00097 5,63 <,0001 0 (1-B12)diasbajo0

VariableRetardoPr > tValor tError Estand.EstimadorParámetro

Fuente: Elaboración propia.

Tabla 4Correlaciones de los parámetros estimados.

lnener MU 1 0,045 -0,117 -0,152 -0,222 -0,049 0,006 -0,045lnener MA1,1 0,045 1 0,056 0,249 0,177 0,045 0,011 0,042lnener AR1,1 -0,117 0,056 1 -0,302 -0,245 -0,043 -0,03 0,026lnener AR1,2 -0,152 0,249 -0,302 1 -0,211 0,13 0,002 0,022lnener AR1,3 -0,222 0,177 -0,245 -0,211 1 0,037 0,033 0,037IPC_varan NUM1 -0,049 0,045 -0,043 0,13 0,037 1 -0,038 0,026IPI NUM2 0,006 0,011 -0,03 0,002 0,033 -0,038 1 0,036diasbajo0 NUM3 -0,045 0,042 0,026 0,022 0,037 0,026 0,036 1

dias < 0NUM3

IPINUM2

IPC_vNUM1

lnenerAR1,3

lnenerAR1,2

lnenerAR1,1

lnenerMA1,1

lnenerMU

ParámetroVariable


C l m . e c o n o m í a . N u m . 1 5

Finalmente el análisis de los residuos del modelo estimado essatisfactorio como se deduce los resultados de la tabla 5, en la quese observa que los residuos son no autocorrelacionados.

Además los residuos del modelo no están correlacionados conninguna de las series input como se deduce de la inspección de lastablas 6-8.

168

Tabla 5Test sobre la autocorrelación de los residuos.

6 1,7 2 0,4276 0,001 0,071 -0,077 0,022 0,008 -0,00912 4,88 8 0,7703 0,005 0,121 0,029 -0,06 0,014 0,03818 8,28 14 0,874 -0,047 0,007 0,001 0,004 -0,028 -0,13324 15,33 20 0,7571 -0,031 -0,001 0,049 -0,162 0,107 0,011

To Lag Chi-Square DF Pr > ChiSq Autocorrelations


Tabla 6Test sobre la correlaciones cruzadas de los residuos

con la variable input ipc_varan.

5 10,15 6 0,1185 0,068 0,003 0,094 0,132 0,139 0,14611 14,52 12 0,2685 0,078 -0,054 0,098 -0,062 0,037 -0,08417 17,6 18 0,4823 -0,012 0,03 0,031 0,04 0,014 -0,13423 22,16 24 0,5695 -0,164 0,015 0,014 -0,001 0,026 0,065




con la variable input ipi.

5 13,12 6 0,0412 0,082 0,106 0,133 0,017 0,208 -0,11511 17,22 12 0,1417 0,113 0,036 -0,084 0,055 0,066 0,01817 24,84 18 0,1294 0,145 -0,032 -0,078 0,119 -0,049 -0,09423 26,1 24 0,3479 0,056 -0,059 0,045 0,014 -0,006 -0,004




con la variable input diasbajo0.

5 10,17 6 0,1175 0,011 0,154 -0,162 0,093 -0,035 0,10711 15,12 12 0,2349 0,03 0,096 -0,145 0,005 -0,056 0,0217 25,62 18 0,1088 0,105 0,003 0,211 -0,12 0,027 -0,05623 29,72 24 0,1942 -0,014 -0,005 0,129 -0,091 -0,033 -0,053




La calidad del ajuste de deduce a partir de los resultadospresentados en las tablas 3 a 8 así como a partir de la inspecciónvisual del gráfico 7, donde se puede observar como las previsionessiguen perfectamente a la serie de la energía eléctrica, ambas enescala logarítmica.

c) Previsiones a largo plazo. Tal como ya se ha dicho alprincipio de este punto, previo al cálculo de las previsiones alargo plazo para la demanda de la generación eléctrica esnecesario el modelado de cada una de las variables input queintervienen en el modelo de regresión dinámica. Este modeladonos permitirá el cálculo de las previsiones a largo plazo de estasvariables regresoras que serán el input para las previsiones de lademanda.

• Serie (1-B)ipc_varan

El modelo ajustado ha sido un ARMA(1,5)(1,1)12 concoeficientes significativos en la parte de medias móviles sólo los deorden 4 y 5 (Tabla 9). El coeficiente estacional autoregresivo no essignificativo con un error del 5% pero si que lo es cuando se tomaun error del 10%. Se ha optado por mantenerlo pues suintroducción mejora el análisis de los residuos (Tabla 10).

169


en

e-9

7

Inener

ma

y-9

7

10,2

10,1

10,0

9,9

9,8

9,7

9,6

9,5

9,4

se

p-9

7

en

e-9

8

ma

y-9

8

se

p-9

8

en

e-9

9

ma

y-9

9

se

p-9

9

en

e-0

0

ma

y-0

0

se

p-0

0

en

e-0

1

ma

y-0

1

se

p-0

1

en

e-0

2

ma

y-0

2

se

p-0

2

en

e-0

3

ma

y-0

3

se

p-0

3

en

e-0

4

ma

y-0

4

se

p-0

4

en

e-0

5

ma

y-0

5

se

p-0

5

en

e-0

6

ma

y-0

6

se

p-0

6

en

e-0

7

ma

y-0

7

se

p-0

7

en

e-0

8

ma

y-0

8

se

p-0

8

en

e-0

9

ma

y-0

9

se

p-0

9

Gráfico 7 Evolución de la energía y de las previsiones estimadas a partir

del modelo. Ambas series están en escalas logarítmicas.

Previsión

C l m . e c o n o m í a . N u m . 1 5

• Serie (1-B12)ipi

En este caso el modelo ajustado ha sido un ARMA(3,0)(2,0)12 enel que el primer coeficiente de la parte autoregresiva regular no hasido significativo. La estimación de los parámetros se halla en latabla 11 y el análisis de los residuos de la tabla 12 muestra que estosno estan autocorrelacionados.

170

Tabla 11Parámetros estimados para la serie (1-B12)ipi.

MU 6,69250 2,40470 2,78 0,0061 0AR1,1 0,4063 0,0605 6,72 <,0001 2AR1,2 0,5937 0,0616 9,63 <,0001 3AR2,1 -0,356 0,0894 -3,98 0,0001 12AR2,2 -0,5247 0,1026 -5,11 <,0001 24

RetardoPr > tValor tError Estand.EstimadorParámetro


Tabla 10Test sobre la autocorrelación de los residuos del modelo

para la serie (1-B)ipc_varan.

6 3,09 1 0,0789 -0,014 0,063 -0,078 0,005 -0,005 0,09512 6,33 7 0,5017 -0,06 0,068 -0,03 0,044 0,092 -0,00518 14,89 13 0,3144 -0,214 -0,021 -0,005 -0,035 -0,053 -0,00824 22,63 19 0,2542 0,041 0,11 -0,057 0,024 -0,158 -0,0130 31,34 25 0,178 0,057 0,165 0,022 -0,022 -0,081 0,092



Tabla 9Parámetros estimados para la serie (1-B)ipc_varan.

MA1,1 -0,2037 0,0815 -2,5 0,0136 4MA1,2 0,1598 0,0808 1,98 0,0498 5MA2,1 0,4302 0,1407 3,06 0,0027 12AR1,1 0,4046 0,0768 5,27 <,0001 1AR2,1 -0,2634 0,1556 -1,69 0,0926 12




• Serie (1-B12)diasbajo0

La serie de los diasbajo0 se modela con un ARMA(1,0)(0,1)12.La estimación de los parámetros se halla en la tabla 13. Losresultados de la tabla 14 muestran que los residuos no estánautocorrelacionados.

171


para la serie (1-B12)ipi.

6 4,7 2 0,0956 0,086 -0,005 -0,013 0,132 0,055 0,0612 8,22 8 0,4121 -0,125 -0,037 0,047 -0,053 0,029 -0,01118 12,81 14 0,5415 -0,05 0,019 -0,06 -0,106 0 0,10224 19,98 20 0,4595 -0,004 -0,014 -0,014 -0,004 0,136 -0,15



Tabla 13Parámetros estimados para la serie (1-B12)diasbajo0.

MA1,1 0,84232 0,05052 16,67 <,0001 12AR1,1 0,43141 0,07773 5,55 <,0001 1




para la serie (1-B12)diasbajo0.

6 1,41 4 0,8433 -0,03 0,085 -0,018 -0,032 -0,006 -0,00612 6,87 10 0,7377 0,012 -0,005 -0,016 0,097 0,128 -0,09418 15,89 16 0,4609 0,215 -0,09 0,003 -0,045 0,014 -0,00124 23,57 22 0,37 0,004 -0,049 0,054 0,017 0,188 -0,061



4.- Previsión de la demanda degeneración de energía eléctricahorizonte 2020.

A partir del modelo estimado se ha realizado la previsiónde la demanda de generación de energía eléctrica en el año 2020,el valor estimado es de 334.273,8 GWh y su intervalo de confianzacalculado al 95% es (289.380,5, 379.167,1) GWh. (ver gráfico 8).Tomando este valor como referencia vamos analizar diferentesescenarios relacionados con el despliegue de una u otratecnología de generación. Nuestro análisis es solo una primeraaproximación a un complejo problema de optimización, yaque sólo se tendrán en cuenta los costes de la generacióny también los costes de las emisiones de CO2. Un análisis másexhaustivo debería considerar el análisis de la implementaciónde cada tecnología, su impacto sobre el territorio, las necesidadesde crecimiento de la red eléctrica y los costes asociados, Dopazoy Fuello (2008) abordan estas hipótesis para el caso de lasenergías renovables.

C l m . e c o n o m í a . N u m . 1 5

172Fuente: Elaboración propia.

19

97

400.000

350.000

300.000

250.000

200.000

150.000

100.000

50.000

0

Gráfico 8 Evolución de la demanda anual de energía (GWh).

Datos históricos (1997-2009, en azul), previsiones estimadas a partir del modelo con(2010 – 2020, en gris), e intervalo del 95% de confianza para las previsiones (---)

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

20

09

20

10

20

11

20

12

20

13

20

14

20

15

20

16

20

17

20

18

20

19

20

20

Vamos a considerar como escenario base (EB) el obtenido alconsiderar para cada tecnología la misma cuota de participaciónque la existente en el año 2008. A partir de este diseñaremos cuatronuevos escenarios, el escenario carbón prioritario (EC), el escenarioNuclear prioritario (EN), el escenario Ciclo Combinado prioritario(ECC), y el escenario Renovables prioritario (ER). En algunos de ellos(ER) y (EN), vamos a asumir la propuesta de la Unión Europea que “el20% de la energía final consumida debería de proceder de fuentesrenovables (incluyendo la gran hidráulica)” debemos poder aseguraruna cobertura del 42% de generación eléctrica de origen renovableen 2020.

Para cada escenario se han calculado los costes de producciónbasándose únicamente en la retribución por tecnología según lapropuesta de la Comisión Nacional de Energía (2008) (ver tabla 15).Para cuantificar los costes de las emisiones de CO2, nos hemosbasados en los datos proporcionados por Red Eléctrica de España(REE) sobre las toneladas de CO2 por megavatio hora (tCO2/Mwh);el precio de las emisiones de CO2 lo fijamos en 12,19 €/t según lacotización de mercado (21-12-2009) en el Sistema electrónico deemisión de derechos de emisión de dióxido de carbono11. En las


17311) http://www.sendeco2.com/

Tabla 15Costes de producción según escenarios.

Hidráulica 39 25.168 982 20.937 817 20.937 817 20.937 817 20.937 817

Nuclear 44,37 68.811 3.053 0 0 0 0 60.400 2.680 87.852 3.898

Carbon 71,83 53.696 3.857 152.976 10.988 0 0 0 0 0 0

Fuel-Gas 68,64 2.794 192 0 0 0 0 0 0 0 0

Ciclo combinado 68,64 106.727 7.326 88.786 6.094 244.588 16.789 134.179 9.210 106.727 7.326

Térmica Reg Esp 250 27.528 6.882 22.900 5.725 27.528 6.882 22.900 5.725 22.900 5.725

Hidr. Reg. Esp 82 5.209 427 4.333 355 4.333 355 4.333 355 4.333 355

Otras renov. Reg. Esp 116 44.341 5.144 44.341 5.144 36.888 4.279 91.524 10.617 91.524 10.617

COSTES PRODUCCIÓN(mill. euros) 27.862 29.123 29.121 29.404 28.737

TecnologíaGeneración

Escenario base 2020euros/Mwh (1) gener.

GWheuros

millonesgener. GWh

eurosmillones

gener. GWh

eurosmillones

gener. GWh

eurosmillones

gener. GWh

eurosmillones

Escenario Carbón Escenario Cic.Comb. Escenario Nuclear Escenario Renovab.

(1) Costes de producción (INFORME COMPLEMENTARIO A LA PROPUESTA DE REVISIÓN DE LA TARIFA ELÉCTRICA A PARTIR DEL 1 DEJULIO DE 2008. PRECIOS Y COSTES DE LA GENERACIÓN DE ELECTRICIDAD. CNE.Fuente: Elaboración propia.

tablas 16 se presentan las toneladas de CO2 para cada escenario y enla tabla 17 se realiza una comparación entre los escenarios teniendoen cuenta los costes de emisión.

Escenario Base (EB): Consideramos como escenario base lasmismas cuotas de participación para cada tecnología que en el2008. Este escenario no permite asumir la propuesta del 20% deenergía final renovable además, no es realista considerar unaumento en la generación nuclear por encima de la potenciainstalada en estos momentos. También debemos tener en cuentaque las centrales de Fuel–Gas estarán fuera de servició en 2020, yaque se les calcula una vida útil de 35 años.

C l m . e c o n o m í a . N u m . 1 5

174

Tabla 16Total emisiones de CO2 según escenarios.

Hidráulica 0 25.168 0 20.937 0 20.937 0 20.937 0 20.937 0

Nuclear 0 68.811 0 0 0 0 0 60.400 0 87.852 0

Carbon 0,95 53.696 51.011 152.976 145.327 0 0 0 0 0 0

Fuel-Gas 0,7 2.794 1.956 0 0 0 0 0 0 0 0

Ciclo combinado 0,37 106.727 39.489 88.786 32.851 244.588 90.498 134.179 49.646 106.727 39.489

Térmica Reg Esp 0,25 27.528 6.882 22.900 5.725 27.528 6.882 22.900 5.725 22.900 5.725

Hidr. Reg.Esp 0 5.209 0 4.333 0 4.333 0 4.333 0 4.333 0

Otras renov. R.Esp 0 44.341 0 44.341 0 36.888 0 91.524 0 91.524 0

TOTAL EMISIONES (miles tCO2) 99.338 183.903 97.380 55.371 45.214

TecnologíaGeneración

Escenario base 2020tCO2/Mwh gener.

GWhmilestCO2

gener. GWh

milestCO2

gener. GWh

milestCO2

gener. GWh

milestCO2

gener. GWh

milestCO2

Escenario Carbón Escenario Cic.Comb. Escenario Nuclear Escenario Renovab.


Tabla 17Resumen de resultados de los escenarios analizados.

EB: Base 2020 1.210.929,26 3622,57 27.862 83,351EC: Carbón 2.241.775,90 6706,41 29.123 87,123ECC: Ciclo comb. 1.187.056,95 3551,15 29.121 87,118EN: Nuclear 674.977,01 2019,23 29.404 87,963ER: Renovables 551.159,70 1648,83 28.737 85,970

Emisiones CO2

Euros (miles) (Euros)/GWhCostes Producción

Euros (millones) (Euros)/GWhEscenarios


Escenario Carbón prioritario (EC): Se mantiene a los mismosniveles que en 2008 de energía hidráulica, ciclo combinado y la térmicae hidráulica del régimen especial, las centrales de Fuel–Gas estarán fuerade servició, así como también las nucleares. Consideramos que crece lageneración de energía renovable (se considera que tiene una coberturaigual a la de 2008 en términos relativos) y se prioriza el crecimiento de lascentrales térmicas basadas en la combustión del carbón.

Escenario Nuclear prioritario (EN): En este escenario losniveles de energía hidráulica, térmica e hidráulica del régimenespecial no aumentan respecto el 2008, las centrales de Fuel–Gasestarán fuera de servició, así como también las basadas en lacombustión de carbón. Se aumentan las renovables hasta el nivelque nos permite asumir la propuesta del 20% y finalmente seaumenta el equipo de generación nuclear.

Escenario Ciclo Combinado prioritario (ECC): Los niveles deenergía hidráulica, renovables e hidráulica del régimen especial sonlos mismos que en 2008. Las centrales de Fuel–Gas estarán fuera deservició, así como también las basadas en la combustión de carbóny las nucleares. Crece la generación de térmica de régimen especial(se considera que tiene una cobertura igual a la de 2008 en términosrelativos) y se prioriza el crecimiento de las centrales de ciclocombinado.

Escenario Renovables prioritario (ER): Se mantiene a losmismos niveles que en 2008 de energía hidráulica, térmica ehidráulica del régimen especial, las centrales de Fuel–Gas estaránfuera de servició, así como también las basadas en la combustión decarbón. Se aumentan las renovables hasta el nivel que nos permiteasumir la propuesta del 20%, también de forma considerable lageneración de ciclo combinado y se reduce el equipo degeneración nuclear por debajo del de 2008.

5.- Conclusiones.En primar lugar, destacar que la previsión a largo plazo de la

generación eléctrica supone un crecimiento anual medio de lademanda del 2,4%. Esta estimación del crecimiento está en líneacon el último boletín mensual publicado este diciembre por elBanco de España (2009), en donde los expertos del eurosistema


175

para la zona euro pronostican que las perspectivas de larecuperación mundial es lenta y el crecimiento anual del PIB sesituará entre el 0,8% y el 2,0% en el 2011.

La respuesta a la pregunta sobre si nuestra generación actualde electricidad será sostenible en el 2020 se halla en el escenariobase EB, en el que se ha aplicado las cotas actuales de tecnologíasa la demanda de electricidad prevista para el 2020. Se observaen la tabla 17, base 2020, que aunque la generación deelectricidad es la más económica de los escenarios probados, elvolumen de CO2 generado es efectivamente no sostenible ymucho menos cumple con la planificación propuesta en Kyotosobre la reducción de CO2.

De todos los escenarios generados, el de carbón prioritario (EC)es el que tiene unos costes de producción más reducidos, como erade esperar. Sin embargo, este escenario es el que genera una mayorcantidad de CO2, convirtiendo este escenario en el más insosteniblede todos.

El escenario nuclear prioritario (EN) al aumentar la generaciónde electricidad mediante energías renovables hasta el nivel quepermite asumir una reducción de CO2 del 20% de la energía finalrenovable, y aumentar la cantidad de electricidad generada porenergía nuclear , disminuye, como era de esperar, las emisiones deCO2 aunque se incrementa los costes de producción. Sin embargo,si se tiene en cuenta que las emisiones de CO2 tienen además delcoste medioambiental incuestionable, un coste económico, esteescenario compensa con creces todos los anteriores que hastaahora se han comentado (véase tabla 17).

Nuestra propuesta de escenario ideal es el escenariorenovables prioritario (ER) en el que no se genera energía eléctricacon carbón, se incrementa la generación con ciclo combinado y sedisminuye la generación de generación nuclear por debajo de losniveles actuales. Este escenario es el que consigue una mayorreducción de emisiones de CO2 y a su vez un coste de generaciónde los más económicos, quedando por encima del escenario base.Decimos que es un escenario ideal pues en los estimaciones detodas las magnitudes se ha mantenido el coste de las energíasprimarias a niveles del 2008 sin realizar proyecciones de cualpuede ser el precio del gas en el 2020.

C l m . e c o n o m í a . N u m . 1 5

176

Dos son las líneas futuras en la que vamos a desarrollar nuestrainvestigación. La primera de ellas es calcular las previsiones de losvalores futuros de las materias primas que intervienen en lageneración para obtener una generación más realista de los futurosescenarios. La segunda es la generación de estos escenariosmediante los procedimientos de investigación operativa yoptimización que nos permitirán obtener la composición óptimadel mix eléctrico, óptima en el sentido de minimizar el coste degeneración y las emisiones de CO2.

Bibliografía.AL-HAMADI H. M. y SOLIMAN S.A., (2005): “Long term/mid-term electric load forecasting base don

short-term correlation and annual growth, Electric Power Systems Research, 74, 353-361.

BANCO DE ESPAñA (2009): “Evolución económica y monetaria”. Boletin Mensual, Diciembre 2009.

BOx G.E.P. y JENKINS G.M. (1976): Time Series Analysis: Forecasting and Control. Holden Day.

BROCKLEBANK J. C. y DICKEY D. A: (2003): SAS for Forecasting Time Series. Second Edition. SASPublishing.

CHEN B. J., CHANG M. W. y LIN C. J., (2004): “Load Forecasting using support vector machines: a studyon EUNITE competition 2001”, IEEE Transactions on Power System, 19 (4), 1821-1830.

CHUI F., ELKAMEL A., SURIT R., CROISET E. y DOUGLAS P.L., (2009): “Long-term electricity demandforecasting for power system planning using economic, demographic and climatic variables” EuropeanJournal Industrial Engineering, 3 (3), 277-304.

COMISIóN NACIONAL DE ENERGÍA (2008): “Informe complementario a la propuesta de revisión de latarifa eléctrica a partir del 1de julio de 2008. Precios y costes de la generación eléctrica”.

CRESPO-CUARESMA J., JUMAH A. y KARBUZ S. (2009): “Modelling and Forecasting Oil Prices: The Roleof Asymmetric Cycles” The Energy Journal 30 (3), 81-89.

DICKEY D. A. y FULLER W. A. (1979): “Distribution of the Estimators for Autoregressive Time Series witha Unit Root.” Journal of the American Statistical Association, 427-431.

DOPAZO C. y FUELLO, N., 2008: “El potencial de las energías renovables en España” Un informe delárea de mecánica de fluidos de la Universidad de Zaragoza.

HIPPERT H., PEDREIRA C. y SOUZA R., (2001): “Neural Networks for short-term load forecasting: a reviewand evaluation”, IEEE Transactions on Power System, 16 (1), 44-55.

HSU C. y CHEN C., (2003): “Regional load forecasting in Taiwan – application of artificial neuralNetworks” Energy Conversion and Management 44 1941-1949.

HYNDMAN, R. y FAN, S., 2008: “Density forecasting for long-term peak electricity demand”.http://www.buseco.monash.edu.au/depts/ebs/pubs/wpapers. Working paper 06/08 Monah University.

INSTITUTO PARA LA DIVERSIFICACIóN Y AHORRO DE LA ENERGÍA (IDAE) “Análisis del potencial decogeneración de alta eficiencia en España 20010-2015-2020”.

JIMéNEZ-RODRÍGUEZ R. (2009): “Oil price Schocks and Real GDP Growth: Testing for Non-linearity TheEnergy Journal 30 (1), 1-22.

KARABULUT K. , ALKAZ A. y YILMAZ A., (2008): “Long term energy consumption forecasting usinggenetic programming” Mathematical and Computational Applications 13 (2) 71-80.


177

MOHAMED Z. y BODGER P. (2005): “Forecasting electricity consumption in New Zealand usingeconomic and demographic variables” Energy 30, 1833-1843.

RED ELéCTRICA ESPAñOLA (2009): “Sistema eléctrico español 2008” .

PANKRATZ, A. (1991): Forecasting with Dynamic Regression Models. Wiley-Interscience.

PEñA D.(2005): Análisis de series temporales. Alianza Editorial.

SAS V9.2. SAS Institute Inc., Cary, NC, USA.

UNESA (Asociación española de la industria eléctrica) “Prospectiva de generación eléctrica 2030”, 2007.

WERON R. (2006): Modelling and forecasting electricity loads and prices: A statistical approach, WileyFinance.

YALCINOZ T. y EMINOGLU U. (2005): “Short term and medium term power distribution loadforecasting by neural Networks” Energy Conversion and Management 46 1393-1405.

C l m . e c o n o m í a . N u m . 1 5

178

Generación de energía eléctrica: España 2020. ¿Será …programación genética o machine...

Documents

Transcript of Generación de energía eléctrica: España 2020. ¿Será …programación genética o machine...