El grupo de investigación GRAFO de la Universidad Rey Juan Carlos ha desarrollado, junto con el grupo GHEODE de Universidad de Alcalá, un algoritmo capaz de llevar a cabo la estimación precisa de la demanda de energía española a un año vista a partir de una serie de variables macroeconómicas. Los resultados obtenidos han sido publicado en la revista científica Energy Conversion and Management y constatan que la robustez de este algoritmo queda demostrada dada su correcta estimación incluso durante los períodos de crisis económica, donde la demanda de energía es muy difícil de predecir.
El algoritmo propuesto, basado en la metodología conocida como Búsqueda de Vecindad Variable (VNS por su nombre original, Variable Neighborhood Search), es capaz de seleccionar aquellas variables macroeconómicas, de entre las 14 disponibles, que son más relevantes para llevar a cabo la estimación de la demanda de energía. “Realizada la selección, una red de neuronas de aprendizaje rápido se entrena con los datos disponibles de los últimos 30 años. Una vez la red está entrenada, podrá predecir cuál será la demanda de energía española a un año vista, con una tasa de error inferior al 2%”, según explica Jesús Sánchez-Oro, investigador de la E.T.S. de Ingeniería Informática de la URJC y autor principal del estudio.
Todos los ensayos del artículo, titulado ‘Estimación de la demanda total de energía con un algoritmo híbrido basado en búsqueda de vecindad variable y redes de neuronas de aprendizaje rápido’, han sido ejecutados en un ordenador de sobremesa común (un Intel Core i7 a 2.67 GHz con 8 GB de RAM), por lo que no es necesario disponer de ninguna equipamiento especial para llevar a cabo la estimación.
Los investigadores plantean que el algoritmo propuesto podrá ser de utilidad para las autoridades políticas y expertos en el sector de la energía, que tienen que tratar cada año con la problemática del abastecimiento energético.
El estudio se enmarca en diferentes proyectos de investigación, financiados por el Ministerio de Economía y Competitividad: ‘Nuevos algoritmos híbridos bio-inspirados para problemas de predicción en energías renovables’ (TIN2014-54583-C2-2-R) y ‘Diseño, implementación y explotación de técnicas heurísticas avanzadas’ (TIN2015-65460-C2-2).
Referencia bibliográfica:
J. Sánchez-Oro, A. Duarte, S. Salcedo-Sanz, Robust total energy demand estimation with a hybrid Variable Neighborhood Search – Extreme Learning Machine algorithm, Energy Conversion and Management, 123(1):445-452, 2016, ISSN 0196-8904, http://dx.doi.org/10.1016/j.enconman.2016.06.050
Figura 1. La imagen muestra la demanda de energía real en cada año desde 1985 comparada con la demanda de energía estimada por el algoritmo híbrido propuesto (BVNS+ELM). El eje horizontal muestra cada uno de los años, mientras que el vertical representa la demanda.