Predicción de la Producción de Biogás en España: Análisis de Tendencias y Proyección a Corto Plazo

Abstract

La predicción de la generación eléctrica a partir de biogás constituye una herramienta relevante para la planificación operativa de plantas de digestión anaerobia y para la integración de esta tecnología en sistemas eléctricos con una elevada participación de fuentes renovables. A diferencia de recursos como la energía eólica o solar, la variabilidad del biogás no depende principalmente de las condiciones meteorológicas, sino de factores operativos y biológicos vinculados al tipo de sustrato, las condiciones de digestión, la gestión de los digestores y las decisiones de despacho. En este contexto, resulta necesario evaluar hasta qué punto modelos de distinta complejidad permiten anticipar la producción diaria y capturar la estructura temporal de la serie.

Este trabajo analiza la predicción diaria de la generación eléctrica a partir de biogás en Galicia mediante una comparación entre seis enfoques: dos modelos de referencia, \textit{naïve} y media móvil de siete días, un modelo estadístico SARIMA y tres arquitecturas recurrentes de aprendizaje profundo, RNN, LSTM y GRU. Para ello, se utilizaron registros reales procedentes del Sistema de Información del Operador del Sistema (ESIOS) de Red Eléctrica de España, correspondientes a A Coruña, Lugo, Orense y Pontevedra, agregados en una serie regional diaria para el periodo comprendido entre abril de 2016 y marzo de 2026. La evaluación se realizó con una partición cronológica de los datos y un horizonte de predicción de un día, empleando MAE y RMSE como métricas de desempeño en la escala original de generación. Los resultados muestran que la serie presenta persistencia diaria y una periodicidad semanal marcada, mientras que la estacionalidad mensual es poco relevante. En términos predictivos, la GRU obtuvo el menor error en el conjunto de prueba, con un MAE de 5,750 MWh y un RMSE de 7,448 MWh, lo que supone una mejora del 40,8 % frente al modelo naïve. Sin embargo, el modelo SARIMA alcanzó un desempeño competitivo, con un MAE de 6,136 MWh, apenas 0,386 MWh por encima de la GRU. Estos resultados indican que la principal mejora predictiva procede de representar adecuadamente la persistencia de corto plazo y el patrón semanal de la serie, más que del incremento de complejidad arquitectónica. En consecuencia, para esta serie univariante, modelos estadísticos bien especificados y arquitecturas recurrentes compactas ofrecen un equilibrio favorable entre precisión, interpretabilidad y complejidad metodológica.The forecasting of biogas-based electricity generation constitutes a relevant tool for the operational planning of anaerobic digestion plants and for the integration of this technology into power systems with a high share of renewable sources. Unlike resources such as wind or solar energy, the variability of biogas does not depend primarily on meteorological conditions, but rather on operational and biological factors linked to the type of substrate, the digestion conditions, the management of the digesters and dispatch decisions. In this context, it becomes necessary to assess to what extent models of varying complexity are able to anticipate daily production and capture the temporal structure of the series.

This study analyses the daily forecasting of biogas-based electricity generation in Galicia through a comparison among six approaches: two baseline models, a \textit{naïve} method and a seven-day moving average, a statistical SARIMA model, and three recurrent deep learning architectures, namely RNN, LSTM and GRU. To this end, real records obtained from the Information System of the System Operator (ESIOS) of Red Eléctrica de España were used, corresponding to the provinces of A Coruña, Lugo, Orense and Pontevedra, aggregated into a single daily regional series for the period between April 2016 and March 2026. The evaluation was carried out using a chronological partition of the data and a one-day forecasting horizon, employing MAE and RMSE as performance metrics on the original generation scale. The results show that the series exhibits daily persistence and a marked weekly periodicity, whereas monthly seasonality proves to be of limited relevance. In predictive terms, the GRU achieved the lowest error on the test set, with an MAE of 5.750 MWh and an RMSE of 7.448 MWh, representing an improvement of 40.8 % over the naïve model. Nevertheless, the SARIMA model attained a competitive performance, with an MAE of 6.136 MWh, only 0.386 MWh above that of the GRU. These results indicate that the main predictive gain derives from adequately representing the short-term persistence and the weekly pattern of the series, rather than from increasing architectural complexity. Consequently, for this univariate series, well-specified statistical models and compact recurrent architectures offer a favourable balance between accuracy, interpretability and methodological complexity.