Multi-region probalistic electric load forecasting using coherent temperature scenarios

Abstract

Actualmente, la creciente incertidumbre, complejidad e interconexión de los mercados eléctricos plantean importantes retos a los distintos participantes del sector, desde empresas a operadores de sistemas, tanto a su operación diaria como a su planificación a largo plazo. Por tanto, se necesitan modelos de predicción precisos capaces incorporar la volatilidad de las distintas variables del mercado, reforzando la necesidad de previsiones probabilistas y, en segundo lugar, también se requieren cada vez más modelos multidimensionales coherentes, capaces de modelar la interdependencia entre mercados interconectados o distintos puntos de la red. históricamente, entre las variables más criticas para la industria eléctrica esta la demanda, que sirve como variable explicativa de otros factores, como el precio diario, y además es esencial para la planificación del sistema eléctrico, la predicción de ingresos, o el diseño de tarifas. Además, la temperatura es uno de los factores más críticos que afectan a las variaciones de demanda, lo que subraya también la importancia para el sector de desarrollar escenarios multidimensionales, probabilistas y coherentes para esta variable meteorológica.

Esta tesis presenta una nueva metodología para generar escenarios coherentes de temperatura y demanda eléctrica, para conformar previsiones probabilistas de esta variable eléctrica. Al considerar las interrelaciones entre variables de múltiples regiones, esta metodología permite a los participantes en el mercado eléctrico simular diferentes condiciones del sistema, preservando la coherencia entre sus estimaciones a medio plazo. Los métodos propuestos son totalmente interpretables, fácilmente integrables en modelos de simulación a medio plazo y ofrecen la flexibilidad necesaria para generar un número ilimitado de escenarios de temperatura y demanda, a diferencia de otros métodos estándar de la literatura.

Las contribuciones de esta tesis al estado del arte de la predicción probabilista de demanda incluyen la propuesta de una nueva metodología para la selección de estaciones meteorológicas basada en Algoritmos Genéticos, validación cruzada y el método Broyden-Fletcher-Goldfarb-Shanno (BFGS), mejorando en error a todos los demás métodos probados, presentes en la literatura. además, se presenta una nueva metodología para generar y diagnosticar previsiones probabilistas de temperatura y demanda a medio plazo, basada en la descomposición de series temporales de temperatura, modelos aditivos generalizados, modelos autorregresivos y modelos autorregresivos vectoriales. Los conjuntos de escenarios generados con la metodología propuesta han demostrado un rendimiento probabilista superior al de otros métodos existentes en la literatura, al tiempo que captan la dinámica multidimensional real de las temperaturas y las demandas eléctricas de diferentes regiones.Nowadays, the increasing uncertainty, complexity, and interconnection of electricity markets present significant challenges for stakeholders, including utilities and system operators, affecting their day-to-day operation and long-term planning. Therefore, accurate models able to account for the volatility of market factors are needed, reinforcing the necessity for probabilistic energy forecasts and, secondly, coherent multidimensional models capable of capturing interdependence among interconnected markets or points of the grid are also increasingly required. Among the most critical features for the power industry is electricity demand, which serves as an explanatory variable for other factors, such as spot price, and is essential for power system planning, revenue projection, rate design, or energy trading. Additionally, temperature is known to be one of the most critical factors affecting electric load variations, highlighting also the importance of developing probabilistic and coherent multidimensional scenarios for this weather variable in the electric power industry.

This thesis introduces a novel methodology for generating coherent scenarios of temperature and electric load for Probabilistic Load Forecasting (PLF). By considering the interrelationships among variables from multiple regions, this methodology allows energy market participants to simulate different system conditions while preserving coherence among medium-term estimations. The proposed methods are fully interpretable, easily integrable into medium-term simulation frameworks, and offer the flexibility to generate an unlimited number of temperature and load scenarios, unlike other standard methods in literature.

The contributions of this thesis to the state-of-the-art of PLF includes the proposal of a new Weather Station Selection methodology based on Genetic Algorithms, cross-validation, and the Broyden-Fletcher-Goldfarb-Shanno (BFGS) method, outperforming all other methods tested in literature. Additionally, a novel methodology for generating and diagnosing medium-term temperature and load probabilistic forecasts is presented, based on temperature time series decomposition, Generalized Additive Models, autoregressive and Vector Autorregresive Models. The scenario ensembles generated by this approach have demonstrated superior probabilistic performance compared to other existing methods in literature while capturing the current multidimensional dynamics of temperatures and electricity demands from different regions.