Modelos estadísticos para la predicción de la demanda energética

Abstract

Este proyecto se basa en el desarrollo de modelos estadísticos avanzados (ARIMA, SARIMA y XGBoost) para predecir la demanda eléctrica en España, integrando técnicas de explicabilidad (SHAP y LIME) a estos modelos para entender los factores que influyen en las predicciones. El objetivo principal del proyecto es el desarrollo de modelos estadísticos predictivos avanzados y la aplicación de técnicas de explicabilidad para construir un sistema predictivo que permita anticipar el consumo eléctrico en la península. Para ello, primero se ha realizado un análisis profundo de la tendencia de la demanda en los últimos años y de los factores que afectan al consumo. También se ha investigado en los modelos predictivos avanzados y las técnicas de explicabilidad. Después, se han recopilado y procesado los datos desde 2019 hasta 2022 de la demanda eléctrica y de aquellas variables que se ha considerado que influyen en el consumo: temperatura, tipo de día y festividad. A continuación, se han entrenado tres modelos ARIMA, SARIMA y XGBoost, analizándolos con métricas comparativas como RMSE y MAE. Finalmente, se han analizado estos modelos aplicando las técnicas de explicabilidad SHAP y LIME, además de análisis cualitativos. Finalmente se han extraído conclusiones acerca de las variables más influyentes en la demanda y sobre cómo mejorar los resultados de los modelos. Se confirma que emplear un modelo complejo como XGBoost respecto de modelos tradicionales como ARIMA o SARIMA no es solo más eficiente en términos de rapidez computacional, sino que también presenta mejores resultados y mayor precisión.

This project focuses on the development of advanced statistical models (ARIMA, SARIMA, and XGBoost) to predict electricity demand in Spain, incorporating explainability techniques (SHAP and LIME) into these models to understand the factors that influence the predictions. The primary objective of the project is to develop advanced predictive statistical models and apply explainability techniques to create a predictive system that enables the forecasting of electricity consumption in the Iberian Peninsula. To this end, an in-depth analysis of demand trends in recent years and the factors that affect consumption was first conducted. Research was also carried out on advanced predictive models and explainability techniques. Data from 2019 to 2022 on electricity demand and the variables considered to influence consumption: temperature, type of day, and holiday, were then collected and processed. Next, three models, ARIMA, SARIMA, and XGBoost, were trained and analyzed using comparative metrics such as RMSE and MAE. Finally, these models were analyzed using the explainability techniques SHAP and LIME, in addition to qualitative analysis. Finally, conclusions were drawn about the most influential variables in demand and how to improve the models' results. It was confirmed that using a complex model like XGBoost, compared to traditional models such as ARIMA or SARIMA, is not only more efficient in terms of computational speed but also produces better results and greater accuracy.