El grupo de investigación Minería de Datos, liderado por Jesús Aguilar, profesor de la Universidad Pablo de Olavide, ha desarrollado un método novedoso para la predicción de series temporales en el ámbito energético. En concreto, los investigadores han diseñado un algoritmo capaz de predecir la demanda y los precios del mercado eléctrico, lo que podría contribuir a minimizar los cortes del suministro y, con ello, las pérdidas económicas derivadas de los mismos. Los resultados de este trabajo, elaborado conjuntamente con Francisco Martínez y Alicia Troncoso, de la Universidad Pablo de Olavide, y José Riquelme, de la Universidad de Sevilla, han sido publicados bajo el título Energy time series forecasting based on pattern sequence similarity en la revista IEEE Transactions on Knowledge and Data Engineering, editada por la asociación profesional de ingeniería más relevante a nivel internacional.
Las series temporales son secuencias de datos obtenidas en distintos puntos temporales y, normalmente, espaciados entre sí de manera uniforme. Un ejemplo de esto es la temperatura ambiental, una magnitud que varía a lo largo del tiempo y que las agencias secuencian para poder obtener pronósticos. En este campo de las previsiones, el equipo de investigadores ha presentado un algoritmo basado en técnicas de minería de datos dirigido a la predicción de dos series temporales del ámbito energético, la demanda y los precios del mercado eléctrico, aunque cuenta además con fiabilidad demostrada en otros contextos.
Según señala Jesús Aguilar, la predicción de la demanda eléctrica es de vital trascendencia ya que errores de cálculo pueden conducir a cortes en el suministro eléctrico y, consecuentemente, a grandes pérdidas económicas. A este aspecto, hay que añadir que la progresiva liberalización de los mercados eléctricos ha desencadenado un importante interés entre las empresas suministradoras por conocer el precio que la electricidad tendrá a lo largo del tiempo, y que actualmente cambia cada hora. La oferta por la compra y venta de este bien energético genera muchos ingresos, y la realización de ofertas ajustadas al valor probable que éste tendrá se suele traducir en amplios márgenes de beneficio.
En su artículo, el grupo de investigación proponen una metodología novedosa para la predicción de series temporales, examinando tanto la demanda como el precio de la electricidad en tres mercados eléctricos distintos: el español, el neoyorquino y el australiano. Los autores comparan su metodología con más de 15 algoritmos encontrados en la literatura reciente, obteniendo en todos los casos resultados de predicción sensiblemente mejores. Efectivamente, proporcionan un error de predicción ligeramente superior al 7%, frente al casi 13% que los algoritmos con los que se comparan obtienen en media. Además, el artículo se completa evaluando los parámetros críticos del algoritmo propuesto, demostrando que es robusto y fiable para cualquier serie temporal que se quiera analizar.
Enlace al artículo: Energy time series forecasting based on pattern sequence similarity
