Generación de series temporales de carga eléctrica sintética a escala distrital utilizando pronósticos probabilísticos

Gracias a varias directivas europeas, se empodera a los individuos para compartir y comerciar electricidad dentro de Comunidades de Energía Renovable, mejorando la eficiencia operativa de los sistemas energéticos locales. La transformación digital del mercado energético permite la integración de recursos energéticos descentralizados mediante la computación en la nube, el Internet de las Cosas y la inteligencia artificial. Para evaluar la viabilidad de nuevos modelos comerciales basados en soluciones impulsadas por datos, son necesarias diversas series temporales de consumo de electricidad a este nivel de agregación. Dado que actualmente no están disponibles en calidad y cantidad suficientes, y debido a razones de privacidad de datos, las series temporales sintéticas son esenciales en la planificación estratégica de sistemas energéticos de redes inteligentes. Al permitir la simulación de diversos escenarios, facilitan la integración de nuevas tecnologías y el desarrollo de estrategias efectivas de respuesta a la demanda. Además, proporcionan datos valiosos para evaluar nuevas metodologías de pronóstico de carga que son esenciales para gestionar la energía de manera eficiente y garantizar la estabilidad de la red. Por lo tanto, esta investigación propone una metodología para sintetizar series temporales de consumo de electricidad aplicando el método Box-Jenkins, una técnica de muestreo inteligente para la ampliación de datos y un modelo de pronóstico probabilístico. Este enfoque novedoso emula la naturaleza estocástica de las series temporales de consumo de electricidad y sintetiza series realistas de Comunidades de Energía Renovable en relación con variaciones estacionales y de corto plazo así como la estocasticidad. Comparando autocorrelaciones, distribuciones de valores y componentes principales de secuencias diarias entre series temporales reales y sintéticas, los resultados exhiben características casi idénticas a los datos originales y, por lo tanto, son utilizables en el diseño y estudio de sistemas eficientes de redes inteligentes.