Resumen
Vivimos rodeados de datos. Nosotros mismos somos una fuente
inagotable de datos. En la actualidad, el análisis y la interpretación de
datos se han convertido en una herramienta de vital importancia para
cualquier empresa, industria u organización. La revolución tecnológica nos
ha facilitado y simplificado la extracción y recopilación de grandes
cantidades de datos, que podemos utilizar para identificar patrones que
nos pueden ayudar a disminuir costos, mejorar la eficiencia, anticiparnos
a los mercados… Mediante un buen uso, control y gestión de esta
información, por ejemplo, se pueden diseñar y desarrollar herramientas y
aplicaciones que realicen estimaciones y predicciones fiables de la
demanda de un determinado producto o servicio. En nuestro caso, nos
interesa la energía eléctrica.
Uno de los grandes retos de la actualidad es como conseguir sistemas
energéticos más sostenibles y responsables con el medio ambiente. El
sector energético es consciente de la importancia del consumidor final
para solventar exitosamente este desafío. Por esta razón, desde el propio
sector se diseñan diferentes estrategias para influir en los patrones de
consumo de los usuarios y así lograr que la demanda responda al precio de
la electricidad. Con tal objetivo, utilizan tecnologías innovadoras como
contadores inteligentes (en inglés smart meters) y mecanismos de control
basados en la aplicación de precios dinámicos.
Nuestro propósito es identificar tendencias y patrones conductuales de los
consumidores, y cómo influye la variación del precio de la electricidad en
su comportamiento. Nos interesan especialmente aquellos hogares que tengan
una respuesta flexible, es decir, que vayan adaptando sus necesidades de
demanda de energía eléctrica según el costo de la electricidad en un
determinado periodo de tiempo.
En nuestro trabajo, vamos a analizar un gran volumen de datos mediante el
lenguaje de programación Python, que nos ayudará tanto en el tratamiento y
manejo de los datos, como en la implementación de diferentes algoritmos de
regresión con regresores estadísticamente significativos. Para evaluar y
comparar los diferentes modelos definidos a lo largo del estudio, se
calcularán diferentes métricas de regresión para medir la calidad de sus
predicciones y extraer conclusiones al respecto.
Así pues, el presente Trabajo Fin de Máster actúa siguiendo las
directrices marcadas en lo expuesto anteriormente, proponiéndose un
trabajo de investigación en el campo de la ingeniería eléctrica aplicando
la ciencia de datos con marcado protagonismo de la modelización
estadística y el aprendizaje automático.