Previsión de excedentes solares vertidos a la red por los clientes con autoconsumo de una comercializadora eléctrica

Abstract

[ES] El proyecto tiene como objetivo desarrollar un modelo de previsión horaria de los excedentes de energía solar que los clientes de una comercializadora eléctrica verterán a la red eléctrica al día siguiente. Este modelo predictivo permitirá optimizar la compra de energía anticipada y mejorar la gestión de la energía excedente generada por instalaciones fotovoltaicas. El desarrollo del proyecto comienza con un análisis exhaustivo de datos históricos y variables clave, incluyendo información interna de los clientes de la empresa y datos externos, como condiciones meteorológicas y patrones de consumo. Posteriormente, se lleva a cabo un proceso riguroso de limpieza, transformación y selección de características para preparar los datos para el entrenamiento del modelo. Con los datos preparados, se exploran diferentes técnicas de aprendizaje automático, como Regresión Lineal, Random Forest y XGBoost, seleccionando el enfoque más preciso. El modelo resultante genera una previsión horaria en forma de matriz de 24 horas, proyectando los vertidos en MWh para el día siguiente. Esta herramienta optimiza las decisiones de compra de energía de la empresa y contribuye a una gestión energética más sostenible.

[EN] The project aims to develop an hourly forecasting model for solar energy surpluses that the clients of an electricity retailer will feed into the grid the following day. This predictive model will enable the optimization of advanced energy purchases and improve the management of excess energy generated by photovoltaic installations. The project development begins with a comprehensive analysis of historical data and key variables, including internal information provided by the company's clients and external data such as weather conditions and consumption patterns. Subsequently, a rigorous process of data cleaning, transformation, and feature selection is carried out to prepare the data for model training. With the data ready, different machine learning techniques, such as Linear Regression, Random Forest, and XGBoost, are explored, selecting the most accurate approach. The resulting model generates hourly forecasts in the form of a 24-hour matrix, projecting energy surpluses in MWh for the next day. This tool optimizes the company’s energy purchase decisions and contributes to more sustainable energy management.