![desembalse-iberdrola-1](https://www.ambientum.com/wp-content/uploads/2018/03/desembalse-iberdrola-1.jpg)
Algoritmo de estimación precisa
El grupo de investigación GRAFO de la Universidad Rey Juan Carlos (URJC) ha desarrollado, junto con el grupo GHEODE de Universidad de Alcalá, un algoritmo capaz de llevar a cabo la estimación precisa de la demanda de energía española a un año vista a partir de una serie de variables macroeconómicas.
Los resultados obtenidos han sido publicado en la revista Energy Conversion and Management y constatan que la robustez de este algoritmo queda demostrada dada su correcta estimación incluso durante los períodos de crisis económica, donde la demanda de energía es muy difícil de predecir.
El algoritmo propuesto, basado en la metodología conocida como Búsqueda de Vecindad Variable (VNS, por sus siglas en inglés), es capaz de seleccionar aquellas variables macroeconómicas, de entre las 14 disponibles, que son más relevantes para llevar a cabo la estimación de la demanda de energía.
“Realizada la selección, una red de neuronas de aprendizaje rápido se entrena con los datos disponibles de los últimos 30 años. Una vez la red está entrenada, podrá predecir cuál será la demanda de energía española a un año vista, con una tasa de error inferior al 2%”, según explica Jesús Sánchez-Oro, investigador de la E.T.S. de Ingeniería Informática de la URJC y autor principal del estudio.
Todos los ensayos del artículo han sido ejecutados en un ordenador de sobremesa común (un Intel Core i7 a 2.67 GHz con 8 GB de RAM), por lo que no es necesario disponer de ningún equipamiento especial para llevar a cabo la estimación.
Abastecimiento energético
Los investigadores plantean que el algoritmo propuesto podrá ser de utilidad para las autoridades políticas y expertos en el sector de la energía, que tienen que tratar cada año con la problemática del abastecimiento energético.
El estudio se enmarca en diferentes proyectos de investigación, financiados por el Ministerio de Economía y Competitividad, sobre algoritmos híbridos bio-inspirados para problemas de predicción en energías renovables y diseño, implementación y explotación de técnicas heurísticas avanzadas.