Nuestro método

El modelo TESLA consta de dos partes: un modelo de regresión no lineal altamente parametrizado y un filtro de series temporales para el ajuste de las previsiones basado en la experiencia reciente. Combinados, ofrecen importantes ventajas de precisión. La demanda de energía viene determinada por un gran número de decisiones independientes tomadas por un gran número de personas. Para intentar modelizar ese tipo de sistema, el modelo TESLA adopta un enfoque del problema basado en la información.

Estructura básica del modelo

En el nivel más sencillo, el modelo se especifica como un modelo de regresión no lineal estratificado. Estratificamos la muestra primero entre las "estaciones" de verano e invierno delineadas en los días de cambio de reloj de otoño y primavera y luego nuevamente en tres grupos para cada estación: días de semana, sábados y domingos.

El modelo TESLA utiliza ampliamente dos técnicas econométricas: los parámetros variables y la linealización a trozos. Los modelos de parámetros variables se utilizan cuando las variables explicativas son normalmente significativas tanto en el sentido operativo como estadístico, pero la respuesta de la variable dependiente a los cambios en ellas no es constante. Por ejemplo, en un modelo energético, la respuesta de la demanda de energía a los cambios de temperatura no es en absoluto la misma a lo largo de las horas del día o de los días de la semana.

La linealización a trozos del modelo reconoce que la respuesta de la demanda de energía a las variables relevantes no es lineal. Más bien, la respuesta es complejamente no lineal de una manera que no puede ser modelada mediante la imposición de una simple forma funcional no lineal.

Variables como el crecimiento económico y de la población no varían con la suficiente rapidez como para incluirlas de forma útil en un modelo lineal de demanda energética horaria o subhoraria, pero sí influyen en dicha demanda. El modelo TESLA incluye un único parámetro de tendencia latente no lineal diseñado para captar los efectos colectivos de estas variables independientes de evolución más lenta.

Filtro de corrección de errores

Cada modelo TESLA utiliza las entradas meteorológicas observadas y previstas disponibles para resolver el modelo descrito anteriormente para la semana anterior al día actual más el periodo de previsión. A continuación, compara los datos de la demanda observada en tiempo real con la previsión de la demanda de la semana anterior para identificar patrones de error utilizando un método de filtro de series temporales dinámicamente estable. Una vez identificados, esos patrones de error se utilizan para realizar ligeros ajustes en la previsión de la demanda a corto plazo.