Search

[ES] El creciente desarrollo e integración de fuentes de energía renovable en el sistema eléctrico presenta grandes desafíos para garantizar un equilibrio constante entre la generación y la demanda de energía. A diferencia de las fuentes de energía convencionales, las energías renovables, como la solar y la eólica, son inherentemente intermitentes y no siempre están disponibles. Esta variabilidad en la generación de energía dificulta la tarea de mantener la estabilidad y fiabilidad operativa del sistema eléctrico y, por tanto, la previsión del desequilibrio a corto plazo se vuelve crucial para lograr este objetivo. Este proyecto de fin de grado se centra en la aplicación de técnicas de Machine Learning en el sistema eléctrico del país de Hungría, con el objetivo principal de mejorar la capacidad de prever dichos desequilibrios. Aunque se explorarán varios algoritmos, la investigación se enfocará en LightGBM, explicando sus características en detalle y evaluando su desempeño mediante métricas adecuadas. Los resultados obtenidos de este estudio proporcionarán información valiosa para operadores de red y entidades reguladoras, permitiéndoles mejorar la eficiencia en la gestión del desequilibrio del sistema eléctrico, lo que resultará en una reducción de los costos operativos y la optimización de la planificación energética., [EN] The increasing development and integration of renewable energy sources into the electrical system present significant challenges in ensuring a constant balance between energy generation and demand. Unlike conventional energy sources, renewable energies, such as solar and wind power, are inherently intermittent and not always available. This variability in energy generation complicates the task of maintaining the operational stability and reliability of the electrical system, and therefore, short-term imbalance forecasting becomes crucial to achieve this goal. This thesis focuses on the application of Machine Learning techniques in the electrical system of Hungary, with the main objective of improving the ability to predict these imbalances. Although various algorithms will be explored, the research will focus on LightGBM, explaining its characteristics in detail and evaluating its performance using appropriate metrics. The results obtained from this study will provide valuable information for grid operators and BRPs, allowing them to improve efficiency in managing the electrical system imbalance, resulting in a reduction of operational costs and optimization of energy planning.

[ES] El creciente desarrollo e integración de fuentes de energía renovable en el sistema eléctrico presenta grandes desafíos para garantizar un equilibrio constante entre la generación y la demanda de energía. A diferencia de las fuentes de energía convencionales, las energías renovables, como la solar y la eólica, son inherentemente intermitentes y no siempre están disponibles. Esta variabilidad en la generación de energía dificulta la tarea de mantener la estabilidad y fiabilidad operativa del sistema eléctrico y, por tanto, la previsión del desequilibrio a corto plazo se vuelve crucial para lograr este objetivo. Este proyecto de fin de grado se centra en la aplicación de técnicas de Machine Learning en el sistema eléctrico del país de Hungría, con el objetivo principal de mejorar la capacidad de prever dichos desequilibrios. Aunque se explorarán varios algoritmos, la investigación se enfocará en LightGBM, explicando sus características en detalle y evaluando su desempeño mediante métricas adecuadas. Los resultados obtenidos de este estudio proporcionarán información valiosa para operadores de red y entidades reguladoras, permitiéndoles mejorar la eficiencia en la gestión del desequilibrio del sistema eléctrico, lo que resultará en una reducción de los costos operativos y la optimización de la planificación energética., [EN] The increasing development and integration of renewable energy sources into the electrical system present significant challenges in ensuring a constant balance between energy generation and demand. Unlike conventional energy sources, renewable energies, such as solar and wind power, are inherently intermittent and not always available. This variability in energy generation complicates the task of maintaining the operational stability and reliability of the electrical system, and therefore, short-term imbalance forecasting becomes crucial to achieve this goal. This thesis focuses on the application of Machine Learning techniques in the electrical system of Hungary, with the main objective of improving the ability to predict these imbalances. Although various algorithms will be explored, the research will focus on LightGBM, explaining its characteristics in detail and evaluating its performance using appropriate metrics. The results obtained from this study will provide valuable information for grid operators and BRPs, allowing them to improve efficiency in managing the electrical system imbalance, resulting in a reduction of operational costs and optimization of energy planning.

[ES] El creciente desarrollo e integración de fuentes de energía renovable en el sistema eléctrico presenta grandes desafíos para garantizar un equilibrio constante entre la generación y la demanda de energía. A diferencia de las fuentes de energía convencionales, las energías renovables, como la solar y la eólica, son inherentemente intermitentes y no siempre están disponibles. Esta variabilidad en la generación de energía dificulta la tarea de mantener la estabilidad y fiabilidad operativa del sistema eléctrico y, por tanto, la previsión del desequilibrio a corto plazo se vuelve crucial para lograr este objetivo. Este proyecto de fin de grado se centra en la aplicación de técnicas de Machine Learning en el sistema eléctrico del país de Hungría, con el objetivo principal de mejorar la capacidad de prever dichos desequilibrios. Aunque se explorarán varios algoritmos, la investigación se enfocará en LightGBM, explicando sus características en detalle y evaluando su desempeño mediante métricas adecuadas. Los resultados obtenidos de este estudio proporcionarán información valiosa para operadores de red y entidades reguladoras, permitiéndoles mejorar la eficiencia en la gestión del desequilibrio del sistema eléctrico, lo que resultará en una reducción de los costos operativos y la optimización de la planificación energética., [EN] The increasing development and integration of renewable energy sources into the electrical system present significant challenges in ensuring a constant balance between energy generation and demand. Unlike conventional energy sources, renewable energies, such as solar and wind power, are inherently intermittent and not always available. This variability in energy generation complicates the task of maintaining the operational stability and reliability of the electrical system, and therefore, short-term imbalance forecasting becomes crucial to achieve this goal. This thesis focuses on the application of Machine Learning techniques in the electrical system of Hungary, with the main objective of improving the ability to predict these imbalances. Although various algorithms will be explored, the research will focus on LightGBM, explaining its characteristics in detail and evaluating its performance using appropriate metrics. The results obtained from this study will provide valuable information for grid operators and BRPs, allowing them to improve efficiency in managing the electrical system imbalance, resulting in a reduction of operational costs and optimization of energy planning.