Energías Renovables
Las energías renovables son fuentes de energía limpias, inagotables y crecientemente competitivas. Se diferencian de los combustibles fósiles principalmente en su diversidad, abundancia y potencial de aprovechamiento en cualquier parte del planeta, pero sobre todo en que no producen gases de efecto invernadero –causantes del cambio climático- ni emisiones contaminantes.
El crecimiento de las energías renovables es imparable, como queda reflejado en las estadísticas aportadas anualmente por la Agencia Internacional de la Energía (AIE): Según las previsiones de la AIE, la participación de las renovables en el suministro eléctrico global pasará del 26% en 2018 al 44% en 2040, y proporcionarán 2/3 del incremento de demanda eléctrica registrado en ese período, principalmente a través de las tecnologías eólica y fotovoltaica.
Ejemplos Energías Renovables
Importación de Paquetes
library(pacman)
p_load("tidyverse", "lubridate", "forecast", "TTR", "MLmetrics", "tseries", "fpp", "TSstudio", "xfun", "plotly","prettydoc")precipitacion<- read_csv("coal-energy-share.csv")## Rows: 4835 Columns: 4## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (2): Entity, Code
## dbl (2): Year, Coal (% sub energy)##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.conf_mex <- precipitacion[precipitacion$Entity=="Mexico",]
conf_mex## # A tibble: 56 x 4
## Entity Code Year `Coal (% sub energy)`
## <chr> <chr> <dbl> <dbl>
## 1 Mexico MEX 1965 2.75
## 2 Mexico MEX 1966 2.77
## 3 Mexico MEX 1967 3.34
## 4 Mexico MEX 1968 3.21
## 5 Mexico MEX 1969 2.97
## 6 Mexico MEX 1970 3.12
## 7 Mexico MEX 1971 3.72
## 8 Mexico MEX 1972 3.72
## 9 Mexico MEX 1973 3.70
## 10 Mexico MEX 1974 3.71
## # ... with 46 more rowsdatos <-ts(conf_mex$`Coal (% sub energy)`, frequency = 2, start = c(1966, 1),end = c(2014,1))
datos## Time Series:
## Start = c(1966, 1)
## End = c(2014, 1)
## Frequency = 2
## [1] 2.750 2.771 3.338 3.214 2.967 3.118 3.721 3.719 3.696 3.707 3.984 2.874
## [13] 3.919 3.626 3.222 2.993 2.396 2.752 3.167 3.035 3.137 3.562 3.333 3.133
## [25] 3.284 3.095 2.882 2.865 3.215 3.673 4.156 4.620 4.546 4.449 4.471 4.677
## [37] 5.200 8.438 6.171 5.991 7.105 7.392 6.757 5.912 6.071 7.296 8.052 6.974
## [49] 6.896 6.919 6.913 6.687 8.056 7.232 7.169 3.225 2.750 2.771 3.338 3.214
## [61] 2.967 3.118 3.721 3.719 3.696 3.707 3.984 2.874 3.919 3.626 3.222 2.993
## [73] 2.396 2.752 3.167 3.035 3.137 3.562 3.333 3.133 3.284 3.095 2.882 2.865
## [85] 3.215 3.673 4.156 4.620 4.546 4.449 4.471 4.677 5.200 8.438 6.171 5.991
## [97] 7.105Analisis y Gráfica de Datos
En la siguiente gráfica se puede analizar la precipitación en la generación de las energías renovables en México a partir del año 1970 hasta 2020 (año de la pandemia).
e <- plot_ly(data = conf_mex, x = conf_mex$Year , y = conf_mex$`Coal (% sub energy)` , mode = 'lines', type="scatter", name="Energías Renovables") %>% layout(title = 'Generación de Energías Renovables México' ,
yaxis = list(zeroline = FALSE, title = 'Precipitación'),
xaxis = list(zeroline = FALSE, title = 'Año'), legend = list(font = list(size = 15)))
eNo existen valores faltantes.
anyNA(datos)## [1] FALSEDecomposición de Series de Tiempo
Aquí podemos observar una clara descomposición de una seire de tiempo representada por una categoría.
datos_dc <- datos %>%
decompose(type="multiplicative") %>%
autoplot()
datos_dc
Validación Cruzada
test_datos <- tail(datos, 23) # 20 porciento de los datos para pruebas
train_datos <- head(datos, length(datos)-23) # 80 porciento de los datos para entrenamiento
test_datos## Time Series:
## Start = c(2003, 1)
## End = c(2014, 1)
## Frequency = 2
## [1] 3.167 3.035 3.137 3.562 3.333 3.133 3.284 3.095 2.882 2.865 3.215 3.673
## [13] 4.156 4.620 4.546 4.449 4.471 4.677 5.200 8.438 6.171 5.991 7.105- Ajuste del Modelo
datos_ses <- HoltWinters(train_datos, seasonal = "multiplicative", )- Forecasting
datos_forecast <- forecast(object = datos_ses, h =23)Gráfica de Resultados
En esta gráfica podemos observar los resultados de los datos en cuanto a la energía renovable en México.
datos %>%
autoplot(series = "Datos Reales") +
autolayer(datos_forecast$fitted, series = "Datos Entrenamiento") +
autolayer(datos_forecast$mean , series = "Datos de Prueba") +
theme_minimal()## Warning: Removed 2 row(s) containing missing values (geom_path).
eval_ses <- accuracy(datos_forecast, test_datos)
eval_ses## ME RMSE MAE MPE MAPE MASE
## Training set -0.1315416 0.8509116 0.5406803 -4.951479 13.12144 0.7684818
## Test set 2.0034371 2.6096464 2.0034371 40.337381 40.33738 2.8475328
## ACF1 Theil's U
## Training set -0.006016538 NA
## Test set 0.746273676 3.127108Modelo Sarimma Arima
Estos modelos permiten obtener el comportamiento de una serie (estacionalmente hablando).
adf.test(datos)##
## Augmented Dickey-Fuller Test
##
## data: datos
## Dickey-Fuller = -1.5995, Lag order = 4, p-value = 0.7421
## alternative hypothesis: stationaryGrafico de serie de tiempo por ARIMA
datos_diff <- datos
datos_diff %>%
autoplot()
datos_auto <- auto.arima(y = train_datos, seasonal = T)
summary(datos_auto)## Series: train_datos
## ARIMA(0,1,0)
##
## sigma^2 = 0.6765: log likelihood = -89.32
## AIC=180.63 AICc=180.69 BIC=182.92
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 6.418917e-05 0.8169102 0.4819561 -1.51162 11.46582 0.6850157
## ACF1
## Training set -0.1268993- Visualizacion grafica de los datos reales versus el modelo SARIMA
train_datos %>%
autoplot(series= "Datos Reales") +
autolayer (datos_auto$fitted, series = "SARIMA auto") +
theme_minimal()
Analisis de los diversos cambios en la serie de tiempo.
tsdisplay(datos_diff)
Conclusión
Para cerrar podemos decir que existe una notable dificultad al momento de intentar predecir los datos, esto se debe a los diversos factores que influyen en dicho comportamiento, por ejemplo la economía, motivos sociales etc. Como bien se sabe la pandemia trajo muchas complicaciones alrededor del mundo y la energía renovable no se quedó atras debido a su gran aumento de precipitación.