Modelo de predicción a corto plazo del precio de la electricidad para el mercado eléctrico Ibérico, basado en el uso de técnicas de Machine-Learning

Abstract

[spa] Con la entrada en vigor de la Ley 54/1997 del Sector Eléctrico el 1 de enero del 1998 se liberalizó la generación y la comercialización de la electricidad en España, instaurándose un mercado eléctrico basado en las subastas diarias de la electricidad, en el que los agentes compradores y los agentes vendedores intercambian energía eléctrica con el objetivo de maximizar sus beneficios. Por todo ello ha surgido un gran interés en predecir el precio de la electricidad, ya que permite a los agentes compradores adaptar sus ofertas de compra en función del precio horario que tendrá la electricidad, y a los agentes vendedores adaptar su producción, y consecuentemente su curva de oferta, que ofrecerán una mayor cantidad de energía durante las horas en las que la energía eléctrica se vende más cara. La evolución temporal del precio de la electricidad es muy variable debido a su dependencia de una gran cantidad de factores, por lo que prever su valor con precisión es una tarea sumamente compleja. Adicionalmente, también resulta compleja la tarea de recopilación de datos históricos de calidad y ordenados cronológicamente, requisito indispensable para poder entrenar la mayoría de los modelos de predicción existentes en la actualidad. En este trabajo de fin de máster se ha desarrollado una herramienta de predicción basada en la combinación de diferentes algoritmos de aprendizaje automático, como redes neuronales (Self Organazing Map, Echo State Network…) y algoritmos genéticos, capaz de operar con información de baja calidad y que no requiere de series temporales de datos completas para poder ser entrenada correctamente. Los resultados obtenidos reflejan la gran capacidad del modelo híbrido presentado, y la complejidad de prever las fluctuaciones abruptas que experimenta el precio de la electricidad en el mercado mayorista. En este trabajo se ha desarrollado una herramienta computacional basada sobre Phyton y MATLAB, encargada de recopilar y preprocesar los datos, y configurar la arquitectura del modelo de predicción. Este trabajo ha sido financiado en parte por una beca de investigación de Cátedra Endesa-Red de Innovación Energética de la Universidad de las Islas Baleares, y por el Ministerio de Economía y Competitividad de España y la Unión Europea con Fondos Regionales Europeos de Desarrollo en el marco de los proyectos de investigación PID2020-120075RB-I00 y PDC2021-121847-I00.

[eng] With the entry into force of Law 54/1997 of the Electricity Sector on January 1, 1998, the generation and commercialization of electricity in Spain was liberalized, establishing an electricity market based on daily electricity auctions, in which buying agents and selling agents exchange electricity with the aim of maximizing their profits. For all these reasons, great interest has arisen in predicting the price of electricity, since it allows buying agents to adapt their purchase offers based on the hourly price that electricity will have, and selling agents to adapt their production, and consequently their offer curve, offering a greater amount of energy during the hours in which the electric energy is sold more expensive. The time evolution of the price of electricity is highly variable due to its dependence on a large number of factors, so predicting its value accurately is an extremely complex task. Additionally, the task of collecting quality historical data ordered chronologically is also complex, and an essential requirement to be able to train most of the prediction models currently in existence. In this master's thesis, a prediction tool has been developed based on the combination of different machine learning algorithms, such as neural networks (Self Organizing Map, Echo State Network...) and genetic algorithms, capable of operating with low-quality information and that does not require complete data time series to be able to be trained correctly. The results obtained reflect the great capacity of the hybrid model presented, and the complexity of foreseeing the abrupt fluctuations experienced by the price of electricity in the wholesale market. In this work, a computational tool based on Python and MATLAB has been developed, in charge of collecting and preprocessing the data, and configuring the architecture of the prediction model. This work has been financed in part by a research grant from the Endesa-Energy Innovation Network Chair at the University of the Balearic Islands, and by the Ministry of Economy and Competitiveness of Spain and the European Union with European Regional Funds for Development in the framework of the research projects PID2020-120075RB-I00 and PDC2021-121847-I00.