Aplicación de Técnicas de Clusterización y Aprendizaje Profundo Generativo (VAE) para el estudio de los desvíos de la Red Electrica de España

Abstract

El presente proyecto se centra en la detección y caracterización de patrones de desvío en el sistema eléctrico español, con el fin de optimizar la estrategia de compra de energía de las comercializadoras. Los desvíos, entendidos como la diferencia entre la demanda prevista y la demanda real observada, suponen un coste significativo para los agentes de mercado, ya que deben ser corregidos en el mercado de ajustes mediante precios de desvío a subir o a bajar. Para abordar este problema se aplican técnicas de inteligencia artificial en dos fases complementarias. En primer lugar, se utiliza el algoritmo K-means, en el ámbito del aprendizaje no supervisado, para agrupar días con características similares y detectar patrones recurrentes a partir de datos públicos como la temperatura, la generación renovable prevista o el tipo de jornada. En segundo lugar, se emplea Random Forest, en el ámbito del aprendizaje supervisado, con el propósito de predecir el tipo de día al que nos enfrentamos a partir de esos patrones previamente identificados, entrenando el modelo con los resultados del análisis inicial.

El objetivo fundamental no es únicamente reconocer regularidades en los datos históricos, sino transformar ese conocimiento en estrategias económicas aplicables que, con distintos niveles de confianza y riesgo-beneficio, permitan a una comercializadora reducir sus costes asociados a desvíos. Asimismo, este enfoque contribuye indirectamente a la estabilidad del sistema, ya que una mejor gestión de los desvíos individuales tiende a disminuir los desvíos globales, con el consiguiente beneficio para el conjunto de la red. En este sentido, el proyecto no persigue desarrollar un modelo predictivo tradicional centrado en minimizar el error de estimación, sino más bien un marco de análisis aplicado que ofrezca conclusiones prácticas y facilite la toma de decisiones estratégicas en el mercado eléctrico secundario de desvíos.

This project focuses on detecting and characterizing deviation patterns in the Spanish electricity system in order to optimize the energy purchasing strategy of retailers. Deviations, understood as the difference between forecast demand and actual observed demand, represent a significant cost for market agents, as they must be corrected in the adjustment market through upward or downward deviation prices. To address this problem, artificial intelligence techniques are applied in two complementary phases. First, the K-means algorithm is used, in the field of unsupervised learning, to group days with similar characteristics and detect recurring patterns from public data such as temperature, forecast renewable generation, or type of day. Second, Random Forest is used, in the field of supervised learning, to predict the type of day we are facing based on these previously identified patterns, training the model with the results of the initial analysis.

The fundamental objective is not only to recognize regularities in historical data, but also to transform that knowledge into applicable economic strategies which, with different levels of confidence and risk-benefit, allow a marketer to reduce its costs associated with deviations. This approach also contributes indirectly to the stability of the system, since better management of individual deviations tends to reduce overall deviations, with the consequent benefit for the network as a whole. In this sense, the project does not seek to develop a traditional predictive model focused on minimizing estimation error, but rather an applied analysis framework that offers practical conclusions and facilitates strategic decision-making in the secondary electricity market for deviations.