Herramientas de predicción de precios de mercados eléctricos a corto plazo

Abstract

Este proyecto aborda el desarrollo de modelos predictivos para la demanda eléctrica utilizando técnicas de regresión lineal, Ridge, Lasso y el modelo Tao Vanilla Benchmark (TVB), el cual sirve como referencia o base para comparar con el resto de modelos. La predicción mediante una regresión lineal con las variables proporcionadas se basa en un modelo matemático que utiliza varias variables independientes para predecir la demanda eléctrica en este proyecto dichas variables son la tendencia historica, el mes , el día de la semana y la hora del día, y las relaciones entre dichas variables. Para predecir, se recogen datos históricos, se ajusta el modelo para estimar los coeficientes, y se calculan las predicciones usando la ecuación del modelo. Este proceso permite capturar tendencias generales y variaciones específicas en la demanda eléctrica, proporcionando una herramienta precisa de predicción. Los resultados serán analizados visualmente mediante gráficos, lo que permitirá una comprensión clara de los datos y sus tendencias. Además, se evaluarán analíticamente utilizando los errores MAPE, MAE y RMSE, que proporcionarán una medida cuantitativa de la precisión del modelo y sus predicciones.

Se trabajó con datos históricos de demanda y temperatura de España y Portugal, logrando una precisión significativa en las predicciones. Los modelos demostraron su capacidad para adaptarse a diferentes horizontes temporales, optimizando la planificación de recursos y costos, y facilitando la integración de fuentes renovables en la red eléctrica.

This project addresses the development of predictive models for electrical demand using linear regression, Ridge, Lasso, and the Tao Vanilla Benchmark (TVB) model, which serves as a reference or baseline for comparison with other models. Prediction using linear regression with the provided variables is based on a mathematical model that uses several independent variables to predict electrical demand. In this project, these variables are historical trends, the month, the day of the week, the time of day, and the relationships between these variables.

To make predictions, historical data is collected, the model is fitted to estimate the coefficients, and predictions are calculated using the model's equation. This process allows capturing general trends and specific variations in electrical demand, providing an accurate prediction tool. The results will be visually analyzed using graphs, allowing for a clear understanding of the data and its trends. Additionally, they will be analytically evaluated using MAPE, MAE, and RMSE errors, which will provide a quantitative measure of the model's accuracy and its predictions.

Historical demand and temperature data from Spain and Portugal were used, achieving significant accuracy in the predictions. The models demonstrated their ability to adapt to different time horizons, optimizing resource and cost planning, and facilitating the integration of renewable sources into the electrical grid.