Predicción del precio de la electricidad y análisis de los factores determinantes

Abstract

El Trabajo de Fin de Máster expuesto se enmarca en el sector eléctrico y se encuentra dividido en tres bloques, cada uno de ellos enfocado en lograr los objetivos del proyecto. En el primer bloque se realiza un análisis del mercado eléctrico español en el que se exponen todos los programas llevados a cabo hasta la obtención del precio final de la electricidad, así como los agentes involucrados y la razón de ser de cada uno de ellos. Conocer en detalle este proceso ha sido fundamental para lograr el segundo objetivo del proyecto, que consiste en el desarrollo de un modelo de predicción del precio de la electricidad. En él se han comparado cinco algoritmos de Machine Learning diferentes, que abarcan modelos más sencillos como el Baseline, Linear y Linear Ridge, y otros más complejos como el Random Forest o XGBoost. Los algoritmos recién expuestos son puestos a prueba frente a un conjunto de datos que comprende los periodos 2015-2019, 2020-2024 y 2015-2024, con el objetivo de analizar las particularidades de cada periodo y la capacidad de los modelos para responder ante las mismas. En el tercer bloque se analizan los factores más influyentes en las características del modelo de predicción que podrían ser de valiosa utilidad para mejorar los resultados de los modelos del segundo bloque. Finalmente se exponen las conclusiones y líneas futuras de investigación.

The Master's Thesis is framed in the electricity sector and is divided into three blocks, each of them focused on achieving the objectives of the project. In the first block, an analysis of the Spanish electricity market is carried out, in which all the programs developed until the final price of electricity is obtained, as well as the agents involved and the rationale behind each of them. A detailed knowledge of this process has been essential to achieve the second objective of the project, which consists of the development of an electricity price prediction model. Five different Machine Learning algorithms have been compared, including simpler models such as Baseline, Linear and Linear Ridge, and more complex ones like Random Forest or XGBoost. The algorithms just exposed are tested against a dataset comprising the periods 2015-2019, 2020-2024 and 2015-2024, with the aim of analyzing the particularities of each period and the ability of the models to respond to them. The third section analyzes the most influential factors in the characteristics of the prediction model that could be of valuable use in improving the results of the models in the second section. Finally, conclusions and future lines of research are presented.