IEEE Power & Energy Magazine - Spanish - May/June 2022 - 31

E
EL PRONÓSTICO DEL PRECIO DE LA ELECTRICIDAD
(EPF) es una rama del pronóstico en la interfaz de la ingeniería
eléctrica, la estadística, la informática y las finanzas que
se enfoca en pronosticar precios en los mercados mayoristas
de electricidad para un amplio espectro de horizontes. Estos
varían entre un par de minutos (licitaciones y comercio continuo
en tiempo real, intradiarios); y días (licitaciones de predespacho
de mercado [DA, por sus siglas en inglés]); semanas,
meses o incluso años (futuros cotizados en bolsa y en el
mercado extrabursátil y contratos a plazo). Los mercados de
DA son el caballo de batalla del comercio de la energía, en
especial en Europa, y un sustituto usado habitualmente para
el " precio de la electricidad " . La amplia mayoría, hasta el
90 %, de la literatura sobre EPF se ha enfocado en predecir
los precios DA. Estos normalmente se determinan alrededor
del mediodía durante 24 licitaciones de precio uniforme,
una para cada hora del día. Esto implica directamente a la
manera en la que se construyen los modelos de EPF.
Durante los últimos 25 años, se han aplicado varios
métodos y herramientas informáticas a la EPF de DA intradiario.
Hasta los inicios de la década de 2010, el campo
estaba dominado por modelos relativamente pequeños de
regresión lineal y redes neuronales (RN) (artificiales), en
general con no más de dos docenas de datos de entrada. Con
el paso del tiempo, se pudo disponer de más y más datos y
potencia computacional. Los modelos crecieron al punto tal
que el conocimiento experto ya no era suficiente para gestionar
las estructuras complejas. Esto, a su vez, culminó en
la introducción de técnicas de aprendizaje automático (AA)
en este área fascinante en rápido desarrollo. Aquí brindamos
una mirada general de las principales tendencias y modelos
de EPF al 2022. Nótese que el artículo usa EPF como la
abreviación para " pronóstico del precio de la electricidad " .
El plural, pronósticos, se abrevia como las EPF.
25 años de evolución
Los comienzos de la EPF se pueden rastrear a la década de
1990. El primer intento de predecir las dinámicas del precio
de la electricidad usaba técnicas de regresión lineal.
Recuérdese que este modelo asume una relación lineal entre
la variable prevista (como el precio de la electricidad hoy a
las 6 p.m.) y los datos de entrada (como los precios anteriores
de la electricidad y el pronóstico de la carga para hoy). Los
datos de entrada también se llaman características, variables
explicativas, regresores o predictores. Formalmente, la
variable prevista se representa como la suma ponderada de
los datos de entrada.
Los primeros modelos de regresión se basaban en el
conocimiento experto. Los datos de entrada incluían precios
anteriores (normalmente los de hace un, dos y siete días),
las variables exógenas y el componente estacional. La estacionalidad
se capturaba mediante una función sinusoidal o,
más frecuentemente, un conjunto de las llamadas variables
ficticia que toman el valor de una en un día determinado de
la semana y cero fuera de ese día.
mayo/junio 2022
Se ilustra un modelo de muestra de regresión de EPF en
la figura 1(a). Los cuadrados blancos representan las variables
explicativas individuales (también llamadas regresores,
datos de entrada, o características), mientras que el círculo
púrpura representa una variable de salida: p ,dh
y X ,,dh
llamadas variables ficticias, en la que DMon = representa
DD
1
,,
el lunes y cero fuera de ese día, etc. Las flechas indican el
flujo de la información, hay un coeficiente (o ponderación)
asignado a cada flecha. Los datos de salida son solo la suma
ponderada de todos los datos de entrada.
La variable exógena más relevante, y habitualmente la
única utilizada, incluso en modelos más recientes, es el pronóstico
de la carga de DA. Resulta interesante que la carga
real no es un mejor predictor. El motivo es que las ofertas en
el mercado de DA se extienden de acuerdo con el pronóstico
de la carga de DA, en lugar de las cargas reales observadas
un día después. Ya que la relación entre el precio de la electricidad
y la carga no es lineal (véase la figura 2) los pronosticadores
también han usado RN (artificiales).
Una RN se compone de capas de nodos. Cada nodo es una
neurona. Las capas están conectadas mediante enlaces entre
las neuronas, a fin de que una neurona pueda transmitir una
señal a otra neurona en la subsiguiente capa, cuya estructura
se asemeja a las sinapsis del cerebro humano. Entonces, los
datos de salida de una neurona comprenden la suma ponderada
de todos los datos de entrada, como en la regresión
linear, transformados por la llamada función de activación.
La RN más simple con nodos de entrada conectados
directamente a un nodo de salida con una función lineal de
activación equivale al modelo de regresión lineal ilustrado
en la figura 1(a). Al usar funciones de activación no lineal
e insertar capas de nodos adicionales (llamadas ocultas), la
relación entre los datos de entrada (predictores) y los datos
de salida (variable prevista) se vuelve más compleja. Los
modelos de RA de las décadas de 1990 y los 2000 eran normalmente
estructuras superficiales de una sola capa oculta,
una neurona de salida (p. ej., el precio de la electricidad hoy
a las 6 p.m.), y una arquitectura de prealimentación [véase
la figura 1(b)]. La última implica que la información se propagaba
en una sola dirección, de entradas a salida. En contraste
con la regresión lineal, en la que los datos de salida
son solo la suma ponderada de todos los datos de entrada, en
los modelos de RA, pueden aplicarse transformaciones no
lineales adicionales a esta suma en cada nodo.
Reducir factores redundantes
Exponer la relación no lineal entre las variables es un desafío
para el abordaje basado en la regresión linear. Otra dificultad
es la gestión de una importante cantidad de datos de
entrada. Incluso algunas docenas de variables explicativas
pueden conducir a estimativos y predicciones no confiables
al usar el modelo de regresión clásico y los mínimos
ieee power & energy magazine
31
respectivamente,
representan el precio de la electricidad y la
variable exógena (p. ej., el pronóstico de la carga de DA) para
un día d y una hora h, mientras que
MonSunf son las
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
