El presente Trabajo de Fin de Grado tiene como objetivo desarrollar un modelo capaz de predecir el precio del MWh (precio SPOT del mercado energético) para cada hora del día siguiente, optimizando así la oferta en el mercado. Dada la volatilidad del mercado energético y la influencia de numerosos factores externos, la precisión en la predicción del precio SPOT es crucial para que las empresas puedan tomar decisiones informadas sobre a cuánto ofertar y maximizar ganancias sin el riesgo de no entrar en el mercado. Para abordar este desafío, se estudiaron y compararon diversos modelos, incluyendo tanto modelos clásicos como de Deep Learning. Entre los modelos evaluados se destacan los modelos de estado del arte, como los Temporal Fusion Transformers (TFT), que permitieron obtener predicciones con un error medio absoluto (MAE) de 1,26C. La metodología aplicada abarca desde la obtención y preprocesamiento de datos hasta el modelado, la comparación de modelos y el análisis de resultados, proporcionando así una ventaja estratégica para operar en el mercado diario de electricidad. La implementación de este modelo no solo busca mejorar la precisión en las predicciones, sino también optimizar la gestión de la oferta energética, ayudando a las empresas a ofertar de manera más competitiva y eficiente. Además, se destaca la importancia de tecnologías avanzadas y la interpretabilidad del modelo, permitiendo a las empresas (generadoras, comercializadoras…) entender cómo y por qué se generan las predicciones, lo cual es esencial para la toma de decisiones estratégicas en un mercado eléctrico dinámico.
ABSTRACT
The objective of this Final Degree Project is to develop a model capable of predicting the price of MWh (SPOT price of the energy market) for each hour of the following day, thus optimizing market offers. Given the volatility of the energy market and the influence of numerous external factors, accuracy in predicting the SPOT price is crucial for companies to make informed decisions on how to price their offers to maximize profits without the risk of exclusion from the market. To address this challenge, various models were studied and compared, including both classical and Deep Learning models. Among the evaluated models, state-of-the-art models such as Temporal Fusion Transformers (TFT) stand out, achieving predictions with a mean absolute error (MAE) of C1.26. The applied methodology ranges from data acquisition and preprocessing to modeling, model comparison, and results analysis, thus providing a strategic advantage for operating in the daily electricity market. The implementation of this model aims not only to improve prediction accuracy but also to optimize energy offer management, helping companies to bid more competitively and efficiently. Additionally, the importance of advanced technologies and model interpretability is highlighted, enabling companies (generators, marketers…) to understand how and why predictions are generated, which is essential for strategic decision-making in a dynamic electricity market.
El presente Trabajo de Fin de Grado tiene como objetivo desarrollar un modelo capaz de predecir el precio del MWh (precio SPOT del mercado energético) para cada hora del día siguiente, optimizando así la oferta en el mercado. Dada la volatilidad del mercado energético y la influencia de numerosos factores externos, la precisión en la predicción del precio SPOT es crucial para que las empresas puedan tomar decisiones informadas sobre a cuánto ofertar y maximizar ganancias sin el riesgo de no entrar en el mercado. Para abordar este desafío, se estudiaron y compararon diversos modelos, incluyendo tanto modelos clásicos como de Deep Learning. Entre los modelos evaluados se destacan los modelos de estado del arte, como los Temporal Fusion Transformers (TFT), que permitieron obtener predicciones con un error medio absoluto (MAE) de 1,26C. La metodología aplicada abarca desde la obtención y preprocesamiento de datos hasta el modelado, la comparación de modelos y el análisis de resultados, proporcionando así una ventaja estratégica para operar en el mercado diario de electricidad. La implementación de este modelo no solo busca mejorar la precisión en las predicciones, sino también optimizar la gestión de la oferta energética, ayudando a las empresas a ofertar de manera más competitiva y eficiente. Además, se destaca la importancia de tecnologías avanzadas y la interpretabilidad del modelo, permitiendo a las empresas (generadoras, comercializadoras…) entender cómo y por qué se generan las predicciones, lo cual es esencial para la toma de decisiones estratégicas en un mercado eléctrico dinámico.
ABSTRACT
The objective of this Final Degree Project is to develop a model capable of predicting the price of MWh (SPOT price of the energy market) for each hour of the following day, thus optimizing market offers. Given the volatility of the energy market and the influence of numerous external factors, accuracy in predicting the SPOT price is crucial for companies to make informed decisions on how to price their offers to maximize profits without the risk of exclusion from the market. To address this challenge, various models were studied and compared, including both classical and Deep Learning models. Among the evaluated models, state-of-the-art models such as Temporal Fusion Transformers (TFT) stand out, achieving predictions with a mean absolute error (MAE) of C1.26. The applied methodology ranges from data acquisition and preprocessing to modeling, model comparison, and results analysis, thus providing a strategic advantage for operating in the daily electricity market. The implementation of this model aims not only to improve prediction accuracy but also to optimize energy offer management, helping companies to bid more competitively and efficiently. Additionally, the importance of advanced technologies and model interpretability is highlighted, enabling companies (generators, marketers…) to understand how and why predictions are generated, which is essential for strategic decision-making in a dynamic electricity market. Read More
Related posts:
Evaluación de compatibilidad de modelos y marcos de identidad digital
Diseño de una metodología de cálculo del Valor del Cliente (CLTV) basada en
redes neuronales para la predicción del comportamiento de los consumidores
en un entorno empresarial
Más allá de los modelos financieros tradicionales: modelos multifractales para precios intradiarios
Generación de modelos neuronales a partir de un grafo
Desarrollo de un interfaz hombre-máquina de creación de contraejemplos para mejorar la explicabilidad y usabilidad de modelos de aprendizaje automático
Predicción de demanda de gas y electricidad utilizando técnicas estadísticas avanzadas e inteligencia artificial