Usando Aprendizaje Automático para Predecir Precios de Electricidad

Las predicciones de precios precisas son muy importantes para quienes trabajan en los mercados de energía. Ayudan a las empresas a planear sus operaciones y estrategias de oferta, especialmente ahora que los precios de la electricidad se están volviendo más impredecibles. Un método de fijación de precios muy popular en muchos mercados de energía se llama Precio Marginal Local (LMP). Este método tiene en cuenta la ubicación de la generación y consumo de electricidad al establecer los precios.

Tradicionalmente, el LMP se calcula utilizando un método llamado flujo óptimo de potencia (OPF). Sin embargo, este método puede tardar mucho tiempo y requerir mucha potencia de cómputo, especialmente para las redes eléctricas grandes. Para solucionar este problema, se pueden usar técnicas de Aprendizaje automático (ML) para predecir precios más rápido. Este enfoque es particularmente útil en mercados que incluyen fuentes de energía renovable, como la eólica y la solar, que pueden hacer que los precios fluctúen más.

#Beneficios del Aprendizaje Automático en Predicción de Precios

Este estudio analiza qué tan bien diferentes modelos de aprendizaje automático pueden predecir el LMP en varias redes eléctricas. Vamos a evaluar cuán precisos y confiables son estos modelos en diferentes situaciones. Los resultados indican que los modelos de ML pueden hacer predicciones mucho más rápido que los métodos tradicionales mientras mantienen un nivel de precisión razonable.

El sistema LMP se utiliza no solo en un lugar, sino globalmente, incluyendo países como Estados Unidos, Irlanda, Nueva Zelanda y Singapur. Determina el precio de la electricidad según dónde se produzca y se consuma. Para los participantes del mercado, como quienes brindan servicios de balance y flexibilidad, poder anticipar el LMP con precisión es crucial para optimizar sus operaciones.

Los sistemas eléctricos pueden ser muy grandes y complejos, lo que hace que calcular el LMP para cada ubicación consuma tiempo y cueste. Usando herramientas de aprendizaje automático, los precios se pueden predecir de manera más eficiente, lo que ayudaría a gestionar los horarios operativos según los cambios del mercado.

El auge de fuentes de energía renovable, como la solar y la eólica, aumenta la volatilidad de los precios de la electricidad. El aprendizaje automático puede ayudar a mitigar estas incertidumbres, permitiendo a los interesados tomar mejores decisiones. Normalmente, para descubrir el LMP, se debe resolver el problema simplificado conocido como DC-OPF. Sin embargo, estos problemas a menudo requieren muchos recursos de cómputo y tiempo, especialmente para predicciones en tiempo real.

#Cómo Funciona el Estudio

En este estudio, evaluaremos varios modelos populares de aprendizaje automático para la predicción del LMP. Los modelos incluyen Regresión de Árboles de Decisión (DTR), Regresión por Aumento de Gradiente (GBR), Regresión de Bosques Aleatorios (RFR) y Redes Neuronales Profundas (DNN).

Nuestro enfoque comienza con la generación de datos, que es necesaria para entrenar y probar los modelos. Estos datos se crean utilizando diferentes configuraciones de redes eléctricas, teniendo en cuenta varios factores como la demanda, la oferta y los costos de generación. El objetivo es asegurarnos de tener suficientes datos de entrenamiento para hacer predicciones precisas.

Para crear conjuntos de datos diversos, introducimos pequeños cambios aleatorios en las cargas activas de la Red eléctrica. Esto ayuda a simular diferentes situaciones del mercado, ayudando a los modelos a aprender a predecir precios bajo diversas condiciones.

#Proceso de Generación de Datos

El proceso para generar datos implica crear una instantánea de la red eléctrica en un momento específico. Esta instantánea contiene información esencial, como niveles de voltaje, topología de la red y potencia inyectada en cada nodo. Sin embargo, una sola instantánea no es suficiente para entrenar modelos de aprendizaje automático. Por lo tanto, crearemos múltiples instantáneas con variaciones usando perturbaciones a nivel nodal.

Estas perturbaciones nos permiten crear un conjunto de datos de instancias que son diferentes entre sí. Con hasta 5000 instancias generadas, luego podemos usar los datos para entrenar nuestros modelos. Las características de entrada consistirán en las demandas de potencia activa de los nodos de demanda y generador, junto con la capacidad de las líneas de transmisión.

Probar nuestros modelos es igualmente importante. Crearemos conjuntos de datos de prueba para medir qué tan bien funcionan los modelos con datos no vistos. El objetivo es evaluar su precisión y robustez en varios escenarios que podrían ocurrir en redes eléctricas reales. Estos escenarios incluyen situaciones como la pérdida de un generador o la falla de una línea de transmisión.

#Realización de los Experimentos

Ejecutaremos simulaciones en un poderoso clúster de computación para evaluar nuestros modelos. Los experimentos implicarán entrenar los modelos utilizando los datos generados y evaluar sus predicciones en comparación con los valores reales de LMP determinados al resolver el problema DC-OPF.

Cada modelo de aprendizaje automático pasará por un entrenamiento, y luego haremos predicciones sobre los conjuntos de datos de prueba. La precisión de estas predicciones se medirá utilizando una métrica conocida como Error Porcentual Absoluto Medio (MAPE), que calcula el error promedio de predicción en todas las instancias de prueba.

Al comparar el rendimiento de los modelos, evaluaremos tres aspectos principales: tiempo de procesamiento, tiempo de entrenamiento y precisión. Estos factores nos darán una idea de cuán factible y eficiente es realmente usar aprendizaje automático para predicciones de precios.

#Hallazgos Clave

Los resultados muestran que los modelos de aprendizaje automático pueden hacer predicciones de LMP mucho más rápido en comparación con los métodos tradicionales. Por ejemplo, el tiempo de procesamiento para los modelos de ML es significativamente menor que para las herramientas de optimización clásicas, a veces por varios órdenes de magnitud. Esto significa que una vez que los modelos están entrenados, pueden ofrecer respuestas rápidas a los cambios del mercado, lo cual es vital para la eficiencia del mercado.

Aunque algunos modelos de ML, como DTR, pueden tener errores de predicción ligeramente más altos, la precisión general de todos los modelos sigue siendo aceptable, con valores de MAPE típicamente por debajo del 6%. Esto muestra que incluso al enfrentarse a escenarios desafiantes que simulan situaciones de la vida real, los modelos aún funcionan de manera confiable.

Curiosamente, el tiempo de entrenamiento de los modelos también puede ser comparable al tiempo que tardan los métodos tradicionales en resolver el mismo número de instancias de red. Esto indica que a medida que crecen los tamaños de las redes, los modelos de aprendizaje automático aún pueden entrenarse más rápido, lo que seguirá siendo una ventaja significativa.

#Conclusión

En resumen, este estudio resalta el potencial del aprendizaje automático para predecir precios de electricidad usando LMP. Al demostrar que estos modelos pueden ofrecer tanto velocidad como una precisión razonable, allanamos el camino para su uso más amplio en futuros mercados energéticos.

A medida que las fuentes de energía renovable se integren más en las redes eléctricas, la capacidad de predecir precios con precisión se volverá aún más esencial. Esta investigación sugiere que adoptar ML para la predicción de LMP puede llevar a operaciones más eficientes y rentables en los mercados energéticos en el futuro.

A la luz de nuestros hallazgos, los interesados en el sector energético deberían considerar implementar soluciones de aprendizaje automático para la previsión de precios, ya que han demostrado reducir significativamente los tiempos de procesamiento mientras mantienen una precisión aceptable. Este avance podría tener un impacto significativo a medida que los mercados energéticos continúan evolucionando y adaptándose a nuevos desafíos.