Abril 2021 —
El mercado mayorista eléctrico español marca precios nunca vistos para un abril, disparándose las primeras alarmas sobre la coyuntura energética del país. En Europa, el mercado de derechos de emisión de CO2 (EUA) sigue bullish para su contrato de Diciembre-21, cómodo en niveles de 43 €/tn. Fruto de ello es el ambicioso plan de la Comisión Europea: 2030 Climate Target Plan, donde Ursula von den Leyen propone la reducción de los gases de efecto invernadero (GHG) en al menos un 55% (respecto a los niveles de 1990) para el año 2030, con el objetivo de acelerar la transición energética y ser climate-neutral en 2050.
Analizar el impacto de la COVID-19 en la demanda eléctrica parte de la base de que sabemos con qué vamos a comparar dicho impacto, dicho de otro modo: que existe un escenario base de referencia de demanda apto para ser comparado.
Sin embargo, en la mayoría de los casos, los deltas que uno lee en prensa son generalmente siempre referidos a años anteriores. No se pretende que no sea así, pero dichas comparaciones no son todo lo ortodoxas que cabría, al estar comparando circunstancias diferentes de laboralidad y temperatura, y la propia tendencia de desacoplamiento entre PIB y demanda que llevamos años observando.
UPDATE con datos completos de 2020. El impacto que ha supuesto la COVID-19 en la demanda del sistema eléctrico puede calificarse de histórico. Según el propio operador del sistema (REE), durante el mes de abril (primer mes completo bajo el estado de alarma con un confinamiento estricto) se produjo la mayor caída mensual registrada desde 1990. El abrupto parón de la actividad económica y la escasa actividad industrial ha provocado caídas de hasta el -17.
Los acuerdos bilaterales representaron durante 2019 el 28,13% de la energía negociada en España, energía que no pasa por el sistema de casación oferta-demanda y que concentra un volumen bastante estable y nada despreciable. Cierto es que dicha energía pasa bastante desapercibida porque el topic de debate se suele centrar en el mercado mayorista, el impacto en el precio marginal de las tecnologías, la evolución de los precios, etc.
A la hora de fijar estrategias de operación desde el punto de vista de una comercializadora, resulta interesante realizar un seguimiento de los KPIs de la competencia. Existen diferentes tipos de información a seguir: la evolución del número de clientes, los productos que ofrecen, los resultados económicos del año fiscal, o la cantidad de energía física que gestionan. Para realizar el seguimiento de esto último, el operador del sistema publica de forma gratuita un tipo de fichero de granularidad horaria con la cantidad de energía comprada o vendida a lo largo del día.
Si bien en la anterior entrada realicé una aproximación para la predicción del consumo eléctrico a través de time-series, en esta utilizaré uno de los modelos más conocidos de forecasting: el ARIMA.
Los modelos ARIMA funcionan bien cuando se disponen de series temporales largas (más de 40 puntos al menos) y el patrón de comportamiento es estable o consistente durante el tiempo. Requieren que la serie sea estacionaria, lo cual quiere decir que no deben tener una tendencia ni tampoco una variabilidad entre picos elevada.
En anteriores entradas he modelizado la demanda peninsular de REE (concretamente la previsión de dicha demanda) con diferentes aproximaciones y técnicas. Básicamente, he tratado de predecir el consumo diario con bastante éxito a través de random forest, correlacionando los datos de temperatura del aeropuerto de Madrid a nivel diario y creando variables nuevas que identificaban el tipo de días (festivo o laboral), el día de la semana, el mes o el quarter.
En la anterior entrada, trataba de predecir el consumo de la demanda de REE atendiendo a variables temporales y de temperatura. Debido a que ésta última sólo podía conseguirla a nivel diario, me forzaba a realizar la predicción del consumo eléctrico a nivel diario también. Esto supone claramente un problema teniendo en cuenta que el escandallo de costes y la operativa general del sistema es horaria.
Sin embargo, tras ahondar en detalle y realizar pruebas con diversos packages, he encontrado una solución que me permite trabajar a nivel horario.
A menudo, cuando se aplica el concepto predicción en el sector eléctrico tiende a relacionarse inmediatamente con dos conceptos: el consumo y el precio. El primero el fundamental para no penalizar desvíos. El segundo, tiene más que ver con el trading puro y duro.
Ambos, eso sí, son fundamentales para optimizar el gross margin de la compañía, y más aún cuando cuando se empieza en pequeñas comercializadoras, donde aún no existen equipos de big data que puedan desarrollar los algoritmos de predicción correspondientes.
Las sistemas extrapeninsulares (antiguos SEIEs, ahora SENP) han sido históricamente un quebradero de cabeza para el legislador. No cabe duda de que los costes de generación eléctrica son diferentes a los de la península, y tampoco nadie duda de la complejidad que supone para un comercializador estipular un precio justo de la energía dependiendo del subsistema en el que se encuentre el cliente.
El 31 de julio de 2015 se aprobó el RD 738/2015, donde se pretendía dar mandato a los estipulado en la Ley 24/2013 del sector eléctrico, que entre otras cosas, buscaba dar señales de precio eficientes al consumidor para adaptar su curva de carga de cada sistema y reflejar el coste de generación de cada subsistema no peninsular.