Energía Chi-cuadrado

energía y data science en R

Predicción del consumo eléctrico (IV): una aproximación con time-series ARIMA

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.

Predicción del consumo eléctrico (III): una aproximación con time-series

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.

Predicción del consumo eléctrico (II): una aproximación con random forest

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.

Predicción del consumo eléctrico (I): una aproximación con random forest

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.

La odisea de comercializar electricidad en las SEIEs

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.

Explorando correlaciones de los futuros con el CO2

Las relaciones entre variables constituyen el primer análisis serio para cualquier analista y/o trader del mercado eléctrico. Comparando diferentes periodos u horizontes temporales, se puede ver cómo dichas variables interaccionan con el mercado spot o con los contratos de futuros, pero a veces no resulta fácil llegar a una conclusión por la complejidad del propio sistema, el dinamismo del comportamiento del mercado y la no tan escasa aparición de datos anómalos que despistan a nuestro modelo.

Cómo conseguir datos de ESIOS con su API (parte I)

Uno de los primeros retos a los que se enfrentan los analistas del sector es conseguir automatizar la entrada de los datos. Generalmente, en el sector energético y particularmente en el eléctrico, se disponen de grandes cantidades de datos y variables accesibles por diferentes vías, y obviamente resultaría tremendamente engorroso e ineficiente descargar manualmente cada día desde la web decenas de archivos. En el caso español, REE dispone de una avanzada plataforma pública donde cualquiera, de forma gratuita, puede visualizar y descargar la información relativa al sistema eléctrico.

Comparativa de la generación hidráulica y el precio del mercado mayorista

En los últimos meses, la generación hidráulica ha dado de qué hablar en el sector eléctrico. Diferentes medios han afirmado (aquí o aquí) que esta tecnología estaba marcando precio marginal en el mercado spot con unos valores más elevados de lo habitual. En el presente análisis, expongo cómo se hace un EDA o Análisis Exploratorio de Datos para intuir si estas afirmaciones son percepciones estadísticamente relacionables con la realidad. Comenzaré cargando los datos básicos que necesito:

Forecasting: ¿cómo evolucionará la cuota del mercado eléctrico regulado vs mercado libre?

Realizar un forecast es una tarea que generalmente requiere de conocimiento del sector, hipotetizar sofre efectos que afecten al resultado de estudio y como no, tener unas mínimas habilidades de programación. En siguiente ejemplo, utilizo los datos de la CNMC del informe de supervisión de cambio de comercializador, donde se publican trimestralmente multitud de indicadores del sector eléctrico y gasista en cuanto a altas, switchings y movilidad entre grupos comercializadores.

Por qué este blog

Allá por noviembre de 2012 comencé un blog dedicado a dos de mis tres pasiones: la energía y la ingeniería. A la primera me dedico desde hace ya unos cuantos años y la segunda nace de las constantes ganas de aprender cómo funciona lo que me rodea. Escribía sobre los datos globales de energía, mercado eléctrico, tecnologías convencionales y renovables, y hasta un poco sobre termodinámica (efectivamente soy un ingeniero frustrado).