Predicción del precio de la energía eléctrica en Colombia con horizonte de 24 horas utilizando modelos de Deep Learning

Abstract

RESUMEN : Este trabajo tiene como objetivo la implementación de diferentes modelos de Deep Learning aplicados a la predicción del precio de bolsa en el mercado eléctrico colombiano con un horizonte de 24 horas (corto plazo). Se entrenaron y se ajustaron modelos como: DNN, LSTM, GRU, CNN-LSTM, permitiendo hacer comparaciones entre los pronósticos usando métricas de desempeño como MAE, MAPE, SMAPE, RMSE. Los pronósticos de precio son importantes para los actores participantes en un mercado desregulado dada la alta volatilidad que presenta. Un buen pronóstico del precio de la electricidad en la bolsa de energía eléctrica da la posibilidad a los agentes participantes del mercado de ajustar sus ofertas para mitigar los riesgos y maximizar beneficios. Los modelos fueron entrenados a partir de la información recopilada en la base de datos de XM donde se obtuvieron las variables de: precio de bolsa, demanda de energía, volumen útil de embalses, Aportes hidrológicos, disponibilidad plantas térmicas, disponibilidad de las plantas no térmicas y precio de oferta de cada planta. En la primera iteración se ejecutaron los modelos con un horizonte de predicción de 24 periodos, se consideraron diferente cantidad de retardos (24, 48, 72, 96) para realizar la predicción, obteniendo el menor error con 72 retardos de tiempo, con una resolución temporal horaria para la variable que se pronóstica. Luego se realizó la sintonización de los hiperparámetros de cada modelo de aprendizaje de máquina utilizado, realizando una predicción de 24 horas a futuro usando 72 retardos de tiempo, es decir, 72 horas con la información de variable a predecir y variables exógenas, con los mejores hiperparámetros encontrados en cada modelo. Los mejores resultados en las métricas de desempeño se obtuvieron en el modelo LSTM donde para la métrica MAPE y RMSE en los datos de pruebas fue de 6.93% y 11.87 $COP/kWh respectivamente, siendo 7.13% menor que lo obtenido con DNN, 8.84% menor que lo obtenido con GRU y 54.24% menor que lo obtenido con la CNN-LSTM para la métrica MAPE.