La previsión del precio de la electricidad (EPF) es una rama de la previsión energética que aplica modelos matemáticos, estadísticos y de aprendizaje automático para predecir los precios futuros de la electricidad. En las últimas tres décadas, estas previsiones se han convertido en un insumo fundamental para la toma de decisiones corporativas de las empresas energéticas, especialmente en mercados desregulados donde la electricidad se comercializa mediante contratos al contado y derivados. El campo surgió junto con la liberalización del mercado en Europa, América del Norte, Australia y Asia, a medida que los sectores eléctricos tradicionalmente monopolísticos pasaron a estructuras competitivas.
La electricidad es un producto básico único porque no es económicamente almacenable, lo que requiere un equilibrio constante entre producción y consumo para la estabilidad de la red. Su demanda depende en gran medida del clima y de los patrones de actividad diaria, como las horas punta frente a las horas valle y los días laborables frente a los fines de semana. Estas características producen dinámicas de precios que no se observan en otros mercados, incluyendo estacionalidad diaria, semanal y anual, además de picos de precios abruptos y a menudo imprevistos. La volatilidad de los precios puede ser hasta dos órdenes de magnitud mayor que la de cualquier otro producto básico o activo financiero negociado, lo que impulsa a los participantes del mercado a cubrir tanto el riesgo de volumen como el de precio. Una empresa de servicios públicos con una demanda máxima de 1 GW puede ahorrar aproximadamente $300,000 al año con una reducción del 1% en el error porcentual absoluto medio (MAPE) en las previsiones de precios a corto plazo.
Métodos de previsión
El enfoque más simple para la previsión del día siguiente implica pedir a cada fuente de generación que oferte bloques de generación y seleccionar las ofertas más baratas. Si se presentan ofertas insuficientes, los precios suben; si hay demasiadas, los precios pueden caer a cero o volverse negativos. Los precios de oferta incorporan el costo de generación, el costo de transmisión y el margen de beneficio. Los operadores de sistemas independientes (ISO) fomentan la competencia separando las operaciones de transmisión y generación, utilizando mercados basados en ofertas para determinar el despacho económico. La energía puede comercializarse con grupos de energía adyacentes.
Las fuentes renovables no gestionables, como la eólica y la solar, suelen venderse antes que otras ofertas a tarifas predeterminadas. Cualquier exceso de generación se vende a otros operadores de red, se almacena mediante hidroelectricidad de bombeo o se limita en los peores escenarios. La limitación puede reducir significativamente los beneficios económicos y ambientales de la energía solar a medida que aumentan los niveles de penetración. La integración de redes inteligentes y generación renovable distribuida ha aumentado la incertidumbre de la oferta y la demanda, impulsando una investigación sustancial en técnicas de previsión.
Factores impulsores
Dado que la electricidad se produce en el momento exacto de la demanda, todos los factores de oferta y demanda afectan inmediatamente los precios del mercado al contado. Los precios a corto plazo están más influenciados por el clima, con la demanda de calefacción en invierno y la demanda de refrigeración en verano impulsando picos de precios estacionales. La capacidad adicional de gas natural ha estado reduciendo los precios mientras aumenta la demanda. Los precios de los combustibles y los precios de los derechos de emisión de CO2 son impulsores clave del lado de la oferta; los precios del carbono en la UE se han duplicado desde 2017, convirtiéndolos en un factor de costo significativo.
Las dotaciones de recursos específicas de cada país y las regulaciones también moldean las tarifas. Los subsidios gubernamentales a productores o consumidores pueden mantener la electricidad asequible, pero la mayoría de los países han adoptado alguna forma de fijación de precios basada en el mercado.
Clima
La demanda de electricidad está impulsada en gran medida por la temperatura, con grados día de calefacción y grados día de refrigeración que miden el consumo de energía en relación con una línea base de 65 grados Fahrenheit. El clima también afecta la oferta renovable. La curva del pato de California ilustra la brecha entre la demanda y la disponibilidad de energía solar a lo largo del día, con la energía solar inundando el mercado durante períodos soleados y disminuyendo por la noche cuando la demanda alcanza su punto máximo. Las previsiones meteorológicas pueden mejorar la precisión de las previsiones de precios, especialmente para horizontes de 2 a 4 días antes, mientras que las previsiones del día siguiente se benefician de efectos autorregresivos.
Disponibilidad de energía hidroeléctrica
La capa de nieve, los caudales, la estacionalidad y otros factores hidrológicos determinan la energía potencial disponible para las presas hidroeléctricas. Prever estas variables predice la capacidad de generación para un período determinado. Regiones como Pakistán, Egipto, China y el noroeste del Pacífico dependen en gran medida de la generación hidroeléctrica. En 2015, Zambia experimentó más del doble de la duración promedio de interrupción del sistema y los índices de frecuencia (SAIDI y SAIFI) del año anterior debido a las bajas reservas de agua en las presas por lluvias insuficientes.
Interrupciones de plantas y transmisión
Las interrupciones planificadas o no planificadas reducen la energía total disponible para la red, socavando la oferta y elevando los precios. Las empresas de servicios públicos y los operadores de red deben tener en cuenta los calendarios de interrupciones en las previsiones a corto plazo.
Salud económica
Durante las recesiones económicas, las fábricas reducen la producción en respuesta a la menor demanda de los consumidores, reduciendo su consumo de electricidad. Esta reducción de la demanda puede reducir los precios mayoristas, mientras que el crecimiento económico generalmente aumenta la demanda y los precios.
Enfoques de aprendizaje automático
La EPF moderna depende cada vez más de modelos de inteligencia artificial y aprendizaje profundo, incluyendo redes neuronales y métodos de conjunto. Estos modelos capturan relaciones no lineales entre los impulsores de precios, como el clima, la carga y la producción renovable. Técnicas como redes residuales y arquitecturas transformadoras se han aplicado a tareas de previsión de precios, aprovechando grandes conjuntos de datos de precios históricos y entradas meteorológicas. El entrenamiento a menudo utiliza variantes de optimizador Adam y programas de tasa de aprendizaje para mejorar la convergencia. La elección de funciones de pérdida y estrategias de aumento de datos puede afectar significativamente el rendimiento de la previsión.
La investigación ha comparado modelos estadísticos clásicos, como ARIMA, con enfoques de aprendizaje automático. Aunque ningún método domina, los modelos híbridos que combinan impulsores fundamentales con componentes estadísticos o basados en aprendizaje tienden a funcionar bien. La precisión de las previsiones de generación renovable publicadas por los operadores del sistema de transmisión (TSO) puede mejorarse con modelos de predicción simples, que a su vez mejoran las predicciones de precios.
Aplicaciones de mercado
Los gestores de carteras de energía utilizan previsiones de precios que van desde horas hasta meses para ajustar las estrategias de oferta y los calendarios de producción o consumo. Las previsiones precisas del día siguiente permiten a las empresas de servicios públicos reducir el riesgo y maximizar los beneficios en mercados competitivos. La creciente proporción de renovables intermitentes aumenta la incertidumbre de las previsiones, haciendo que los modelos robustos sean más valiosos. Las previsiones de precios también respaldan la gestión de riesgos, la valoración de activos y la planificación de inversiones a largo plazo en infraestructura de generación y red.