Publicación:
Técnicas de Deep Learning para la Predicción de Precios de Electricidad del Mercado Diario Español

Vista sencilla de ítem
dc.contributor.authorPedrero Lozoya, Hugo Alberto
dc.contributor.directorPastor Vargas, Rafael
dc.contributor.directorRozas Rodríguez, Wolfram
dc.date.accessioned2025-03-07T08:52:17Z
dc.date.available2025-03-07T08:52:17Z
dc.date.issued2025-02
dc.description.abstractLa estimación de los precios de electricidad del mercado diario es una tarea de gran importancia e interés para todos los agentes involucrados en el sector, de cara a realizar las ofertas de compra y venta de electricidad antes del cierre del mercado. En este proyecto se van a desarrollar métodos de deep learning para predecir los precios de la electricidad del mercado diario español (“day-ahead”). En concreto, se pretende implementar técnicas de deep learning basadas en Redes Neuronales Recurrentes (RNN) tales como LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Unit), y también modelos más novedosos como NBEATS (Neural Basis Expansion Analysis for Time Series) o un transformer especializado en series temporales llamado TimeGPT. Tomando como ventana de datos de entrada los 168 valores previos (1 semana), se realizarán predicciones para los precios de la electricidad de las 24 horas del día siguiente. Se emplean datos históricos que abarcan el periodo comprendido entre 2015 y 2023, incluyendo variables fundamentales como la demanda eléctrica, la generación de fuentes renovables y el precio del gas natural. Además, se introduce el concepto de "hueco hidrotérmico", una nueva variable creada a partir de la combinación de la demanda eléctrica y la generación de energía eólica y solar. Esta variable corresponde a la energía que habrá que generar con fuentes térmicas o hidráulicas para cubrir la demanda, una vez sustraída la generación eólica y solar. La adición de esta variable, altamente correlacionada con el precio de la electricidad, mejora notablemente el comportamiento de los modelos. Tomando como ventana de datos de entrada los 168 valores previos (1 semana), se realizarán predicciones para los precios de la electricidad de las 24 horas del día siguiente. Se emplean datos históricos que abarcan el periodo comprendido entre 2015 y 2023, incluyendo variables fundamentales como la demanda eléctrica, la generación de fuentes renovables y el precio del gas natural. Además, se introduce el concepto de "hueco hidrotérmico", una nueva variable creada a partir de la combinación de la demanda eléctrica y la generación de energía eólica y solar. Esta variable corresponde a la energía que habrá que generar con fuentes térmicas o hidráulicas para cubrir la demanda, una vez sustraída la generación eólica y solar. La adición de esta variable, altamente correlacionada con el precio de la electricidad, mejora notablemente el comportamiento de los modelos.es
dc.identifier.citationPedrero Lozoya, Hugo Alberto. Trabajo Fin de Máster: Los Sistemas de Información Geográfica como recurso didáctico. Universidad Nacional de Educación a Distancia (UNED) 2025
dc.identifier.urihttps://hdl.handle.net/20.500.14468/26128
dc.language.isoes
dc.publisherUniversidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
dc.relation.centerE.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Ingeniería y Ciencia de Datos
dc.relation.departmentInteligencia Artificial
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject12 Matemáticas::1203 Ciencia de los ordenadores ::1203.17 Informática
dc.titleTécnicas de Deep Learning para la Predicción de Precios de Electricidad del Mercado Diario Españoles
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
PedreroLozoya_HugoAlberto_TFM.pdf
Tamaño:
4.05 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Trabajos de fin de máster (TFM)