Desarrollo de modelos de previsión para la estimación de curvas de oferta en el mercado eléctrico italiano con desagregación por punto de producción

El objetivo principal del presente proyecto es el desarrollo de un modelo de predicción avanzado, destinado a la estimación de curvas de oferta a nivel de Unidad de Producción (UP) en las distintas zonas del mercado eléctrico italiano; en concreto, se disponen datos de 70 centrales eléctricas, de las cuales se quieren conseguir predicciones coherentes en un horizonte de 1 a 4 semanas.
Este documento contendrá de manera ordenada y detallada una explicación de todas y cada una de las decisiones tomadas tanto para seleccionar las variables más significativas de entre todas de las que se disponía, como para la realización de simplificaciones y correcciones de los datos para su óptima adecuación al problema presentado.
El enfoque final de la cuestión se basa en la aplicación de un modelo kNN sobre las curvas agregadas de las distintas variables explicativas seleccionadas para cada UP. Esta agregación, se ha conformado a partir de los valores de dichas variables en un mismo día, sumando por tanto 24 en total. Para mejorar la predicción del algoritmo kNN, previamente han sido entrenados modelos Random Forest para predecir la cantidad ofertada, con la función de obtener la importancia de cada una de las variables en cada central en particular, aprovechando estos valores para realizar una posterior corrección en las curvas agregadas de las variables explicativas usadas por el modelo kNN.
Finalmente, los resultados muestran para gran parte de las UP, errores de predicción competentes, un indicativo de que la empresa podrá usar dichas aproximaciones para diseñar sus estrategias en el futuro.

The purpose of this project is to develop an advanced forecasting model to estimate the supply curves at UP level in each zone of the Italian electricity market for 70 different UP. The aim is to achieve consistent predictions over 1 to 4 weeks horizon.
In this document we will explain clearly and detailed the decisions we have taken throughout the project, whether to select which variables we have considered the most important among all those available, to make different simplifications or corrections of the data to adapt them to the problem and to explain in detail the solution we have taken to make the predictions of all the UP.
The final approach that we have followed to obtain the different predictions has been a kNN model on the aggregate curves of the different explanatory variables that we have selected for each UP, the aggregate curves has been formed with all the values that these variables have taken in the same day (24 values, one for each hour). Together with this kNN, we have trained different Random Forest models to predict the Quantity offered by each different UP, with these models we have extracted the importance of each variable that we are using to make the predictions and we have made a correction in the daily curves taken by the explanatory variables of each UP, which we will use later in the kNN. Additionally, we have considered making some corrections to the prediction values obtained, which will be discussed later.
Finally, the results show competent prediction errors for most of the units, an indication that the company will be able to use these approximations to design its strategies in the future.