Modelos de predicción de restricciones técnicas

Este trabajo pertenece a un proyecto más grande, cuyo objetivo final es el arbitraje entre mercados diario e intradiario. Para poder hacerlo es necesario predecir la variación de precio entre ambos mercados. La predicción del volumen de restricciones técnicas debe ser clave para anticipar las diferencias entre estos mercados al calcularse las restricciones entre ambos mercados. Este trabajo se centra en la extracción, análisis y procesamiento de las variables explicativas que alimentaran tanto el modelo de predicción del volumen de restricciones como el modelo de predicción de la variación de precio entre diario e intradiario. Estas variables explicativas son los informes de Restricciones Técnicas que se publican cada día, las previsiones de demanda y generación, la potencia acoplada de los ciclos combinados, el volumen de Restricciones Técnicas del día anterior, la geolocalización de las Indisponibilidades de Red y una estimación de la geolocalización de la generación dependiente del clima. También se elaboran modelos de Machine Learning como RF, KNN, RF y MLP usando gran parte de las variables explicativas.

This work is a part of a larger project, the ultimate goal of which is arbitrage between day-ahead and intraday markets. In order to do so, it is necessary to forecast the price delta between both markets. The volume forecast of technical constraints should be key to anticipate the differences between these markets considering that the Technical Constrains are calculated between these two markets. This work is focused on the extraction, analysis and processing of the explanatory variables that will feed both the constraints volume forecasting model and the daily and intraday price delta forecasting model. These explanatory variables are the Technical Constrains reports published each day, the demand and generation forecasts, the coupled power of the combined cycles, the volume of Technical Constrains from the previous day, the geolocation of the Grid Unavailabilities and an estimation of the geolocation of the weather-dependent generation. Machine Learning models such as RF, KNN, RF and MLP are also developed using a large part of the explanatory variables.