Tesis doctorales de la Escuela Internacional de Doctorado de la URJC desde el curso 2024/25
Aplicaciones del Aprendizaje Estadístico a la predicción del Precio de la Energía Eléctrica
Autor
PÓRTOLES MARQUINA, FRANCISCO JAVIER
Director
MARTÍNEZ MOGUERZA, JAVIER
Codirector
UDÍAS MOINELO, ÁNGEL LUIS
Fecha de depósito
25-06-2025
Periodo de exposición pública
26 de junio a 9 de julio de 2025
Fecha de defensa
Sin especificar
Programa
Tecnologías de la información y las Comunicaciones (TICs)
Mención internacional
No
Resumen
El problema de la Predicción del Precio de la Electricidad o Electricity Price Forecasting (EPF) por sus siglas en inglés es un problema de gran complejidad que ha sido abordado de múltiples formas debido a su enorme interés social y económico. Conseguir un método fiable de predecir tal precio sigue siendo un problema abierto en el que llevan a cabo investigaciones de todo tipo buscando mejorar los métodos ya existentes e introducir nuevas estrategias que reduzcan el margen de error.
En esta tesis se ha llevado un estudio de EPF buscando encontrar formas de predecir el precio de la electricidad con una baja tasa de error. Para ello se han utilizado diferentes técnicas de aprendizaje estadístico: Regresión Lineal Múltiple, Random Forest (RF), Extreme Gradient Boosting Machines (XGBoost) y Support Vector Machines (SVM). Utilizar estas técnicas de aprendizaje estadístico siempre conduce al problema de establecer de una forma rigurosa y coherente los hiperparámetros de tales técnicas. En el caso de RF de XGBoost se ha estudiado cómo mejorar algoritmos de determinación de tales hiperparámetros ya existentes, y en el caso de SVM, y a partir de los estudios realizados contra diferentes conjuntos de datos de regresión, se ha creado un nuevo algoritmo para estimar el valor de tales hiperparámetros. Todos estos estudios han tenido en cuenta no sólo conseguir minimizar el error sino también que los tiempos de ejecución fueran lo suficientemente razonables como para permitir una ejecución práctica. Además se ha incluido una técnica que se adapte dinámicamente a la llegada de nuevos datos (que funcione de forma online y no batch como las técnicas anteriores) como es Dynamic Trees.
Para asegurar la completitud de los resultados y la coherencia de estos, todas las comparativas utilizadas en los estudios siempre han usado, para el mismo conjunto de datos, varios modelos de aprendizaje estadístico diferentes, comparándose no sólo entre ellos (los resultados obtenidos usando cada uno de esos modelos) sino también mediante comparativas internas dentro del propio modelo (para cada modelo, diferentes resultados usando diferentes configuraciones).
El resultado final indica que (1) el algoritmo desarrollado para encontrar los mejores hiperparámetros posibles para SVM funciona perfectamente, que (2) siempre es necesario usar varias técnicas para proporcionar un resultado completo y que (3) es pertinente utilizar técnicas dinámicas para la predicción de una serie temporal como la de la EPF.
