Curso de IA aplicada a predicción de precios eléctricos

6. Predicción de Precios Eléctricos con IA: Modelos, Análisis y Estrategias de Optimización

• Fundamentos de la Predicción de Precios Eléctricos:
• Comprender la dinámica del mercado eléctrico.
• Identificar los factores clave que influyen en los precios: demanda, oferta, generación, almacenamiento y regulaciones.
• Explorar diferentes tipos de mercados eléctricos y sus particularidades.
• Modelado de Series Temporales:
• Aplicar técnicas de análisis de series temporales para comprender y modelar los precios de la electricidad.
• Utilizar métodos como ARIMA, Exponential Smoothing y modelos de espacio-estado.
• Preprocesamiento y limpieza de datos de series temporales.
• Evaluación de la precisión de los modelos y selección del mejor modelo.
• Introducción a la Inteligencia Artificial (IA) para la Predicción:
• Conceptos básicos de machine learning y deep learning.
• Selección de algoritmos de IA adecuados para la predicción de precios eléctricos: redes neuronales, árboles de decisión, SVM, etc.
• Entrenamiento, validación y prueba de modelos de IA.
• Modelos de IA Avanzados para la Predicción de Precios:
• Implementación y ajuste de redes neuronales recurrentes (RNNs) y LSTM (Long Short-Term Memory) para capturar las dependencias temporales en los datos.
• Aplicación de modelos Transformer para el análisis de series temporales y la predicción de precios eléctricos.
• Uso de modelos de aprendizaje automático basados en árboles (Random Forest, Gradient Boosting) y su adaptación a la predicción de precios.
• Análisis de Datos y Feature Engineering:
• Selección y diseño de variables predictivas (features) relevantes: clima, consumo, generación renovable, etc.
• Ingeniería de características (feature engineering) para mejorar la precisión del modelo.
• Análisis de la importancia de las variables y su impacto en las predicciones.
• Estrategias de Optimización y Toma de Decisiones:
• Desarrollo de estrategias de optimización basadas en la predicción de precios.
• Optimización de la compra y venta de energía.
• Gestión de riesgos y estrategias de cobertura.
• Integración de modelos de predicción en sistemas de gestión de energía y trading.
• Evaluación y Validación de Modelos:
• Métricas de evaluación de modelos: MAE, MSE, RMSE, MAPE.
• Validación cruzada y técnicas de evaluación para asegurar la robustez de los modelos.
• Análisis de la sensibilidad y la incertidumbre de las predicciones.
• Caso de Estudio y Aplicaciones Prácticas:
• Análisis de casos reales y aplicaciones de la predicción de precios eléctricos en la industria.
• Estudios de caso sobre optimización de la generación, el almacenamiento y el trading de energía.
• Discusión sobre las tendencias futuras y el papel de la IA en el mercado eléctrico.