Interrelación de las variables independientes del precio del mercado diario de la electricidad

  1. Sara Jiménez del Caso 1
  2. Emilio López Cano 2
  3. Arturo Farfán Martín 1
  4. Javier Martínez Moguerza 3
  5. Crisina Sáez Blázquez 1
  1. 1 Universidad de Salamanca
    info

    Universidad de Salamanca

    Salamanca, España

    ROR https://ror.org/02f40zc51

  2. 2 Universidad de Castilla-La Mancha
    info

    Universidad de Castilla-La Mancha

    Ciudad Real, España

    ROR https://ror.org/05r78ng12

  3. 3 Universidad Rey Juan Carlos
    info

    Universidad Rey Juan Carlos

    Madrid, España

    ROR https://ror.org/01v5cv687

Revista:
DYNA energía y sostenibilidad

ISSN: 2254-2833

Año de publicación: 2017

Volumen: 6

Número: 1

Tipo: Artículo

DOI: 10.6036/ES8330 DIALNET GOOGLE SCHOLAR

Otras publicaciones en: DYNA energía y sostenibilidad

Resumen

En el presente artículo se muestran los resultados obtenidos del análisis estadístico realizado del precio del mercado diario y de todas las variables que tienen una correlación con el precio (tecnologías de producción, demanda y mercados). Dicho análisis constituye la base para la construcción de un modelo que realiza la predicción del precio del mercado mayorista de electricidad a cinco días. El modelo se ha desarrollado para un proyecto de marco europeo, el cual pretende proporcionar una herramienta que permita a los usuarios la gestión eficiente del consumo. El desarrollo mediante el software estadístico y lenguaje de programación R ha permitido usar técnicas de investigación reproducible, realizar trabajo en equipo en todas las fases del proyecto de forma integrada (conexión a bases de datos, visualización, análisis exploratorio, modelización, predicción), así como la parametrización de diferentes modelos lineales y selección automática de las variables que afectan a mercados y producción Además, la estructura temporal altamente volátil de los datos se ha abordado mediante una estrategia de "rolling horizon", resultando en una metodología que se adapta automáticamente a los nuevos datos y puede generar predicciones con niveles de error relativos por debajo del 10%.