Un estudio reciente del Centro Común de Investigación (JRC) de la Comisión Europea propone un nuevo método que podría mejorar la precisión de las predicciones de los precios de la energía. Se trata de una innovadora técnica de filtrado que refina los datos históricos de precios antes de aplicar modelos de pronóstico. Esta técnica utiliza métodos estadísticos avanzados para detectar y ajustar fluctuaciones extremas de precios, preservando al mismo tiempo las tendencias esenciales del mercado eléctrico.
Los precios de la electricidad pueden fluctuar con variaciones diarias hasta 20 veces superiores a las de los mercados bursátiles y una volatilidad horaria superior al 1000%. Su volatilidad puede verse influenciada por numerosos factores, como los cambios en la demanda energética, la producción de energías renovables, la meteorología y las perturbaciones del mercado. Las empresas y los consumidores dependen de las predicciones para navegar en este mercado complejo, pero los modelos de pronóstico tradicionales tienen dificultades para hacer frente a variaciones extremas de precios.
Al permitir pronósticos más precisos, el nuevo enfoque del JRC podría respaldar la integración de la energía renovable y la estabilidad de los mercados de electricidad, ayudar a mitigar los riesgos financieros y contribuir a un futuro energético más resiliente y sostenible.
Gestión más inteligente de los datos para mejorar las predicciones
En el estudio se muestra que, al probarse durante un período de dos años en seis mercados eléctricos diferentes y con varios modelos de pronóstico, el nuevo método superó sistemáticamente a los enfoques tradicionales, reduciendo los errores promedio de pronóstico hasta en un 4%. Aunque pueda parecer un porcentaje insignificante, según los investigadores, incluso mejoras del 1% en las previsiones podrían traducirse en un ahorro de aproximadamente 1,3 millones de euros anuales para una empresa de servicios públicos de energía de tamaño medio.
Esta investigación destaca el potencial de una gestión más inteligente de los datos para mejorar la previsión de precios de la electricidad. Con costes computacionales razonables y una amplia aplicabilidad, el método ofrece una solución práctica para los desafíos energéticos del mundo real.