Autor: SEBASTIÁN MARTÍNEZ CAVA, Carlos

Título: Forecasting Methods under Shifting Conditions : Application to Electricity Markets

Fecha: 2025

Materia: ---

Escuela: E.T.S. DE INGENIEROS INDUSTRIALES

Departamento: MATEMATICA APLICADA A LA INGENIERIA INDUSTRIAL

Acceso electrónico: https://oa.upm.es/90684/

Director/a(s):

• Director/a: GONZÁLEZ GUILLÉN, Carlos Eduardo
• Director/a: JUAN RUIZ, Jesús

Resumen: Electricity price forecasting in the Day-Ahead Market is critical for companies in the electricity sector, as it directly affects operational and strategic decisions. This process is even more relevant in the context of the energy transition, where decarbonization is transforming market dynamics. Renewable sources introduce high variability and uncertainty in prices due to their dependence on meteorological factors. In addition, socioeconomic and regulatory factors add further complexity to price prediction. Industry and academia have shown a growing interest in developing advanced models to address these particularities of the electricity market, which presents unique phenomena such as extreme price peaks or even negative prices, rarely observed in other commodity markets. In this constantly changing environment, it is crucial to develop predictive models capable of adapting to these new dynamics. The main objective of this thesis is to build a comprehensive decision-making scheme based on predictive models that address the complexities of the electricity market. To this end, three lines of research have been developed: feature selection in changing environments, point price prediction and probabilistic price prediction, each with its particular challenges and contributions. Feature selection in shifting environments is a complex challenge that the literature has dealt only to a limited extent. In volatile electricity markets, the relationships between explanatory features, such as renewable production or demand, and the electricity price, are constantly evolving, making it difficult to identify the most relevant factors. This thesis proposes a methodology that outperforms state-of-the-art techniques, improving price prediction accuracy in high volatility scenarios. Moreover, the robustness of the approach is demonstrated in alternative contexts beyond electricity markets, underscoring is broad applicability. Point forecasting is the traditional perspective in time series forecasting and remains essential for operational decision making. However, in the electricity market, the robustness of models to different market regimes is crucial, especially in times of high uncertainty. In this thesis we introduce a new point forecasting methodology validated across different European electricity markets and in different time periods, substantially improving performance in volatile contexts and, in particular, in the Spanish market. Probabilistic forecasting is crucial to provide a measure of the uncertainty associated with the predictions, facilitating better decision making. This thesis presents a novel approach based on quantile regression and Conformal Prediction. The development of a novel conformal algorithm ensures prediction coverage, providing prediction intervals that allow market players to make decisions based on a pre-specified confidence level. Furthermore, this new approach is designed to facilitate its implementation in the industry, since it only requires having different point forecasts of the event of interest and the generated intervals have specific properties that make them suitable to serve as decision support tools. This methodology has been validated on a synthetic controlled example and also with data from the Spanish Day-Ahead Market. RESUMEN La predicción del precio de la electricidad en el Mercado Diario es fundamental para las empresas del sector eléctrico, ya que afecta directamente decisiones operativas y estratégicas. Este proceso es aún más relevante en el contexto de la transición energética, en el que la descarbonización está transformando la dinámica del mercado. Las fuentes de energía renovables introducen alta variabilidad e incertidumbre en los precios debido a su dependencia de factores meteorológicos. Además, factores socioeconómicos y regulatorios añaden una mayor complejidad a la predicción de precios. Industria y academia han mostrado un creciente interés en desarrollar modelos avanzados para abordar estas particularidades del mercado eléctrico, que presenta fenómenos únicos como picos de precios extremos o incluso precios negativos, raramente observados en otros mercados de commodities. En este entorno de cambio constante, es crucial desarrollar modelos predictivos capaces de adaptarse a estas nuevas dinámicas. El principal objetivo de esta tesis es construir un esquema integral de toma de decisiones basado en modelos predictivos que aborden las complejidades del mercado eléctrico. A tal fin, se han desarrollado tres líneas de investigación: la selección de variables en entornos cambiantes, la predicción puntual del precio y la predicción probabilística del precio, cada una con sus retos y contribuciones particulares. La selección de variables en entornos cambiantes es un desafío complejo que la literatura ha tratado de forma limitada. En mercados eléctricos volátiles, las relaciones entre las variables explicativas, como la producción renovable o la demanda, y el precio de la electricidad, evolucionan constantemente, lo que dificulta identificar los factores más relevantes. Esta tesis propone una metodología que supera las técnicas estado del arte, mejorando la precisión en la predicción del precio en escenarios de alta volatilidad. Además, se demuestra la robustez de la aproximación en contextos alternativos independientes del mercado eléctrico, remarcando así la aplicabilidad en diferentes dominios. La predicción puntual es la perspectiva tradicional en la predicción de series temporales y sigue siendo esencial para la toma de decisiones operativas. No obstante, en el mercado eléctrico, la robustez de los modelos ante los distintos regímenes de mercado es crucial, sobre todo en épocas de gran incertidumbre. En esta tesis se introduce una nueva metodología de predicción puntual validada a través de diversos mercados eléctricos europeos y en diferentes periodos temporales, mejorando sustancialmente el rendimiento en contextos volátiles y, en particular, en el mercado español. La predicción probabilística es crucial para ofrecer una medida de la incertidumbre asociada a las predicciones, facilitando una mejor toma de decisiones. Esta tesis presenta un enfoque novedoso basado en regresión cuantílica y predicciones conformales. El desarrollo de un novedoso algoritmo conformal asegura cobertura de las predicciones, proporcionando intervalos de predicción que permiten a los actores del mercado tomar decisiones fundamentadas en un nivel de confianza preespecificado. Además, este nuevo enfoque está diseñado para facilitar su implementación en la industria, ya que solo requiere disponer de diferentes predicciones puntuales del evento de interés y los intervalos generados cuentan con propiedades específicas que los hacen idóneos para servir como herramientas de apoyo en la toma de decisiones. Esta metodología ha sido validada sobre un ejemplo sintético controlado y también con datos del Mercado Diario español.