Regime-Aware Conditional Neural Processes with Multi-Criteria Decision Support for Operational Electricity Price Forecasting

Este trabajo propone un modelo de procesos neuronales condicionales conscientes del régimen (R-NP) que combina la detección bayesiana de regímenes con redes neuronales para predecir precios eléctricos en Alemania, demostrando mediante un análisis TOPSIS de múltiples criterios que, aunque otros modelos pueden ofrecer mejores resultados aislados, el R-NP proporciona la solución más equilibrada y preferible para la optimización operativa de baterías en los mercados de 2021 a 2023.

Lo esencial

Imagina que el mercado de la electricidad es como el clima, pero en lugar de lluvia y sol, tenemos precios que suben y bajan salvajemente. En Alemania, con tanta energía eólica y solar, este "clima" es muy inestable: a veces hay un sol radiante (demasiada energía renovable y precios bajos), y a veces una tormenta repentina (poca energía y precios que se disparan).

Los expertos intentan predecir este clima para que las baterías (como grandes "termos" de energía) sepan cuándo cargar y cuándo descargar para ganar dinero. El problema es que los modelos antiguos son como un meteorólogo que solo mira el calendario: asumen que el clima de hoy será igual al de ayer. Pero en la vida real, el clima cambia de repente.

Aquí es donde entra este paper, que propone una solución inteligente llamada R-NP. Vamos a desglosarlo con analogías sencillas:

1. El Problema: No todos los días son iguales

Imagina que intentas aprender a conducir.

• Un día es un domingo tranquilo en una carretera vacía (precios estables).
• Otro día es un sábado de lluvia en una autopista llena de tráfico (precios volátiles).
• Otro día es una carrera de Fórmula 1 (precios extremos y caóticos).

Si usas el mismo "manual de conducción" para los tres días, te saldrás de la carretera. Los modelos antiguos (como el DNN o LEAR mencionados en el texto) intentan aprender una sola regla para todos los días. Funcionan bien en días normales, pero se confunden cuando el mercado cambia drásticamente.

2. La Solución: El "Detective de Regímenes" (DS-HDP-HMM)

Los autores crearon un detective (llamado DS-HDP-HMM) que vigila el mercado las 24 horas.

• Este detective no sabe de antemano cuántos "tipos de clima" existen.
• Observa los precios y dice: "¡Ah! Hoy es un día de 'Tormenta' (Regímen A), mañana será un día de 'Calma' (Regímen B), y pasado mañana es un día de 'Fiesta' (Regímen C)".
• Lo genial es que el detective aprende solo cuántos tipos de días hay. No necesita que tú se lo digas. Si aparece un nuevo tipo de día raro, el detective lo descubre y crea una nueva categoría.

3. Los "Mecánicos Especializados" (Conditional Neural Processes)

Una vez que el detective identifica qué tipo de día es hoy, llama al mecánico especializado para ese tipo de clima.

• Si es un día de "Tormenta", llama al mecánico experto en tormentas.
• Si es un día de "Calma", llama al experto en días tranquilos.

Cada mecánico (un modelo de Inteligencia Artificial llamado CNP) solo ha practicado con ese tipo de día. Por eso, sus predicciones son mucho más precisas que las de un mecánico generalista que intenta adivinar todo. Además, estos mecánicos son honestos: si no están seguros, te dicen "Oye, hay mucha incertidumbre, ten cuidado". Esto es vital para no perder dinero.

4. La Prueba de Fuego: ¿Ganar dinero o solo acertar?

Aquí viene la parte más interesante. Los autores se dieron cuenta de algo curioso: A veces, acertar el precio exacto no es lo más importante para ganar dinero.

Imagina que tienes un coche de carreras:

• Modelo A (LEAR): A veces adivina mal el precio exacto, pero siempre sabe cuándo es el momento perfecto para frenar o acelerar. Resultado: Gana mucho dinero.
• Modelo B (DNN): Adivina el precio casi perfecto, pero a veces se confunde en los momentos críticos y pierde oportunidades. Resultado: Gana menos dinero.
• Tu Modelo (R-NP): Es el equilibrio perfecto. Adivina bien, sabe cuándo cambiar de estrategia y, lo más importante, sabe cuándo tener miedo (gestión del riesgo).

5. El Juez Final: TOPSIS (El "Oscar" de los modelos)

Como no hay un solo ganador claro (uno gana en precio, otro en riesgo, otro en costos), los autores usaron un método llamado TOPSIS.

• Imagina un jurado que da puntos por: "¿Qué tan preciso fue?", "¿Cuánto dinero ganó?", "¿Qué tan seguro fue?".
• El jurado no elige al que tiene el precio más exacto, sino al que tiene el mejor balance general.

El veredicto:

• En 2021, el modelo antiguo (LEAR) ganó por poco.
• Pero en 2022 y 2023 (años de mucha volatilidad y cambios), tu modelo R-NP se llevó el trofeo. Fue el más equilibrado y el que mejor ayudó a tomar decisiones reales en un mercado caótico.

En resumen

Este paper nos dice que para predecir el precio de la electricidad en el futuro, no basta con tener una bola de cristal muy precisa. Necesitas un sistema inteligente que:

1. Reconozca cuándo el mercado cambia de personalidad (detecta el "clima").
2. Use expertos diferentes para cada tipo de clima.
3. Sepa cuándo arriesgarse y cuándo ser conservador.

Al final, el modelo R-NP es como un capitán de barco experimentado: no solo mira el mapa (predicción), sino que siente el viento, ajusta las velas según la tormenta y asegura que el barco llegue a puerto con la máxima carga posible, incluso cuando el mar está revuelto.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título del Trabajo

Procesos Neuronales Condicionales Conscientes del Régimen con Soporte de Decisión Multicriterio para la Predicción Operativa de Precios de Electricidad

1. El Problema

El mercado de la electricidad, especialmente en Alemania, ha experimentado cambios estructurales significativos debido a la descarbonización y la integración masiva de fuentes de energía renovable (eólica y solar). Esto ha introducido:

• No estacionariedad y cambios de régimen: Los precios de la electricidad ya no siguen distribuciones estables; presentan saltos bruscos, volatilidad extrema y comportamientos no lineales impulsados por factores exógenos (clima, políticas regulatorias, oferta/demanda).
• Limitaciones de los modelos existentes: Los modelos tradicionales (ARIMA, GARCH) asumen estacionariedad o estructuras paramétricas fijas que no capturan bien los cambios de régimen. Los modelos de aprendizaje profundo globales (como DNN o LSTM) tienden a realizar un "promedio de modos" (mode averaging), suavizando las dinámicas específicas de cada régimen y fallando en identificar puntos de inflexión críticos.
• Brecha entre precisión y utilidad operativa: Una alta precisión en la predicción de precios (bajo error cuadrático medio) no siempre se traduce en decisiones operativas óptimas (maximización de beneficios o minimización de costos) para sistemas de almacenamiento de energía (BESS). Un modelo con errores menores en momentos de alto impacto de mercado puede ser más valioso que uno con menor error global pero que falla en los momentos críticos.

2. Metodología

Los autores proponen un marco híbrido que combina la detección de regímenes no supervisada con el aprendizaje profundo probabilístico, evaluado mediante optimización operativa y toma de decisiones multicriterio.

A. Detección de Regímenes (DS-HDP-HMM)

• Se utiliza un Modelo Oculto de Markov Jerárquico con Proceso de Dirichlet Desentrelazado y Pegajoso (DS-HDP-HMM).
• Ventajas: A diferencia de los HMM tradicionales, este modelo bayesiano no paramétrico:
  • Aprende automáticamente el número de regímenes sin especificación previa.
  • Incorpora un mecanismo "pegajoso" (sticky) para modelar la persistencia temporal de los regímenes (evita cambios de estado demasiado frecuentes).
  • Utiliza un enfoque "desentrelazado" para controlar independientemente la persistencia del estado y la diversidad de las transiciones.
• El modelo segmenta la serie temporal de precios en regímenes latentes (ej. precios estables, picos de precios, precios negativos).

B. Predicción por Régimen (Conditional Neural Processes - CNP)

• Una vez identificados los regímenes, se entrena un Proceso Neuronal Condicional (CNP) independiente para cada régimen.
• Los CNP son modelos de meta-aprendizaje que aprenden un mapeo estocástico desde el contexto histórico hacia la distribución futura de precios.
• Beneficio: Cada CNP se especializa en las dinámicas estadísticas de su régimen específico, evitando el problema de promediar modos y proporcionando cuantificación de incertidumbre intrínseca (distribuciones de probabilidad).

C. Agregación Probabilística

• Las predicciones de los múltiples CNP se combinan mediante una mezcla ponderada de Gaussianas.
• Los pesos se calculan utilizando un clasificador (MLP) que estima la probabilidad de que una nueva entrada de datos pertenezca a cada régimen, permitiendo una predicción final que considera la incertidumbre sobre el régimen activo.

D. Evaluación Operativa y MCDM

• Las predicciones se integran en cuatro estrategias de optimización para baterías (BESS):
  1. Arbitraje de precios (maximización de beneficios).
  2. Arbitraje con aversión al riesgo (penalización por incertidumbre).
  3. Soporte a la red e integración renovable (carga/descarga basada en generación solar y carga residual).
  4. Minimización de costos para cargas fijas.
• TOPSIS: Dado que no existe un único modelo superior en todas las métricas (precisión vs. beneficio operativo), se utiliza la técnica TOPSIS (Técnica para el Orden de Preferencia por Similitud a la Solución Ideal) para clasificar los modelos basándose en múltiples criterios simultáneamente (errores de predicción, beneficios reales, costos, etc.).

3. Contribuciones Clave

1. Arquitectura Híbrida Innovadora: Integración exitosa de DS-HDP-HMM para la detección de regímenes no supervisada con CNP para la predicción probabilística específica de cada régimen.
2. Evaluación Operativa Holística: Demostración empírica de que la precisión de la predicción bruta no es el único indicador de éxito; se evalúa el valor real de los modelos mediante su capacidad para generar beneficios en estrategias de almacenamiento de energía.
3. Marco de Decisión Multicriterio: Aplicación rigurosa de TOPSIS para resolver el conflicto entre modelos que tienen alta precisión estadística pero menor rendimiento operativo, y viceversa.
4. Cuantificación de Incertidumbre: Provee distribuciones de probabilidad completas (no solo puntos), esenciales para la gestión de riesgos en mercados energéticos volátiles.

4. Resultados

El estudio se validó con datos del mercado eléctrico alemán de 2021 a 2023, comparando el modelo propuesto (R-NP) contra un DNN (Red Neuronal Profunda) y un modelo LEAR (Auto-regresivo estimado con Lasso).

• Precisión de Predicción:
  • En años de alta volatilidad (2023), R-NP logró los errores más bajos (MAE y RMSE), superando a LEAR y a DNN.
  • En años estables (2021), DNN mostró un rendimiento ligeramente superior en métricas de error puntual, pero R-NP mantuvo una calibración estadística superior.
  • R-NP demostró una excelente capacidad de cuantificación de incertidumbre (PICP y MPIW), algo que los modelos DNN y LEAR no ofrecen nativamente.
• Rendimiento Operativo:
  • LEAR a menudo obtuvo los beneficios absolutos más altos o los costos más bajos en escenarios específicos (ej. 2021), a pesar de tener errores de predicción más altos. Esto sugiere que sus errores ocurrieron en momentos de bajo impacto o que su estructura lineal se ajustó bien a ciertas dinámicas de arbitraje.
  • DNN mostró optimidad excepcional en contextos específicos de minimización de costos (ej. 2022).
  • R-NP no siempre fue el líder en beneficios brutos, pero ofreció el mejor equilibrio entre precisión, gestión de riesgo y adaptabilidad.
• Ranking TOPSIS:
  • En 2021, LEAR fue el modelo mejor clasificado.
  • Sin embargo, R-NP emergió como la solución más equilibrada y preferida para 2022 y 2023, obteniendo las puntuaciones TOPSIS más altas. Esto indica que R-NP es más robusto ante condiciones de mercado cambiantes y complejas.

5. Significado e Impacto

• Valor Práctico: El trabajo demuestra que para la operación de activos energéticos flexibles (como baterías), es crucial utilizar modelos que no solo predigan precios, sino que capturen la estructura latente del mercado (regímenes) y proporcionen incertidumbre cuantificada.
• Toma de Decisiones: Introduce un cambio de paradigma en la evaluación de modelos de predicción: pasar de métricas univariadas (como RMSE) a evaluaciones multicriterio que consideran el impacto económico real de las decisiones derivadas de las predicciones.
• Adaptabilidad: La capacidad del modelo para aprender dinámicamente nuevos regímenes sin reentrenamiento manual lo hace ideal para mercados energéticos en rápida evolución debido a la transición energética y cambios regulatorios.

En conclusión, el modelo R-NP propuesto ofrece una solución superior para la planificación operativa en mercados de electricidad volátiles, logrando un equilibrio óptimo entre precisión estadística y utilidad económica real, validado mediante un riguroso marco de decisión multicriterio.