💻 computer science

PriceFM: Foundation Model for Probabilistic Electricity Price Forecasting

Este artículo presenta PriceFM, un modelo fundacional probabilístico para la previsión de precios de la electricidad en Europa que aprovecha un conjunto de datos a gran escala de múltiples países e integra la topología de la red de transmisión mediante una máscara de grafo disperso para capturar eficazmente las dependencias interregionales y superar los modelos de referencia existentes.

Autores originales: Runyao Yu, Chenhui Gu, Jochen Stiasny, Qingsong Wen, Wasim Sarwar Dilov, Lianlian Qi, Jochen L. Cremer

Publicado 2026-05-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Runyao Yu, Chenhui Gu, Jochen Stiasny, Qingsong Wen, Wasim Sarwar Dilov, Lianlian Qi, Jochen L. Cremer

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mercado eléctrico europeo como un vecindario masivo e interconectado donde cada casa (o región) tiene su propio generador de energía, sus propios hábitos de consumo y su propio precio de etiqueta para la electricidad. A veces, el sol brilla intensamente en España, haciendo que la electricidad sea barata allí, mientras que un día tormentoso y nublado en Alemania encarece la energía. Debido a que las casas están conectadas por líneas eléctricas (líneas de transmisión), la electricidad puede fluir desde la casa barata hacia la cara, pero solo si los cables son lo suficientemente fuertes y no están demasiado congestionados.

El artículo introduce un nuevo "superpronosticador" llamado PriceFM. Imagina a PriceFM como un pronosticador meteorológico altamente experimentado que no solo mira el cielo sobre una sola casa, sino que entiende cómo el viento y el sol afectan a todo el vecindario, y cómo las líneas eléctricas que los conectan modifican el precio de la energía.

Aquí tienes un desglose de cómo funciona, utilizando analogías simples:

1. El Problema: Demasiados Vecinos, Demasiado Ruido

En el pasado, los pronosticadores intentaban predecir los precios de la electricidad observando solo una región a la vez (como adivinar el precio en Alemania sin saber qué está ocurriendo en Francia). Otros intentaron observar a todos a la vez, pero trataban a todos los vecinos como igualmente importantes.

El Defecto: Imagina intentar adivinar el precio de una casa en París. Si escuchas los chismes de una casa en un país diferente que está a 500 millas de distancia y no tiene una carretera directa a París, esa información probablemente sea solo ruido. Podría confundirte. Los modelos existentes eran así: escuchaban a todos, incluso a los vecinos lejanos que realmente no importaban, lo que hacía que sus predicciones fueran menos precisas.

2. La Solución: Un Mapa Inteligente (La "Máscara de Grafos")

PriceFM resuelve esto utilizando un mapa digital de las líneas eléctricas.

La Analogía: Imagina que estás en una habitación abarrotada. Para escuchar claramente a un amigo, te concentras en las personas que están justo a tu lado. Ignoras a las personas que gritan desde el otro lado del edificio.
Cómo lo hace PriceFM: Utiliza una "Máscara de Grafos Dispersa". Esto es como un filtro que dice: "Solo escucha a las regiones conectadas directamente a la región objetivo, o a aquellas que están a uno o dos pasos de distancia". Bloquea el "ruido" de las regiones distantes que no están conectadas físicamente por líneas eléctricas. Esto asegura que el modelo solo aprenda de los vecinos que realmente importan.

3. El Cerebro: Una "Mezcla de Expertos" (MoE)

El artículo menciona una capa de "Mezcla de Expertos".

La Analogía: Imagina un equipo de 38 especialistas diferentes, uno para cada región. Sin embargo, en lugar de contratar a 38 personas diferentes para hacer exactamente el mismo trabajo, PriceFM tiene un gerente inteligente (el "Enrutador").
Cómo funciona: Cuando el gerente ve datos de una región ventosa, pregunta al "Experto en Viento". Cuando ve datos de una región soleada, pregunta al "Experto en Sol". Algunas regiones son similares (como dos países vecinos con clima parecido), por lo que pueden compartir al mismo experto. Esto hace que el sistema sea eficiente e inteligente, permitiéndole aprender patrones de una región y aplicarlos a regiones similares sin confundirse.

4. El Conjunto de Datos: Una Biblioteca Gigante y Actualizada

Para entrenar este modelo, los autores construyeron una biblioteca masiva de datos.

La Escala: Recopilaron datos de 24 países (38 regiones diferentes) que cubren los años 2022 a 2026.
El Contenido: No son solo precios. Incluye pronósticos sobre cuánto electricidad usarán las personas (Carga), cuánto sol y viento estarán disponibles (Solar y Eólica), y los precios reales. Esto es como darle al modelo una historia completa del clima, los hábitos y las facturas del vecindario durante cuatro años seguidos.

5. El Resultado: Mejores Predicciones

Cuando probaron PriceFM contra otros modelos (incluyendo otros "modelos fundacionales" famosos por ser inteligentes en tareas generales de series temporales), PriceFM ganó.

¿Por qué? Porque no solo memorizó patrones; entendió las reglas físicas de la red eléctrica. Sabía que la electricidad fluye a través de cables, no a través del aire.
El Resultado: Predijo los precios con mayor precisión y, lo que es importante, ofreció un rango de precios posibles (pronóstico probabilístico) sin cometer errores lógicos (como predecir un precio "alto" que sea menor que el precio "bajo").

Resumen

PriceFM es una nueva herramienta para predecir los precios de la electricidad en Europa. Funciona mejor que las herramientas anteriores porque:

Utiliza un conjunto de datos enorme y fresco que cubre casi toda Europa.
Utiliza un filtro inteligente para ignorar a los vecinos lejanos e irrelevantes y centrarse solo en las regiones conectadas físicamente por líneas eléctricas.
Utiliza un equipo de especialistas (Mezcla de Expertos) para manejar los diferentes tipos de clima y necesidades energéticas en todo el continente.

El artículo afirma que esto conduce a predicciones más precisas, lo que ayuda a las empresas eléctricas y a los gobiernos a gestionar mejor la red a medida que dependen más de la energía renovable impredecible como la eólica y la solar.

Resumen Técnico: PriceFM – Modelo Base para la Predicción Probabilística de Precios de Electricidad

1. Planteamiento del Problema

La predicción probabilística precisa de los precios de la electricidad es crítica para las operaciones sostenibles de los sistemas de potencia, particularmente a medida que aumenta la penetración de energías renovables. El mercado eléctrico europeo presenta desafíos únicos debido a la alta variabilidad de la generación solar y eólica, la profunda integración del mercado y un sistema de transmisión físicamente interconectado.

Los enfoques existentes enfrentan dos limitaciones principales:

Falta de Modelado Espacial: La mayoría de los modelos se centran en mercados de una sola región (por ejemplo, Alemania) o tratan las regiones de forma independiente, fallando en capturar las interdependencias espaciales impulsadas por los intercambios de energía transfronterizos.
Priors de Grafos Inadecuados en Modelos Base: Si bien los modelos base recientes (por ejemplo, Chronos, TimesFM) sobresalen en la predicción general de series temporales, generalmente dependen de mecanismos de mezcla puramente basados en datos. No incorporan conocimiento previo explícito de la topología de transmisión. En consecuencia, pueden aprender inadvertidamente señales ruidosas de regiones topológicamente distantes, lo que lleva al sobreajuste y a una reducción de la generalización en sistemas interconectados.

El artículo argumenta que modelar explícitamente la estructura espacial del mercado europeo, restringida por las líneas de transmisión físicas, es esencial para una formación precisa de precios.

2. Metodología: PriceFM

Los autores proponen PriceFM, un modelo base probabilístico diseñado específicamente para los mercados eléctricos europeos. La arquitectura integra un mecanismo de proyección compartido con una máscara de grafo dispersa guiada por topología.

A. Fundamento de Datos

El modelo se basa en un conjunto de datos exhaustivo y consciente de las renovables que cubre 24 países europeos (38 regiones) desde el 1 de enero de 2022 hasta el 1 de enero de 2026.

Características: Precios de electricidad a día siguiente, previsiones de carga y previsiones de generación solar/eólica (suma de onshore y offshore).
Resolución: Todas las características se re-muestrean a una resolución de 15 minutos para alinearse con las normas del mercado de la UE en evolución.
Alcance: El conjunto de datos incluye aproximadamente 5,3 millones de registros, abordando la falta de datos estandarizados y a gran escala para el entrenamiento de modelos base.

B. Arquitectura del Modelo

PriceFM procesa entradas multi-región para producir previsiones multi-región, multi-paso temporal y multi-cuantil.

Capa de Proyección Compartida de Mezcla de Expertos (MoE):
- Para asegurar que las representaciones regionales sean comparables, el modelo mapea las entradas (precios y características exógenas) a un espacio de incrustación latente compartido.
- En lugar de asignar una capa densa única a cada una de las 38 regiones, se utiliza una MoE compartida. Esta capa consiste en un Experto de Fusión (que combina precios y características exógenas mediante adición residual) y un Enrutador de Ponderación (que selecciona dinámicamente los pesos de los expertos basándose en las características de entrada).
- Este diseño permite que las regiones con patrones similares compartan mecanismos de proyección mientras mantienen la flexibilidad.
Máscara de Grafo Dispersa Guiada por Topología:
- Esta es la innovación central que distingue a PriceFM de los modelos base genéricos.
- El modelo construye una máscara de grafo dispersa basada en la topología física de transmisión. Calcula la distancia del grafo (número de saltos de transmisión) entre una región de entrada y una región de salida objetivo utilizando Búsqueda en Anchura (BFS).
- Un hiperparámetro $\delta$ (corte de grado del grafo) limita la agregación a un vecindario acotado. Las regiones más allá de esta distancia se enmascaran (se les asigna 0), evitando que el modelo incorpore señales ruidosas de áreas topológicamente distantes.
- Las incrustaciones regionales se agregan mediante un promedio restringido por dispersión, actuando como un regularizador espacial.
Cabeza Jerárquica de Cuantiles:
- Para asegurar la consistencia probabilística y prevenir el cruce de cuantiles (donde los cuantiles superiores caen por debajo de los inferiores), el modelo emplea una cabeza jerárquica.
- Primero predice la trayectoria mediana ( $\tau=0.5$ ).
- Luego, los cuantiles superiores e inferiores se generan sumando o restando residuos no negativos (derivados mediante funciones de valor absoluto o ReLU) a la mediana. Esto garantiza la monotonicidad a través de los cuantiles.

C. Objetivo de Entrenamiento

El modelo se entrena utilizando Pérdida de Cuantil Promedio (AQL) a través de múltiples regiones, pasos temporales y cuantiles.

3. Contribuciones Clave

Lanzamiento de Conjunto de Datos: Introducción del conjunto de datos abierto más grande y diverso hasta la fecha para los mercados eléctricos europeos, que cubre 38 regiones durante un período de 4 años con características conscientes de las renovables.
Marco PriceFM: Un modelo base probabilístico novedoso que integra priors de topología de transmisión en una arquitectura base de series temporales. Soporta predicción multi-región, multi-paso temporal y multi-cuantil.
Evaluación Exhaustiva: Experimentos extensos que comparan PriceFM con baselines ingenuas, modelos de series temporales puros, modelos basados en grafos y modelos base genéricos (por ejemplo, Chronos, Moirai, TimesFM).

4. Resultados Experimentales

Los autores evaluaron PriceFM utilizando una evaluación rodante de 3 pliegues y una estrategia "leave-one-region-out" (dejar una región fuera) de cero disparos (zero-shot).

vs. Modelos Ingenuos: PriceFM superó significativamente a las bases estacionales ingenuas, reduciendo el AQL en un 62.1%, el MAE en un 35.3% y el RMSE en un 31.3%.
vs. Modelos de Series Temporales: PriceFM superó a la mejor base de series temporales puras (TimesNet) en un 37.6% en AQL, demostrando la necesidad de un sesgo inductivo espacial explícito.
vs. Modelos de Grafos: PriceFM mejoró a la mejor base de grafos (GraphConv) en un 12.3% en AQL. Los autores atribuyen esto al mecanismo de enmascaramiento disperso, que mitiga el riesgo de sobreajuste asociado con las GNN puramente basadas en datos que propagan señales de regiones débilmente relacionadas.
vs. Modelos Base Genéricos: En un escenario de cero disparos "leave-one-region-out", PriceFM redujo el AQL en un 14.7% en comparación con el modelo base genérico más fuerte (Chronos[2.0]). Esto sugiere que el preentrenamiento de dominio amplio es insuficiente para capturar las dependencias espaciales específicas de los mercados eléctricos interconectados sin priors de grafo explícitos.
Cruce de Cuantiles: PriceFM logró una Tasa de Cruce de Cuantiles (AQCR) del 0.00%, mientras que muchas bases mostraron tasas de cruce no nulas.

Estudios de Ablación confirmaron que:

Un corte de grado de grafo de $\delta=0$ (usando solo datos locales) fue óptimo para algunas regiones (por ejemplo, Alemania, Francia), mientras que otras se beneficiaron de información vecinal.
El uso de 4 expertos ( $M=4$ ) en la capa MoE fue suficiente.
Eliminar la máscara guiada por topología o reemplazarla con una máscara aleatoria causó una caída significativa en el rendimiento, validando la importancia del prior de la red física.

5. Significado y Afirmaciones

El artículo afirma que PriceFM proporciona una herramienta escalable y consciente de la incertidumbre para los sistemas de potencia que enfrentan una creciente penetración de renovables. Su importancia radica en:

Cerrar la Brecha: Integrar con éxito restricciones físicas específicas del dominio (topología de transmisión) en el paradigma de modelos base, que anteriormente dependía de enfoques puramente basados en datos.
Generalización: Demostrar capacidades de generalización superiores, particularmente en escenarios de cero disparos para regiones no vistas, lo cual es crucial para mercados donde los datos de entrenamiento completos pueden ser limitados.
Valor Operativo: Al modelar conjuntamente la solar, eólica, carga, precios e interacciones inducidas por la topología, el marco apoya una mejor toma de decisiones para la integración de renovables y la operación flexible de la red.

Los autores señalan que el marco es adaptable; si la red física de transmisión evoluciona, el modelo puede reentrenarse simplemente actualizando la matriz de adyacencia mientras se mantiene el flujo de trabajo general sin cambios. También sugieren que el trabajo futuro podría explorar esquemas de ponderación espacial alternativos basados en características socioeconómicas o del sistema.