Stealing Accuracy: Predicting Day-ahead Electricity Prices with Temporal Hierarchy Forecasting (THieF)

Este artículo presenta el pronóstico de jerarquía temporal (THieF) para predecir los precios de la electricidad al día siguiente, demostrando que la reconciliación de pronósticos de productos horarios y bloques mejora la precisión hasta en un 13% en los mercados alemán y español, independientemente del modelo utilizado.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una receta secreta para predecir el precio de la electricidad, pero en lugar de usar ingredientes mágicos, usan un truco matemático muy inteligente llamado THieF (que suena a "ladrillo" en inglés, pero aquí significa algo mucho más positivo).

Aquí tienes la explicación en español, sencilla y con analogías:

🌩️ El Problema: Predecir el clima de la electricidad

Imagina que eres un comerciante de electricidad. Necesitas saber mañana cuánto costará la energía hora por hora.

• Si solo miras la hora 8:00 AM, podrías tener una idea.
• Si miras la hora 9:00 AM, otra idea.
• Pero si miras el promedio de todo el día, tienes una tercera idea.

El problema es que a veces estas tres ideas no coinciden. Es como si un meteorólogo dijera: "A las 8:00 lloverá", otro dijera "A las 9:00 hará sol", y un tercero dijera "El día será nublado". Si tomas decisiones basadas en estas predicciones contradictorias, puedes perder mucho dinero.

🧩 La Solución: El "Rompecabezas Temporal" (THieF)

Los autores de este estudio (de Polonia y Suecia) descubrieron un truco genial llamado THieF (Forecasting Temporal Hierarchy).

Imagina que tienes que predecir el precio de la electricidad para mañana. En lugar de hacer una sola predicción para cada hora (24 predicciones separadas), hacen esto:

1. Miran el detalle: Predicen el precio hora por hora (como ver las piezas sueltas de un rompecabezas).
2. Miran bloques: Predicen el precio de bloques de tiempo (por ejemplo, el promedio de las primeras 4 horas, o de las últimas 12 horas).
3. Miran el todo: Predicen el promedio de todo el día.

La magia ocurre cuando "reconcilian" (armonizan) estas predicciones.

Piensa en esto como un equipo de arquitectos:

• Un arquitecto dibuja los planos de una sola habitación (la hora 1).
• Otro dibuja el plano de todo el piso (las 4 horas).
• Otro dibuja el plano de todo el edificio (el día completo).

Antes, cada uno trabajaba en su oficina sin hablar. A veces, el plano del piso no encajaba con el de la habitación.
THieF es la reunión del equipo. Se sientan, comparan sus planos y ajustan los detalles para que todo encaje perfectamente. Si el plano del día completo dice que el edificio debe ser alto, ajustan la habitación individual para que no sea demasiado baja.

📊 ¿Qué descubrieron?

Los autores probaron este método en dos mercados grandes (Alemania y España) durante 4 años, que fueron años muy difíciles (con la pandemia, la guerra en Ucrania y precios de gas locos). Usaron desde modelos matemáticos simples hasta "cerebros de inteligencia artificial" muy avanzados.

Los resultados fueron sorprendentes:

• Mejora en todos lados: Al usar este método de "armonizar", los errores de predicción bajaron drásticamente.
• El premio gordo: Cuanto más grande era el bloque de tiempo (por ejemplo, predecir el precio de todo el día o de bloques de 12 horas), mayor era la mejora. ¡Hasta un 13% más de precisión!
• Funciona para todos: No importa si usas un modelo simple (como una línea recta) o una inteligencia artificial compleja (como un "transformador" de Amazon). El truco de THieF mejora a todos por igual.

💡 ¿Por qué es importante esto?

En el pasado, el mercado de electricidad solo vendía energía hora por hora. Pero ahora, los mercados europeos están cambiando: venden bloques de energía (paquetes de horas) porque es más fácil para los grandes consumidores comprar así.

Antes, si querías predecir el precio de un bloque de 12 horas, tenías que adivinarlo. Ahora, con THieF, puedes usar la información de las 24 horas individuales para calcular el precio del bloque de 12 horas con mucha más precisión.

🚀 En resumen

Imagina que estás intentando adivinar el precio de la electricidad.

• Sin THieF: Es como intentar armar un rompecabezas mirando solo una pieza a la vez y sin ver la imagen de la caja. A veces las piezas no encajan.
• Con THieF: Es como tener la imagen de la caja, ver las piezas individuales, ver los grupos de piezas y luego unir todo para que el rompecabezas quede perfecto.

La conclusión: No necesitas un superordenador ni un genio matemático para mejorar tus predicciones; solo necesitas conectar tus predicciones de diferentes escalas de tiempo. Es un truco barato, rápido y que hace que las decisiones de compra y venta sean mucho más inteligentes.

Resumen técnico

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

Título: Robustez de la precisión: Predicción de precios de electricidad a un día con pronósticos de jerarquía temporal (THieF)

1. Problema

Las decisiones operativas en los mercados de electricidad a menudo requieren pronósticos a corto plazo a diferentes niveles de granularidad (por ejemplo, precios por hora, bloques de 2-24 horas y precios basales diarios).

• Desalineación: Los modelos que predicen productos horarios y los que predicen promedios diarios o bloques suelen utilizar conjuntos de información diferentes y pueden generar pronósticos que no son coherentes entre sí. Esta falta de alineación puede llevar a decisiones subóptimas en el comercio y la operación de la red.
• Brecha de investigación: Aunque la reconciliación de pronósticos y la jerarquía temporal (THieF) han ganado popularidad en la última década, su aplicación en la predicción de precios de electricidad (EPF) ha sido inexistente. La literatura se ha centrado principalmente en la carga eléctrica o la generación renovable, pero no en la complejidad de los precios.

2. Metodología

El estudio introduce y evalúa el concepto de Pronóstico de Jerarquía Temporal (THieF) aplicado a precios de electricidad. El enfoque se basa en tres pasos fundamentales:

1. Construcción de series temporales agregadas: Se crean series temporales no superpuestas a diferentes niveles de agregación (horas individuales, bloques de 2h, 3h, 4h, 6h, 8h, 12h y 24h/baseload).
2. Generación de pronósticos base: Se generan pronósticos independientes para cada nivel de la jerarquía utilizando cuatro clases de modelos con arquitecturas diversas:
   • ARX (Regresión Lineal): Un modelo experto parsimonioso basado en regresión lineal con variables exógenas.
   • NARX (Red Neuronal No Lineal): Una red neuronal feedforward superficial (5 neuronas) con arquitectura serie-paralelo.
   • XGB (Gradient Boosting): Un ensemble de árboles de decisión (eXtreme Gradient Boosting) con optimización de hiperparámetros.
   • Mitra (Transformador): Un modelo fundacional de tablas preentrenado de Amazon (AutoGluon) basado en una arquitectura de transformador de 12 capas y 72 millones de parámetros, utilizado en modo zero-shot (sin ajuste fino).
3. Reconciliación: Se combinan los pronósticos base utilizando la matriz de sumación $S$ y una estimación de la matriz de covarianza de los errores de pronóstico ($W$). Se utiliza un estimador de covarianza regularizado (modelo de correlación constante de Ledoit y Wolf) para manejar la alta dimensionalidad (matriz 60x60) y el tamaño de la muestra limitado. La fórmula de reconciliación minimiza el error cuadrático medio ponderado, permitiendo pesos negativos para mejorar la precisión.

Datos y Entorno:

• Mercados: EPEX-DE (Alemania) y OMIE (España).
• Periodo de prueba: 4 años (2021-2024), un periodo desafiante que incluye la pandemia, la invasión rusa a Ucrania y la crisis energética.
• Características: Se utilizan 20 características por bloque, incluyendo precios rezagados, carga y generación eólica pronosticada, y futuros de carbón y gas.

3. Contribuciones Clave

• Primera aplicación de THieF en EPF: Es el primer estudio que aplica la jerarquía temporal específicamente a la predicción de precios de electricidad, llenando una brecha significativa en la literatura.
• Validación con Modelos Fundacionales: Los autores son los primeros en utilizar un modelo fundacional preentrenado (Mitra/Transformador) no solo para EPF, sino también dentro de un marco de jerarquía temporal.
• Robustez Arquitectónica: Demuestran que la reconciliación mejora la precisión independientemente de la complejidad del modelo base, desde regresiones lineales simples hasta transformadores masivos.
• Análisis de Costo-Beneficio: Establecen que el costo computacional de la reconciliación es marginal en comparación con la ganancia de precisión, haciéndolo viable para la práctica diaria.

4. Resultados

Los experimentos muestran mejoras consistentes y estadísticamente significativas en la precisión de los pronósticos tras la reconciliación:

• Mejoras en Precisión:
  • Alemania (EPEX-DE): Mejoras promedio de hasta 5.5% en error absoluto medio (MAE) para precios horarios y hasta 13.4% para precios basales (24h). El modelo XGB obtuvo los mayores beneficios.
  • España (OMIE): Mejoras consistentes, aunque ligeramente menores que en Alemania, con ganancias de hasta 4.8% en MAE para XGB.
• Tendencia por Bloque: Las ganancias de precisión aumentan a medida que crece el tamaño del bloque de agregación (de 1h a 24h). Esto es crucial dado el aumento de productos de bloques en los mercados europeos.
• Significancia Estadística: La prueba multivariante de Diebold-Mariano confirmó que los pronósticos reconciliados son significativamente más precisos que los no reconciliados en la mayoría de los casos (nivel de significancia del 1% en Alemania y 5% en la mayoría de los casos en España).
• Robustez Temporal: Las mejoras se mantuvieron estables a lo largo de los 4 años de prueba, incluso durante periodos de alta volatilidad y crisis energética.

5. Significado e Implicaciones

• Relevancia Práctica: Con la transición de los mercados europeos a intervalos de trading de 15 minutos (96 productos diarios), la complejidad del comercio aumenta. La reconciliación temporal se vuelve esencial para alinear las decisiones de trading de bloques con los pronósticos horarios.
• Eficiencia Computacional: El costo computacional adicional de implementar THieF es bajo (aproximadamente 2.5 veces el costo de la línea base), lo cual es insignificante dado que los modelos actuales se ejecutan en segundos.
• Generalización: El enfoque demuestra que incluso los modelos más avanzados (como los transformadores) sufren de "especificación incorrecta" del modelo y se benefician de la combinación de información a múltiples escalas temporales.
• Futuro: El estudio sugiere que la reconciliación no solo mejora la precisión puntual, sino que también es un paso necesario hacia la predicción probabilística coherente y estrategias de mercado más alineadas.

En conclusión, el artículo establece que la reconciliación de pronósticos mediante THieF es una herramienta universal, robusta y computacionalmente eficiente que debe integrarse en la práctica estándar de predicción de precios de electricidad a un día.