Pronóstico del precio promedio diario de la electricidad usando machine learning

Abstract

Este trabajo evalúa el pronóstico del precio promedio diario de la electricidad en el mercado colombiano mediante técnicas de aprendizaje automático y lo compara con modelos tradicionales. Se utilizaron datos de XM, DANE y NOAA para el periodo 2004-2024, considerando variables exógenas como demanda, generación, aportes hídricos, volumen útil y vertimientos. Se implementaron tres modelos: SARIMAX, Random Forest y Perceptrón Multicapa (MLP). Los resultados muestran que, aunque SARIMAX captura adecuadamente la estacionalidad y tendencias lineales, Random Forest y MLP presentan un mejor desempeño predictivo al modelar relaciones no lineales complejas. En particular, MLP obtuvo los mejores resultados con un MSE de 5.6505 en el conjunto de prueba, confirmando la superioridad de los enfoques no lineales para mejorar la precisión del pronóstico de precios en el contexto colombiano. (Texto tomado de la fuente)

This study evaluates the forecasting of the daily average electricity price in the Colombian market using machine learning techniques and compares the results with traditional models. Data from XM, DANE, and NOAA were used for the period 2004–2024, considering exogenous variables such as demand, generation, water inflows, useful volume, and spillage. Three models were implemented: SARIMAX, Random Forest, and Multilayer Perceptron (MLP). The results show that although SARIMAX adequately captures seasonality and linear trends, Random Forest and MLP exhibit better predictive performance by modeling complex nonlinear relationships. In particular, the MLP achieved the best results, with an MSE of 5.6505 on the test set, confirming the superiority of nonlinear approaches in improving price forecasting accuracy in the Colombian context.