Predecir el precio de la Luz 2022- 23

 

Modelo de predicción Machine Learning. Predecir el precio de la luz en 2022 y 2023

Predecir el precio de la luz es muy difícil hoy en día. Debemos tener en cuenta todos los cambios de precio al alza exponenciales de los últimos meses, que nada tiene que ver con la tendencia normal y natural de una serie de datos.

El precio de la luz depende del precio del Gas (recordemos que tenemos actualmente varios conflictos abiertos, como Ukraina, Marruecos y Algeria). También depende del coste de las emisiones de Co2 y de la producción en cada día, que dependerá de la energía fabricada mediante fuentes limpias (eólica, hidráulica, solar, ...), o bien de otras fuentes no tan limpias (nuclear, mixto, carbón, ...). Y para controlar el precio, el gobierno tiene pensado usar medidas a modo de descuento en los precios.

¿Entonces. Cómo podemos asegurar el precio que tendremos? Ya veis que es una tarea complicada, o casi imposible. Y digo casi, porque disponemos de herramientas que nos ayudarán, como la Inteligencia Artificial, que es experta en realizar predicciones.

En el alquiler de pisos y casas, cuando debemos realizar cálculos predictivos para saber lo que consumirá un cliente en electricidad durante un año, es importante no alejarse mucho del resultado final. Aquí es donde entran a trabajar las redes neuronales.

Este problema nos lo hemos encontrado en la Inmobiliaria Finques Frigola, de Calella de Palafrugell. Para solucionar estos problemas he realizado un modelo de red neuronal que realiza predicciones del coste de la luz. En este caso nos hemos guiado por los precios de HOLA LUZ, y con la tarifa fija (sin tramos horarios).

Para una cosa tan sencilla como decir lo que costará la luz en un período de tiempo, nos hemos encontrado muchísimos problemas.

- Los datos adquiridos de bases oficiales vienen en diferentes formatos. Hemos tenido que unificarlos en un solo formato estándar.

- Faltan años para según qué datasets, así que hemos tenido que empezar a realizar el proceso de ML a partir del primer año de datos que disponíamos de los costes de electricidad, que era a partir del 2014.

- Hay datos que nos vienen en meses y otros en días. Hemos realizado dos datasets diferentes para realizar pruebas en cada uno de ellos y ver las predicciones.

El proceso de aprendizaje se ha realizado en una máquina con tan solo 3 Mb. de Memoria, y un procesador Pentium Dual Core del 2009 aproximadamente, con una versión de Ubuntu 22.04 actual, pero debido a que este procesador no utiliza instrucciones AVX necesarias para Tensorflow 2.0, se ha utilizado una versión antigua, la 1.5.0. También hemos utilizado Keras 2.1.4 y la programación se ha llevado a cabo mediante aplicativos desarrollados en PHP y Python 2.7.

Tensorflow es un devorador de memoria, por lo que se ha tenido que ampliar la memoria virtual para simular tener más memoria. Por defecto el sistema ofrece 2Gb y se ha ampliado a 8Gb, ya que entre otros modelos de redes neuronales, existen otros procesos de aprendizaje DEEP LEARNING para el reconocimiento de imágenes que explicaré en otra entrada del blog. De todas maneras, el uso de la memoria Swap es puntual.

Tarda menos de 5 minutos en aprender aproximadamente los 3.600 registros del dataset, por lo que la máquina funciona de sobras. No son muchos registros que digamos, por lo que el dataset de validación se ha dividido en tan solo un 10% para no tener que desperdiciar tan pocos datos disponibles y muy valiosos.

El proceso tiene en cuenta la diferencia del Mean Squared Error y en caso de tener 10 épocas de pérdidas, para antes de llegar al final y evitar el Sobreajuste ó Overfitting. Aproximadamente realizará un total de 100 Épocas. A este modelo no le hace falta más para aprender el mecanismo de cómo funciona el precio de la luz :).

Las primeras pruebas que hicimos fue sobre el dataset mensual, pero teníamos pocos datos que introducir al sistema, así que no aprendía muy bien.

Reproducimos el proceso usando el dataset diario. En este caso, añadimos los datos mensuales para cada uno de los días, y así teníamos el mes completo a diario.

En este caso funcionó muy bien. En la imagen superior tenéis el resultado.

Veréis que para enero todos los modelos indican una bajada muy acusada, y además, el sistema coincide en los datos previstos para febrero y marzo. Puede ser que la bajada acusada se deba a un 'fallo' en los datos. En principio parece que están correctos y queda pendiente realizar una revisión más profunda, pero para empezar, lo dejaremos así.

He realizado una gráfica con la media de las predicciones. A partir de aquí, rellenaremos cada mes los datos oficiales de Hola Luz y los costes de electricidad para ver si el sistema ha aprendido bien.

Ya os iré contando....