Contributions to forecasting problems in the electric power market

The electric power market is a vital component of modern economies, as it provides the energy needed to power homes, businesses, and industries. This market is uniquely complex due to the limited capacity for energy storage and the unpredictability of various power sources. Forecasting the demand or price of electricity, as well as energy generation from renewable sources, is a complex and challenging task. In recent years, significant contributions have been made to the field of electric power market forecasting through the use of advanced statistical and machine learning methods. The purpose of this thesis is to investigate and analyse the current state of the art in forecasting problems concerning the electric power market and to provide a set of contributions in the field, with a focus on demand forecasting, supply forecasting from renewable sources, and price forecasting. The research presented in this thesis will provide a comprehensive understanding of the current state of the art in forecasting problems in the electric power market and will identify opportunities for future research to improve forecast accuracy and reliability in the electric power market. Specifically, this thesis includes three contributions. The contribution regarding electricity demand forecasts: a methodology is developed to improve the quality of forecasts by means of an optimal selection of meteorological variables. Contributions regarding renewable energy generation: an algorithm is developed to combine a set of probabilistic predictions, by means of the optimal combination of predictions based on the "Bernstein Online Aggregation" technique, a variance-covariance matrix calculation using the EWMA method, and finally using the Johnson SU distribution to improve the accuracy of probabilistic predictions. Finally, the third contribution refers to electricity prices: The time series of the main European electricity markets are analysed, and different alternatives for the prediction of future values are proposed. RESUMEN El mercado de la energía eléctrica es un componente vital de las economías modernas, ya que proporciona la energía necesaria para alimentar hogares, empresas e industrias. Este mercado posee complejidades específicas debido a la dificultad de almacenar energía eléctrica y a la enorme incertidumbre asociada a ciertas fuentes de energía. Prever la demanda o el precio de la electricidad, así como la generación de energía a partir de fuentes renovables, es una tarea compleja y difícil. En los últimos años, se han realizado importantes contribuciones al campo de la previsión del mercado de la energía eléctrica mediante el uso de métodos estadísticos avanzados y de aprendizaje automático. El objetivo de esta tesis es investigar y analizar el estado actual de los problemas de previsión relativos al mercado de la energía eléctrica y proporcionar varias contribuciones en este campo, centrándose en la previsión de la demanda, la previsión de la oferta a partir de fuentes renovables y la previsión de precios. La investigación presentada en esta tesis proporcionará una comprensión global del estado actual de los problemas de previsión en el mercado de la energía eléctrica e identificará oportunidades de investigación futura para mejorar la precisión de las previsiones y la fiabilidad del mercado de la energía eléctrica. En concreto, esta tesis incluye tres contribuciones. La contribución en referencia a las predicciones de demanda eléctrica: se desarrolla una metodología para mejorar la calidad de las predicciones mediante una selección óptima de variables meteorológicas. La contribución en referencia a la generación de energía renovable: se desarrolla un algoritmo para combinar un conjunto de predicciones probabilísticas, mediante la combinación óptima de predicciones basada en la técnica "Bernstein Online Aggregation", un cálculo de la matriz de varianza-covarianza utilizando el método EWMA, y finalmente utilizando la distribución Johnson SU para mejorar la precisión de las predicciones probabilísticas. Por último, la tercera contribución se refiere a los precios de la electricidad: se analizan las series temporales de los principales mercados eléctricos europeos y se proponen distintas alternativas para la predicción de valores futuros.