Responder bien a la pregunta equivocada
La precisión del pronóstico ha sido uno de los temas más comentados en el comercio de electricidad en los últimos años: mejores modelos meteorológicos, más datos de entrenamiento, registros históricos más largos. Con estos avances, los pronósticos de producción son realmente cada vez más precisos.
Sin embargo, en campo se observa un panorama distinto:
Aunque la precisión del pronóstico aumenta, los costos de desbalance no disminuyen en la misma medida.
Esto no significa que los modelos sean insuficientes. Hay una razón más fundamental: un buen pronóstico, por sí solo, no equivale a una buena decisión. Porque dos preguntas parecidas pero distintas se discuten constantemente en la misma frase:
"¿Qué va a pasar?" → un problema de pronóstico
"¿Qué debo hacer?" → un problema de decisión
Cuando estas dos preguntas se abordan bajo el mismo título, se asume que la solución de una resuelve también la otra. No es así.
Pronosticar y decidir son problemas distintos
Estimar cuánto producirá una planta en las próximas horas es un problema de pronóstico. Decidir cuánta energía comprar o vender es un problema de optimización bajo incertidumbre.
La diferencia fundamental entre ambos surge menos de los datos utilizados que de la función objetivo.
| Pronóstico | Decisión | |
|---|---|---|
| Pregunta central | ¿Qué va a pasar? | ¿Qué debo hacer? |
| Tipo de problema | Regresión | Optimización bajo incertidumbre |
| Objetivo | Minimizar el error de pronóstico | Minimizar el costo total |
| Entradas típicas | Clima, modelo físico, producción histórica | Régimen de mercado, posición abierta, precio, liquidez, momento de la decisión |
Los modelos de pronóstico se evalúan con métricas como MAE, RMSE o nMAE. Lo que estas métricas tienen en común es que miden el error de forma simétrica: un pronóstico 10 MWh por encima y uno 10 MWh por debajo son desviaciones de magnitud similar desde el punto de vista de la métrica.
En el comercio, en cambio, el resultado de estas dos desviaciones no es el mismo. La energía que queda corta puede obtenerse a un precio más alto en el momento de la entrega o quedar sujeta a la liquidación de desbalances. La energía comprada en exceso, por su parte, genera el costo de la posición que queda en cartera.
La conclusión que se desprende es esta:
Un modelo de pronóstico no puede, por sí solo, saber qué dirección de error es más costosa — porque esa información no forma parte del problema de pronóstico.
El mismo MWh, distinta hora, distinta factura
El valor económico de un MWh no depende solo de su cantidad; la hora en que se produce también determina ese valor.
En Turquía, el precio horario de mercado se mueve dentro de una banda amplia a lo largo del día. Las horas del mediodía, cuando se concentra la producción solar, y las horas de la tarde, cuando sube la demanda, no muestran el mismo comportamiento de precio. Por eso "tenemos un déficit, cerrémoslo" no es, por sí solo, una decisión suficiente. La decisión es en realidad triple:
- ¿Debo comprar?
- ¿Cuánto debo comprar?
- ¿A qué hora debo comprar?
La primera pregunta es relativamente simple y es la que genera la menor diferencia de costo. El resultado económico se forma principalmente en la segunda y la tercera — porque el costo de la misma cantidad de energía en distintas horas no es el mismo.
Además, las horas tampoco son independientes entre sí. Un MWh adicional comprado hoy cambia las decisiones de carga y descarga si hay almacenamiento; si no lo hay, crea una posición que se traslada al futuro. El propio mercado también divide estas decisiones en distintas ventanas temporales:
- Mercado del Día Anterior (MDA): es la etapa básica donde se forma el programa horario del día siguiente; la notificación del programa nace aquí.
- Mercado Intradiario (MI): permite corregir la posición hasta 60 minutos antes de la entrega. La ventana existe, pero la liquidez y el precio al final de la ventana no siempre estarán en el nivel deseado.
- Liquidación de desbalances: revela la consecuencia económica de la diferencia no cerrada entre el programa notificado y la producción real.
La capa de decisión no es un cálculo simple que sigue al pronóstico; es un sistema separado que opera dentro de la estructura temporal del mercado.
El día más crítico, el peor pronóstico
El error de pronóstico no se comporta igual todos los días. En condiciones de clima despejado y estable, la incertidumbre se mantiene estrecha. En días parcialmente nublados, en cambios rápidos del clima y en periodos de rampa en los que la producción sube y baja con fuerza, la incertidumbre se abre — porque lo que determina el error ya no es la habilidad general del modelo, sino la incertidumbre propia de ese día.
Aquí surge una paradoja:
Los días en que crece la incertidumbre son los días en que la decisión es más crítica económicamente.
Los periodos de rampa son justamente los periodos en que se intensifican el desbalance y la necesidad de compras urgentes. Es decir, el desempeño del pronóstico es más débil en el momento en que más importa la calidad de la decisión.
Por eso no basta con mirar solo el error medio. Mientras el error medio de un modelo mejora, sus errores poco frecuentes pero grandes pueden mantenerse igual o empeorar. La pérdida económica se produce predominantemente en la cola de la distribución.
La pregunta más acertada es esta:
no "¿qué tan preciso es el modelo en promedio?", sino
"¿En qué días, en qué regímenes climáticos y de mercado, y con qué frecuencia ocurren los errores grandes, y cuál es su equivalente económico?"
¿Por qué un único número de pronóstico no es suficiente?
Recibir un pronóstico de producción como un único número significa no mostrar al decisor una parte importante de la incertidumbre.
Un pronóstico P50 da el valor central de la distribución. Sin embargo, el mismo P50 puede representar dos situaciones completamente distintas: el centro de una distribución de incertidumbre estrecha o el centro de una amplia. El pronóstico es el mismo; la decisión que debe tomarse puede no serlo.
Por eso la capa de decisión necesita no solo el valor esperado, sino la incertidumbre misma: percentiles como P10, P50, P90.
Aquí hay una segunda distinción:
Disponer de un intervalo de pronóstico no significa que ese intervalo esté correctamente calibrado.
Si el modelo dice "nos mantendremos en este intervalo con un 90% de probabilidad", hay que comprobar si esto se cumplió realmente en esa proporción en los datos históricos. La calibración se mide con este fin mediante métodos estándar: el diagrama de fiabilidad (reliability diagram) y la pérdida pinball/cuántil. Es decir, no solo producir un pronóstico, sino medir cuánto se puede confiar en él.
¿Cómo convertimos el pronóstico en una decisión económica?
Una vez obtenida la distribución de incertidumbre, el problema de decisión se define con mayor claridad. Hay dos costos fundamentales:
- S: el costo de quedar corto — la compra en el momento de la entrega y los componentes de desbalance asociados.
- W: el costo de una compra innecesaria — la carga de la energía sobrante que queda en cartera o que crea una posición.
Si estos dos costos no son iguales, la decisión económicamente correcta tampoco tiene por qué ser la media de la distribución del pronóstico. El umbral crítico es este:
θ* = W / (S + W)
En consecuencia, la cantidad de compra adecuada se determina de modo que cubra este cuantil de la posición abierta. Si el costo de quedar corto es mayor que el de una compra innecesaria, el umbral se desplaza por encima de la media: lo que debe protegerse no es el valor mediano, sino la cola de la distribución.
La idea central aquí es simple:
Si no sabe qué dirección de error es más costosa, no puede tomar una decisión económicamente optimizada, por bueno que sea su pronóstico.
Y S y W no se encuentran dentro de ningún modelo de pronóstico meteorológico. Estos dos valores están en la estructura contractual de la planta, en su posición abierta, en las condiciones de mercado y en el momento en que se toma la decisión.
Un ejemplo citado con frecuencia de forma errónea: el estudio de viento de DeepMind
Aquí hay que corregir una interpretación generalizada.
El estudio sobre energía eólica que DeepMind publicó en 2019 se cita con frecuencia como que "redujo el error de pronóstico en torno al 20%". El resultado que el estudio destaca es, en realidad, un aumento de aproximadamente el 20% en el valor de mercado de la energía eólica.
Esta diferencia no es un matiz menor: la primera afirmación describe un desempeño del modelo, la segunda un resultado económico. La razón por la que un pronóstico más preciso crea valor es que permite ofrecer la producción al mercado en horas más valiosas.
Así, la misma distinción vuelve a aparecer aquí: no es el pronóstico en sí, sino cómo se utiliza el pronóstico, lo que determina el valor económico.
Nota de fuente: Este 20% es un valor reportado en el propio anuncio corporativo de DeepMind; no es una medición independiente. Además, el encabezado de la métrica bajo el cual se reportó la proporción (valor de mercado, aumento de ingresos, ganancia de armonización) debe verificarse en el texto del propio estudio.
La dificultad real no está en las matemáticas
Buena parte de lo descrito hasta aquí no es técnicamente nuevo. Las distribuciones de pronóstico, las pruebas de calibración y las reglas de decisión sensibles al costo son métodos conocidos desde hace tiempo. Entonces, ¿por qué este problema sigue sin resolverse en la práctica? Porque la dificultad real se concentra en tres puntos, y ninguno es matemático.
1. Conocer los números correctos
¿Cuál es la posición abierta real? ¿Qué planta opera bajo qué régimen contractual? ¿Cuál es el costo real de quedar corto en esa hora? ¿Cómo están las condiciones de liquidez y precio en el momento de la decisión?
Las respuestas a estas preguntas no están en el modelo de pronóstico. Todas requieren una infraestructura de datos sólida: sistemas de origen, adaptadores, almacenes de series temporales, definiciones de datos consistentes. Esta capa a menudo se pospone porque parece aburrida — y sin embargo el proceso se atasca sobre todo aquí.
Una optimización hecha con datos erróneos no reduce el error; lo amplifica.
2. Actuar confiando en el pronóstico
La declaración de un sistema de que "somos precisos" no basta; hay que exponer contra qué y cómo se mide esa precisión:
- ¿Cuál es el desempeño frente a modelos de referencia simples (persistencia ingenua, MOS)?
- ¿En qué regímenes climáticos y de producción crece el error?
- ¿Se ha separado la estacionalidad de los resultados?
- ¿A qué horas y con qué frecuencia ocurren los errores grandes?
- ¿Qué significa el error de pronóstico cuando se convierte en equivalente económico?
nMAE = 15% no es, por sí solo, un indicador económico significativo. La pregunta real es esta:
¿A qué horas ocurre este error del 15% y cuánto le cuesta a la empresa?
3. Definir la responsabilidad del resultado
Este es el punto menos discutido y probablemente el más determinante. El sistema dijo "compra hoy", se compró y el precio bajó. O no se recomendó comprar y por la tarde el precio subió. ¿De quién es la responsabilidad de esta diferencia?
Para que los sistemas de apoyo a la decisión sean utilizables en la vida real se requiere no solo precisión técnica, sino también gobernanza: quién decidirá, dentro de qué límites podrá actuar, en qué casos la aprobación humana es obligatoria y cómo se evaluará el resultado. Un sistema técnicamente correcto no encuentra tracción operativa si los límites de autoridad y responsabilidad de la recomendación no están definidos.
También hay que corregir el glosario
En campo este tema se describe a menudo así: "Quedamos por debajo del compromiso y pagamos una penalización por cuota."
Operativamente, esta afirmación describe la dificultad vivida. Sin embargo, su equivalente en la legislación es distinto: en la legislación de apoyo a las energías renovables no existe un concepto de sanción en forma de "cuota diaria" o "compromiso mínimo de producción". Lo que se vive es el funcionamiento del mercado: el programa formado en el MDA, las correcciones realizadas en el MI y la liquidación de desbalances.
Esta distinción no es solo terminológica:
Cómo define el problema determina dónde buscará la solución.
Si el problema se ve como una "penalización por cuota", la solución se busca en las cláusulas del contrato. Pero si el resultado económico proviene de la posición de mercado y de la gestión de desbalances, la mayor parte de la solución está en el mecanismo de decisión.
Por qué importa el régimen de apoyo
El mismo sistema de apoyo a la decisión no produce el mismo valor económico en cada planta. Este valor depende de:
- el régimen de mercado y la estructura contractual en que se encuentra la planta,
- el alcance y la duración del mecanismo de apoyo,
- la posición abierta,
- la incertidumbre de producción.
En un régimen de apoyo en el que el precio de la energía producida es en gran medida fijo, la hora en que se vende la energía genera una diferencia económica limitada. En una planta que vende en el mercado libre, en cambio, las diferencias horarias de precio se traducen directamente en resultados económicos.
Por eso es determinante que los pliegos de apoyo de nueva generación dejen las plantas al mercado libre durante un periodo inicial y las protejan solo con un precio suelo: esta estructura convierte la capa de decisión de una mejora opcional en un requisito estructural. Para las plantas cuyo periodo de apoyo ha terminado, el riesgo de mercado libre aumenta en la misma dirección.
Por lo tanto, el asunto no es solo "un mejor modelo de pronóstico". El asunto real es situar el pronóstico en su contexto económico.
Por qué la automatización debe ser el último paso
En este punto el reflejo natural es: "Entonces automaticemos todo el proceso." La automatización no tiene por qué ser el primer paso.
Si no se ha medido el desempeño real del pronóstico, no se ha calculado el costo de quedar corto y no se ha definido la responsabilidad de la decisión, la automatización solo permite tomar decisiones erróneas más rápido. Un orden más sano es este:
1. Una capa de asesoramiento con aprobación humana
El sistema produce recomendaciones; pero no dice solo "compra" o "no compres". Muestra la justificación de la recomendación, la incertidumbre del pronóstico y el impacto económico esperado. La decisión final la toma una persona.
Esta etapa no es solo una salvaguarda, sino también una herramienta de medición: qué recomendaciones se aceptaron, cuáles se rechazaron y cuál fue el resultado pueden utilizarse con el tiempo para medir la calidad de las decisiones.
2. Automatización condicional
Cuando se acumulan suficientes datos históricos y se verifica el comportamiento de las decisiones, la automatización puede entrar en funcionamiento dentro de ciertos límites: si el nivel de confianza es suficiente, si la decisión está dentro de una banda de riesgo definida, si las pruebas retrospectivas aportan evidencia suficiente y si los límites de autoridad están documentados.
3. Automatización total
La automatización total solo adquiere sentido cuando las etapas anteriores se han verificado lo suficiente. Porque un sistema de decisión asume responsabilidad no solo técnica, sino también económica y operativa.
La diferencia aparece no el día en que aciertas, sino el día en que te equivocas
En el comercio de energía, un pronóstico preciso ya no es una ventaja sino un requisito básico. No es posible tomar una buena decisión con un mal pronóstico. Pero un buen pronóstico tampoco garantiza por sí solo un buen resultado — porque el resultado económico se forma no el día en que el pronóstico acierta, sino en la decisión tomada el día en que falla. Y ese día es, por definición, el día de mayor incertidumbre.
Por eso la pregunta real:
no "¿Qué tan preciso es nuestro pronóstico?", sino
"¿Qué hacemos cuando nuestro pronóstico falla, quién toma esa decisión y cómo se evalúa el resultado?"
Cuando las respuestas a estas preguntas se aclaran, una mejora de unos pocos puntos en el modelo de pronóstico se convierte en valor económico medible. En un mecanismo de decisión cuyas respuestas no se han aclarado, el mejor modelo no puede ir más allá de un informe meteorológico detallado.
¿Qué hace Corius en este ámbito?
En Corius desarrollamos modelos de pronóstico de producción. Pero nuestro enfoque en el lado energético no es solo producir "pronósticos más precisos"; es la capa donde el pronóstico se convierte en una decisión económica.
Medimos el desempeño de sus modelos de pronóstico actuales sobre sus datos reales, convertimos los errores de pronóstico en equivalente económico y analizamos dónde puede generar valor la capa de apoyo a la decisión. Esto no requiere construir un sistema extenso.
Podemos empezar con un análisis preliminar gratuito. Los temas que podemos examinar juntos sobre sus datos actuales:
- el desempeño del pronóstico y el nivel de habilidad frente a modelos de referencia,
- la distribución del error y los periodos de error crítico,
- la calibración de la incertidumbre del pronóstico,
- el posible equivalente económico del error.
Porque el punto de partida correcto no siempre es un modelo más grande. A veces lo que se necesita primero es formular la pregunta correcta.