Temporal fusion transformers para la predicción del término de facturación PVPC

• Víctor García-Chico ^[1] ; Manuel Ramos-Jiménez ^[1] ; Lucía Riera-Presmanes ^[1] ; Roberto Salamanca-Barrios ^[1] ; Ana Belén Gil González ^[1]
  1. [1] Universidad de Salamanca

     Universidad de Salamanca

     Salamanca, España

     
• Localización: Inteligencia artificial aplicada al reto demográfico / coord. por Ana Belén Gil González , Laura Grande Pérez, Javier Parra Domínguez , 2026, ISBN 978-84-1091-189-5, págs. 103-107
• Idioma: español
• Títulos paralelos:
  • Temporal fusion transformers (TFT) for theprediction of the PVPC billing term
• Enlaces
  • Texto completo
• Resumen
  • español

    La creciente volatilidad del mercado eléctrico, impulsada por la penetraciónde fuentes renovables, exige modelos de predicción de precios (EPF) precisos para garantizaruna gestión energética eficiente en el sector residencial. Este trabajo aborda la predicción acorto plazo (horizonte 24 horas) de la tarifa regulada española (PVPC) mediante la arquitecturaTemporal Fusion Transformer (TFT), diseñada para capturar dependencias temporales complejasmanteniendo la interpretabilidad. Utilizando datos reales de 2024, se evalúa el desempeño delmodelo propuesto frente a redes LSTM y métodos de persistencia. Los resultados experimentalesdemuestran la superioridad del TFT, logrando un MAE de 30.63 €MWh y un sMAPE de0.1838, lo que representa una reducción del error del 28.7 % respecto a la arquitectura LSTMconvencional.

  • English

    The increasing volatility of the electricity market, driven by the penetrationof renewable energy sources, requires accurate Electricity Price Forecasting (EPF) models toensure efficient energy management in the residential sector. This work addresses short-termforecasting (24-hour horizon) of the Spanish regulated tariff (PVPC) using the Temporal FusionTransformer (TFT) architecture, designed to capture complex temporal dependencies whilemaintaining interpretability. Using real data from 2024, the performance of the proposedmodel is evaluated against LSTM networks and persistence-based methods. The experimentalresults demonstrate the superiority of the TFT, achieving an MAE of 30.63 €/MWh and ansMAPE of 0.1838, representing a 28.7 % reduction in error compared to the conventionalLSTM architecture.