Explora tutoriales técnicos completos, guías de programación y conocimientos de sesiones de codificación en directo. Aprende Python, ciencia de datos y desarrollo web moderno.
Recap de los tres perfiles (ContourGlobal/Arrubal, TotalEnergies/Castejón, Castleton/Amorebieta) y la tesis unificadora: la geografía decide si una CCGT participa o no en el redespacho de Operación Reforzada; dentro de un cluster participante, el dueño decide si gana o pierde. Los nodos saturados de renovable seleccionan; el resto del mercado es un pie de página.
Tercero de la serie post-apagón. Amorebieta (Vizcaya, propiedad de Castleton Commodities, representada en OMIE por Axpo) operó en saturación — 744 horas/mes, el máximo teórico — durante 5 meses seguidos tras el apagón. El outlier del club: no es 'hibernación → base' como Arrubal, sino 'activa → 100% todo el verano → vuelta a normal'. Y al lado, Bahía de Bizkaia se hunde.
El excedente solar de mediodía convierte el mediodía en la hora más barata del día, y las baterías escalan rápido para absorberlo. Pero el mercado donde más ingresan — banda de regulación secundaria (aFRR) — dejó de publicarse por unidad el 2024-11-20, justo cuando arrancó el boom del almacenamiento. Lo único que sigue siendo visible por unidad es el arbitraje de energía: rentable, pero la parte menor.
Casi ningún "chat con tus datos" responde a la pregunta clave: ¿con qué permisos consulta el agente? Cómo construimos para una energética española un agente de datos donde la pregunta viaja con la identidad del usuario hasta el lakehouse — un servidor MCP, tres clientes (M365 Copilot, Claude, VSCode) y OAuth 2.0 On-Behalf-Of preservando RLS de extremo a extremo.
En la mayoría de empresas, responder una pregunta de negocio con datos cuesta días: ticket, analista, query, Excel. Cómo una energética española lo redujo a minutos — cualquier empleado pregunta en su idioma, desde Teams o Claude, y recibe la respuesta con sus propios permisos. Sin contraseñas nuevas, sin saltarse el control.
Segundo de la serie de perfiles post-apagón. Castejón 3 (Navarra) de TotalEnergies era un peaker raro — menos de 1 GWh al mes a precios de emergencia de 600+ €/MWh. Post-apagón despacha 27-43 GWh/mes a 250 €/MWh, en línea con Arrubal y Escatrón. Tres plantas, tres dueños, misma señal de red.
Primero de una serie perfilando ganadores del redespacho post-apagón español. Arrubal 1+2 (800 MW, La Rioja) operaba en hibernación pre-apagón — menos de 1 GWh/mes de media. Doce meses después, la misma planta despacha 24-34 GWh/mes a 190 €/MWh. La planta no cambió. La red sí.
Dos complejos CCGT españoles comparten la misma estructura de propiedad Endesa/Naturgy — y producen resultados opuestos bajo Operación Reforzada. En Barcelona, la unidad de Naturgy gana; en Cádiz, la de Endesa domina. La diferencia es la geografía: los clusters mixtos premian al operador, los clusters uniformes premian la ubicación.
Doce meses después del apagón ibérico, el pay-as-bid que el sistema paga a su flota de ciclo combinado para resolver restricciones técnicas del mercado diario (el RT3 al consumidor) suma 3.870 €M al año. Tres grupos absorben el 62% del flujo. Iberdrola es el ganador marginal (+152 €M post vs pre); Endesa, el único gran perdedor (-100 €M).
Análisis a nivel planta del pay-as-bid post-apagón por restricciones técnicas: REE no premia a todas las CCGTs por igual. En el complejo Besós (Barcelona), el grupo 4 (Naturgy) gana 28 €M mientras el grupo 5 (Endesa) pierde 71 €M — misma instalación, dos dueños, trayectorias opuestas. El patrón geográfico: sur (Cádiz/Huelva) todas ganan, norte interior todas ganan, mediterráneo y SE mixto.
El coste de las restricciones técnicas del mercado diario (compodem RT3) en España se ha multiplicado por diez desde 2020. Análisis cuantitativo con 148 meses de datos: correlación de Pearson +0.76 con el porcentaje de generación variable (PV + eólica), controlado por OMIE. Corroborado por el informe PwC de febrero 2026 sobre la Operación Reforzada post-apagón.
Comparativa de 365 días pre vs 365 días post-apagón en cinco dimensiones: el sistema eléctrico ibérico absorbe la misma proporción renovable, pero el coste de las restricciones técnicas del mercado diario (compodem RT3) se ha multiplicado por 2.5 y las horas con precio negativo por 4.4 — explicado por la Operación Reforzada que REE introdujo tras el apagón.
Instala la librería, escribe una consulta SQL, obtén un DataFrame. Sin descargas de archivos, sin parsear Excel — datos I90 limpios desde un backend ClickHouse actualizado diariamente.
Endesa, Iberdrola, Repsol, Gas Natural — cada empresa tiene un portfolio de generación distinto. Los datos de liquidación I90 revelan sus estrategias en cada programa de mercado.
PDBF, PDVP, PHF1, RR, BT — cada programa de mercado tiene su propia lógica, actores y economía. Los datos I90 muestran quién participa en cada uno y cuánto gana.
Seguimos a Algeciras 3 a través de los 8 programas de mercado en un solo día — desde la programación diaria hasta el balance en tiempo real — con datos reales de liquidación I90.
La misma hora, cinco tecnologías — nuclear, hidráulica, ciclo combinado, solar y eólica — cada una con una huella de mercado radicalmente distinta. Los datos reales de liquidación I90 revelan cómo cada tecnología participa en la cascada de mercados española.
Análisis con datos de cómo la nuclear y la solar FV explotan el mecanismo PDVP del mercado eléctrico español — quién gana, quién pierde y por qué el diseño del sistema crea incentivos perversos.
Instala la CLI de python-entsoe y añade un skill para que Claude Code pueda consultar precios, demanda, generación y transmisión de 30+ países europeos.
Instala la CLI de python-esios y añade un skill para que Claude Code pueda buscar, descargar y analizar indicadores de ESIOS desde la terminal.
Una librería Python que envuelve la API de ESIOS en llamadas simples — busca indicadores, descarga datos históricos y obtén DataFrames con caché automático.
Descarga, procesa y analiza archivos I90 de REE con Python — tendencias de curtailment, mix de generación y correlación con precios del mercado eléctrico español.
Instala la CLI de python-eia y añade un skill para que Claude Code pueda explorar, descargar y analizar datos de la EIA desde la terminal.
Una biblioteca de Python que envuelve la API v2 de EIA en llamadas simples — obtén mix de generación, demanda, intercambios y precios de gas natural como DataFrames.
Librería Python para descargar precios de electricidad, generación y flujos transfronterizos de ENTSO-E. Instala con pip y analiza mercados energéticos europeos.
Simula un año completo de operación de batería con restricciones para entender la variabilidad de beneficios y expectativas anuales realistas.
Analiza precios de electricidad para identificar ventanas rentables de carga/descarga para sistemas de almacenamiento con baterías.
Accede a precios de electricidad del mercado diario en tiempo real e históricos del operador del mercado eléctrico español—sin necesidad de API key.
"El kernel murió" al usar pandas; ahí es cuando polars resulta útil.
Teniendo una base de datos que necesita ser actualizada con los nuevos datos que se publican cada día, ¿cómo automatizar la ejecución de scripts con GitHub Actions?
Comprende el proceso para crear una base de datos normalizada donde consultar la información histórica de las unidades de programación energética del sistema eléctrico español con ejemplos prácticos.
Cree sistemas de bases de datos robustos adaptados a las necesidades de su negocio para un almacenamiento, recuperación y escalabilidad de datos sin problemas.
Comprende los pasos a seguir para automatizar el preprocesamiento de los archivos Excel I90, que detalla la operativa de las instalaciones energéticas según los programas de generación diarios.
Transforma tus cálculos de Excel en scripts y flujos de trabajo escalables y robustos con Automatizaciones de Excel.
Descubre cómo los Agentes de IA pueden automatizar la organización de scripts, manejar entradas/salidas sin problemas y ejecutar comandos a través de una interfaz de chatbot, haciendo tu flujo de trabajo más eficiente y sin esfuerzo.
Nueva edición del curso "Agentes Trading con IA Integrados con Noticias y Modelos ML".
Nueva edición del curso "Python Aplicado: Manipulación y Visualización de Datos".
Un análisis en profundidad de los datos FAERS del Q1 2024, enfocado en la frecuencia de medicamentos y reacciones adversas.
Nueva edición del curso "Programación Estadística Aplicada: Proyectos Académicos", en colaboración con Asociación Salmantina de Estudiantes de Farmacia (ASEF).
Aprende cómo acceder a los datos del Sistema Europeo de Vigilancia de Seguridad de Medicamentos (EUDRA) de la Agencia Europea de Medicamentos (EMA) a través de informes trimestrales y APIs para la vigilancia post-comercialización de medicamentos.
Aprende cómo acceder a los datos del Sistema de Notificación de Eventos Adversos (FAERS) de la FDA a través de informes trimestrales y APIs para la vigilancia post-comercialización de medicamentos.
Sábado, 5 de octubre de 2024.
Este año, colaboraré con asociaciones de estudiantes de universidades para organizar cursos en directo sobre la aplicación de Análisis de Datos, Machine Learning y modelos de IA usando programación en Python/R.
Un ejemplo rápido de cómo usar ChatGPT de forma programática con Python.
Precios de la vivienda en España por Comunidades Autónomas desde 2020 según el Instituto Nacional de Estadística (INE). Incluye índices, variaciones trimestrales, anuales y en lo que va de año.
Aprende a calcular las componentes de una simulación de autoconsumo solar para encontrar la potencia óptima de paneles solares a instalar.
Reporte semanal (15 de Julio - 21 de Julio, 2024) del "market price spread" en los mercados de OMIE.
Si has invertido un valioso tiempo en desarrollar tu modelo de Machine Learning, ¿por qué no lo aprovechas y lo pones a calcular predicciones en una calculadora web?
Cómo diferenciar a los profesionales técnicos que comprenden de los que tan solo entienden: charlatanes.
¿Qué biblioteca deberías usar para visualización de datos en Python? ¿Matplotlib, Seaborn o Plotly? Aprende las principales diferencias entre ellas y cuándo usar cada una.
Aprende cómo procesar múltiples activos financieros para agregarlos a un reporte que destaque el rendimiento anual de cada activo.
Utilizando las Bandas de Bollinger, podemos crear una estrategia de trading para comprar y vender acciones en función de la volatilidad móvil del mercado.
Descubre cómo explicar la influencia de las variables explicativas de un modelo de Machine Learning que detecta anomalías utilizando los valores SHAP.
Aprende a automatizar estrategias de trading programando órdenes de compra y venta con Python usando la API de Alpaca.
Aprende a analizar estadísticamente el rendimiento bursátil de una empresa con Python.
Aprender a integrar un modelo de Machine Learning en una estrategia de inversión y evaluar su rendimiento utilizando la librería backtesting.py con Python.
Programa tus análisis energéticos europeos automáticamente con Python y la API de ENTSO-E. Te lo explicamos paso a paso con ejemplos prácticos.
Sácale provecho a las propiedades del DatetimeIndex en Pandas para analizar series temporales con mayor eficiencia, desde formatear la columna hasta crear reportes con tablas pivotantes.
Aprende a detectar anomalías en series temporales con Python, utilizando técnicas avanzadas y algoritmos de Machine Learning.
Tutorial de Python para desapilar las categorías de filas en columnas (tabla larga a ancha) para luego crear una matriz de calor.
Descubre cómo analizar y visualizar precios de contratos MIBGAS usando Pandas y Matplotlib. Este tutorial te guía por filtrado de datos, manejo de fechas y técnicas de interpolación.
Aprende cómo resaltar las celdas más valiosas en una tabla pivote de Pandas que resume información sobre multimillonarios por país e industria.
Descarga, preprocesa, visualiza y exporta a Excel automáticamente con la programación de Python.
Entiende la estructura de la API de EIA y aprende a usarla con Python para automatizar las descargas y exportaciones a Excel.
Una guía paso a paso para descargar, exportar y visualizar automáticamente datos económicos de la Fed de St. Louis usando su API con Python.
Procesar una nueva variable para distinguir los períodos de la crisis financiera de 2008 mejora la relación estadística entre las Tasas Hipotecarias (MR) y la Inflación (IPC).
Analizando el equilibrio entre la producción de energía potencial y real del portafolio energético de España.