Aproximación tipo aprendizaje profundo al precio spot de la electricidad en Colombia
Resumen
Las proyecciones del precio de la energía eléctrica son un insumo relevante para la evaluación de los resultados financieros de empresas en operación, la evaluación de nuevos proyectos de inversión y la estructuración de portafolios de cobertura. En este artículo realizamos un análisis de la eficacia de métodos de proyección del precio spot de la energía eléctrica en Colombia, basados en Deep Learning y su capacidad para vencer una estructura de tipo ARIMA. Los resultados son insumo para investigadores y analistas de mercados eléctricos a nivel global que estén interesados en realizar proyecciones de la energía eléctrica y también algunas variables que posean características de reversión a la media, alta volatilidad y saltos. En general, los métodos de Deep Learning considerados logran capturar la tendencia de la serie en periodos out of sample, pero no logran vencer el desempeño de pronósticos realizados al aplicar métodos de Box-Jenkins.
Referencias bibliográficas
Agarap, A. F. (7 de Febrero de 2019). Deep Learning using Rectified Linear Units (ReLU). ArXiv, 1803.08375v2 [cs.NE]. https://doi.org/10.48550/arXiv.1803.08375
Díaz, G., & Planas, E. (2015). A Note on the Normalization of Spanish Electricity Spot Prices. IEEE Transactions on Power Systems, 31(3), 2499 - 2500. https://doi.org/10.1109/TPWRS.2015.2449757
Escribano, A., Peña, J. I., & Villaplana, P. (Octubre de 2011). Modelling electricity prices: International evidence. Oxford Bulletin of Economics and Statistics, 73(5), 622 - 650. https://doi.org/https://doi.org/10.1111/j.1468-0084.2011.00632.x
Gianfreda, A., Parisio, L., & Pelagatti, M. (2016). The Impact of RES in the Italian Day-Ahead and Balancing Markets. The Energy Journal, 37(2_suppl), 161 - 184. https://doi.org/10.5547/01956574.37.SI2.agia
Gianfreda, A., Ravazzolo, F., & Rossini, L. (2020). Comparing the forecasting performances of linear models for electricity prices with high RES penetration. International Journal of Forecasting, 36(3), 974 - 986. https://doi.org/10.1016/j.ijforecast.2019.11.002
Gil Zapata, M. M., & Maya Ochoa, C. (2008). Modelación de la volatilidad de los precios de la energía eléctrica en Colombia. Revista Ingenierías Universidad de Medellín, 7(12), 87 - 114. Obtenido de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-33242008000100006
Grossi, L., & Nan, F. (2019). Robust forecasting of electricity prices: Simulations, models and the impact of renewable sources. Technological Forecasting and Social Change, 141, 305 - 318. https://doi.org/10.1016/j.techfore.2019.01.006
Hilera González, J. R., & Martínez Hernando, V. J. (1995). Redes neuronales artificiales: fundamentos, modelos y aplicaciones. Madrid, España: RA-MA. Obtenido de https://www.researchgate.net/profile/Jose-
Hilera/publication/44343683_Redes_neuronales_artificiales_fundamentos_modelos_y_aplicaciones_Jose_Ramon_Hilera_Gonzalez_Victor_Jose_Martinez_Hernando/links/5886033892851c21ff4d3060/Redes-neuronales-artificiales-fu
Hong, T., Pinson, P., Wang, Y., Weron, R., Yang, D., & Zareipour, H. (2020). Energy forecasting: A review and outlook. IEEE Open Access Journal of Power and Energy, 7, 376 - 388. https://doi.org/10.1109/OAJPE.2020.3029979
Ioffe, S., & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. En F. Bach, & D. Blei (Ed.), Proceedings of the 32nd International Conference on Machine Learning. 37, págs. 448 - 456. Lille, France: PMLR. Obtenido de http://proceedings.mlr.press/v37/ioffe15.pdf
Karakatsani, N. V., & Bunn, D. W. (2008). Forecasting electricity prices: The impact of fundamentals and time-varying coefficients. International Journal of Forecasting, 24(4), 764 - 785. https://doi.org/10.1016/j.ijforecast.2008.09.008
Lago, J., Marcjasz, G., De Schutter, B., & Weron, R. (2021). Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark. Applied Energy, 293, 116983. https://doi.org/10.1016/j.apenergy.2021.116983
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436 - 444. https://doi.org/10.1038/nature14539
Marcjasz, G., Uniejewski, B., & Weron, R. (2019). On the importance of the long-term seasonal component in day-ahead electricity price forecasting with NARX neural networks. International Journal of Forecasting, 35(4), 1520 - 1532. https://doi.org/10.1016/j.ijforecast.2017.11.009
Mateus Valencia, A. C. (2016). Crisis energética en Colombia. Tecnología Investigación y Academia, 4(2), 74 - 81. Obtenido de https://revistas.udistrital.edu.co/index.php/tia/article/view/10411/pdf
Nowotarski, J., & Weron, R. (2018). Recent advances in electricity price forecasting: A review of probabilistic forecasting. Renewable and Sustainable Energy Reviews, 81, 1548 - 1568. https://doi.org/10.1016/j.rser.2017.05.234
Nowotarski, J., Tomczyk, J., & Weron, R. (2013). Robust estimation and forecasting of the long-term seasonal component of electricity spot prices. Energy Economics, 39, 13-27. https://doi.org/10.1016/j.eneco.2013.04.004
Pretorius, A. M., Barnard, E., & Davel, M. H. (2019). ReLU and sigmoidal activation functions. En M. Davel, & E. Barnard (Ed.), Proceedings of the South African Forum for Artificial Intelligence Research, FAIR 2019, 4-6 December, 2019. 2540. Cape Town, South Africa : CEUR-WS.org. Obtenido de https://ceur-ws.org/Vol-2540/FAIR2019_paper_52.pdf
Rendón, J. F., Trespalacios, A., Cortés, L. M., & Villada-Medina, H. D. (Diciembre de 2021). Modelización de la demanda de energía eléctrica: más allá de la normalidad. Revista de métodos cuantitativos para la economía y la empresa, 32, 83 – 98. https://doi.org/10.46661/revmetodoscuanteconempresa.3856
Schmidhuber, J. (Enero de 2015). Deep learning in neural networks: an overview. Neural networks : the official journal of the International Neural Network Society, 61, 85 – 117. https://doi.org/10.1016/j.neunet.2014.09.003
Senior, A., Heigold, G., Ranzato, M., & Yang, K. (2013). An empirical study of learning rates in deep neural networks for speech recognition. IEEE International Conference on Acoustics, Speech and Signal Processing, (págs. 6724 - 6728). Vancouver, Canada. Obtenido de https://static.googleusercontent.com/media/research.google.com/es//pubs/archive/40808.pdf
Shiloh-Perl, L., & Giryes, R. (2023). Introduction to deep learning. En L. Rokach, O. Maimon, & E. Shmueli (Edits.), Machine Learning for Data Science Handbook (págs. 301 - 338). Springer International Publishing, Cham. https://doi.org/10.1007/978-3-031-24628-9_14
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Ruslan, S. (Enero de 2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(56), 1929 - 1958. Obtenido de https://jmlr.org/papers/volume15/srivastava14a/srivastava14a.pdf
Tibshirani, R. (Enero de 1996). Regression shrinkage and selection via the Lasso. Journal of the Royal Statistical Society: series B (methodological), 58(1), 267 - 288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x
Trespalacios, A., Cortés, L. M., & Perote, J. (Febrero de 2020). Uncertainty in electricity markets from a semi-nonparametric approach. Energy Policy, 137, 111091. https://doi.org/10.1016/j.enpol.2019.111091
Trespalacios, A., Cortés, L. M., & Perote, J. (2021). Modeling electricity price and quantity uncertainty: An application for hedging with forward contracts. Energies, 14(11), 3345. https://doi.org/10.3390/en14113345
Uniejewski, B., Weron, R., & Ziel, F. (Marzo de 2018). Variance Stabilizing Transformations for Electricity Spot Price Forecasting. IEEE Transactions on Power Systems, 33(2), 2219 - 2229. https://doi.org/10.1109/TPWRS.2017.2734563
Uribe Gaviria, E., & Trespalacios Carrasquilla, A. (Enero de 2014). Contraste de modelos estocásticos para el precio de la energía en Colombia. Revista de la Facultad de Ciencias, 3(1), 41 – 55. Obtenido de https://revistas.unal.edu.co/index.php/rfc/article/view/49524
Descargas
Derechos de autor 2026 Revista Colombiana de Computación
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
