Modelo de red neuronal para la predicción del precio en bolsa de la electricidad

Abstract

RESUMEN: El precio en bolsa de la energía eléctrica en el corto plazo es una de las variables fundamentales en el mercado eléctrico, ya que éste ayuda a que los agentes puedan maximizar sus beneficios, ajustar las ofertas y los precios de los contratos y optimizar la operación del sistema. Este presenta una alta volatilidad y exhibe un comportamiento no lineal, reflejo de diferentes factores entre los que se destacan el comportamiento estratégico de los agentes y la alta dependencia de la generación hidráulica en el caso Colombiano.

En este trabajo se implementó un modelo para predicción de precio en bolsa promedio mensual por medio de redes neuronales dinámicas recurrentes con entradas exógenas y retardos en el tiempo. Modelo que permite considerar no solo la no linealidad del precio, sino los comportamientos de los agentes, implícito en los históricos del precio, y de otras variables fundamentales como la probabilidad del fenómeno de El Niño; la relación entre la generación hidráulica y térmica (variables que permiten consideran la hidrología del país); y la demanda eléctrica del sistema debido a su importancia tanto en el mercado eléctrico como en la operación del sistema, adicionalmente, esta variable es fundamental desde el punto de vista económico (oferta/demanda). El modelo se adapta al comportamiento no lineal del precio en bolsa, considerando la historia de las variables involucradas, retrasos en el tiempo y conexiones de realimentación (esto es, entradas exógenas que dependen de condiciones hidrológicas que representarán la dinámica de la variable de interés). Como variable autorregresiva el precio en bolsa promedio mensual. Esto con la finalidad de aprovechar la capacidad de aprendizaje y extrapolación ofrecida por las redes neuronales.

El modelo propuesto se comparó con un modelo estadístico ARIMA, donde se encontró que éste modelo sirve para inicializar el NARX con respecto al número de retardos y de esta forma simplificar el proceso de selección de la estructura de la red neuronal. Para el entrenamiento, validación y pruebas se analizaron datos entre enero de 2003 y marzo de 2014. Los resultados obtenidos presentaron una correlación del 96% con respecto a los datos evaluados. Adicionalmente, la efectividad del modelo fue probada con datos entre abril de 2014 y septiembre de 2015. Observándose, que al incorporar la historia del precio y variables dependientes de condiciones hidrológicas como el Fenómeno del Niño en el modelo, se puede reproducir adecuadamente la dinámica del precio de la energía en Colombia, incluso en meses posteriores al periodo de tiempo considerado.

ABSTRACT: "The stock price of electricity in the short term is one of the most fundamental variables in the electricity market, since this variable can help agents to maximize their profits, adjust their bids and contract prices; as well as optimizing the system operation as a whole. This shows a high volatility and exhibits a non linear behavior. This occurs due to different factors among which are the strategic behavior of agents and the high dependence on hydroelectric generation. In this work was implemented a forecasting model for monthly average electricity stock prices through dynamic recurrent neural networks. Such model will allow considering not only the nonlinear behavior of price, but also and the behavior of agents, implicit in historical price data. The model will also consider other variables such as the probability of El Fenómeno del Niño phenomenon, the hydraulic/thermic generation ratio and the demand of electricity. This last variable is of great importance important from the economic point of view (offer/demand). The model reproduced the nonlinear behavior of stock prices considering the historical data of the variables into account, delays in time and feedback connections (that is, exogenous inputs that depend on hydrology conditions and will represent the dynamics to the variable under study). Also, as autoregressive variable the monthly average stock price will be taken into account. This with the aim of taking advantage of the artificial neural network’s learning capacity and extrapolation.The proposed model was compared with an ARIMA statistical model. It was found that NARX model can be initialized with ARIMA model number of delays, and thus simplify the selecting process of NARX structure. Therefore, it was implemented a hybrid NARX-ARIMA. Data from January 2003 to March 2014 were used for training, validation and testing. The results showed a correlation of 96% with respect to the evaluated data. Additionally, the model effectiviness was tested with data between April 2014 and September 2015. Noting that incorporating price history and dependent variables of hydrological conditions as El Niño, the model can adequately reproduce the dynamics of energy prices in Colombia, even months after the time period considered."