Previsión del precio de la electricidad

Rama de la previsión energética

La previsión de precios de la electricidad (EPF) es una rama de la previsión energética que se centra en el uso de modelos matemáticos , estadísticos y de aprendizaje automático para predecir los precios de la electricidad en el futuro. En los últimos 30 años, las previsiones de precios de la electricidad se han convertido en un insumo fundamental para los mecanismos de toma de decisiones de las empresas energéticas a nivel corporativo. ^[1]

Desde principios de los años 1990, el proceso de desregulación y la introducción de mercados competitivos de electricidad han estado reconfigurando el panorama de los sectores energéticos tradicionalmente monopolísticos y controlados por el gobierno. En toda Europa, América del Norte, Australia y Asia, la electricidad ahora se comercializa bajo reglas de mercado utilizando contratos spot y derivados . ^[2] Sin embargo, la electricidad es un producto muy especial: no es económicamente almacenable y la estabilidad del sistema eléctrico requiere un equilibrio constante entre producción y consumo. Al mismo tiempo, la demanda de electricidad depende del clima (temperatura, velocidad del viento, precipitaciones, etc.) y de la intensidad de las actividades comerciales y cotidianas ( horas pico vs. horas valle , días laborables vs. fines de semana, feriados, etc.). Estas características únicas conducen a una dinámica de precios que no se observa en ningún otro mercado, que exhibe estacionalidad diaria, semanal y a menudo anual y picos de precios abruptos, de corta duración y generalmente imprevistos. ^[3]

La extrema volatilidad de los precios , que puede ser hasta dos órdenes de magnitud superior a la de cualquier otro producto básico o activo financiero, ha obligado a los participantes del mercado a cubrir no sólo el riesgo de volumen sino también el de precio. Las previsiones de precios con una antelación de unas horas a unos meses se han convertido en un tema de especial interés para los gestores de carteras de energía. Una empresa del mercado de energía capaz de prever los volátiles precios mayoristas con un nivel razonable de precisión puede ajustar su estrategia de licitación y su propio programa de producción o consumo para reducir el riesgo o maximizar las ganancias en las operaciones con un día de antelación. ^[4] Una estimación aproximada de los ahorros derivados de una reducción del 1% en el error porcentual absoluto medio (MAPE) de las previsiones de precios a corto plazo es de 300.000 dólares al año para una empresa de servicios públicos con una carga máxima de 1 GW . Con las previsiones de precios adicionales, los ahorros se duplican. ^[5]

Metodología de previsión

El modelo más simple para la previsión del día siguiente consiste en pedir a cada fuente de generación que presente una oferta por bloques de generación y elija las ofertas más baratas. Si no se presentan suficientes ofertas, el precio se incrementa. Si se presentan demasiadas ofertas, el precio puede llegar a cero o volverse negativo. El precio de la oferta incluye el costo de generación, así como el costo de transmisión, junto con cualquier beneficio. La energía se puede vender o comprar a los pools de energía adyacentes . ^{[6] [7] [8]}

El concepto de operadores independientes del sistema (OSI) fomenta la competencia por la generación entre los participantes del mercado mayorista al separar la operación de transmisión y generación. Los OSI utilizan mercados basados ​​en ofertas para determinar el despacho económico. ^[9]

La energía eólica y solar no son despachables . Normalmente, esa energía se vende antes de cualquier otra licitación, a una tarifa predeterminada para cada proveedor. Cualquier excedente se vende a otro operador de red, o se almacena, utilizando energía hidroeléctrica de almacenamiento por bombeo , o en el peor de los casos, se reduce. ^[10] La reducción podría potencialmente afectar significativamente los beneficios económicos y ambientales de la energía solar en niveles mayores de penetración fotovoltaica. ^[11] La asignación se realiza mediante licitación. ^[12]

El efecto de la reciente introducción de redes inteligentes y la integración de la generación renovable distribuida ha sido una mayor incertidumbre sobre la oferta, la demanda y los precios futuros. ^[13] Esta incertidumbre ha impulsado muchas investigaciones sobre el tema de las previsiones.

Factores impulsores

La electricidad no se puede almacenar tan fácilmente como el gas, se produce en el momento exacto en que se demanda. Por lo tanto, todos los factores de la oferta y la demanda tendrán un impacto inmediato en el precio de la electricidad en el mercado spot. Además de los costos de producción , los precios de la electricidad se fijan por la oferta y la demanda. ^[14] Sin embargo, algunos factores fundamentales son los más probables de tener en cuenta.

Los precios a corto plazo se ven más afectados por el clima. ^[15] La demanda debido a la calefacción en el invierno y la refrigeración en el verano son los principales impulsores de los picos de precios estacionales. ^[16] La capacidad adicional de gas natural está haciendo bajar el precio de la electricidad y aumentando la demanda.

La dotación de recursos naturales de un país, así como las regulaciones vigentes, influyen en gran medida en las tarifas desde el lado de la oferta. El lado de la oferta de la electricidad se ve más influenciado por los precios de los combustibles y los precios de los derechos de emisión de CO2 _. Los precios del carbono de la UE se han duplicado desde 2017, lo que lo convierte en un factor determinante importante del precio. ^[17]

Clima

Los estudios muestran que la demanda de electricidad está determinada en gran medida por la temperatura . La demanda de calefacción en invierno y la demanda de refrigeración ( aires acondicionados ) en verano son las principales responsables de los picos estacionales en la mayoría de las regiones. Los grados-día de calefacción y los grados-día de refrigeración ayudan a medir el consumo de energía haciendo referencia a la temperatura exterior por encima y por debajo de los 65 grados Fahrenheit , una línea de base comúnmente aceptada. ^[18]

En lo que respecta a las fuentes renovables, como la solar y la eólica, el clima afecta la oferta. La curva de pato de California muestra la diferencia entre la demanda de electricidad y la cantidad de energía solar disponible a lo largo del día. En un día soleado, la energía solar inunda el mercado de generación de electricidad y luego cae durante la noche, cuando la demanda de electricidad alcanza su pico. ^[11]

La previsión de la energía renovable eólica y solar es cada vez más importante a medida que aumenta la cantidad de energía generada a partir de estas fuentes. ^[19] Las previsiones meteorológicas pueden mejorar la precisión de los modelos de previsión de precios de la electricidad. Si bien las previsiones con un día de antelación pueden aprovechar los efectos autorregresivos, las previsiones que incluyen datos meteorológicos son más precisas para horizontes de dos a cuatro días de antelación. ^[20] En algunos casos, las previsiones de generación de energía renovable publicadas por los operadores de sistemas de transmisión (TSO) se pueden mejorar con modelos de predicción simples y se pueden utilizar para proporcionar predicciones más precisas de los precios de la electricidad. ^[21]

Disponibilidad de energía hidroeléctrica

La capa de nieve , los caudales fluviales , la estacionalidad, el salmón , etc. afectan a la cantidad de agua que puede fluir a través de una presa en un momento dado. La previsión de estas variables predice la energía potencial disponible para una presa durante un período determinado. ^[22] Algunas regiones, como Pakistán, Egipto, China y el noroeste del Pacífico, obtienen una generación significativa de presas hidroeléctricas . En 2015, SAIDI y SAIFI se duplicaron con respecto al año anterior en Zambia debido a las bajas reservas de agua en sus presas hidroeléctricas causadas por la insuficiencia de lluvias. ^[23]

Cortes de energía en plantas eléctricas y de transmisión

Los cortes de suministro, ya sean planificados o no, afectan la cantidad total de energía disponible en la red y socavan el suministro eléctrico, lo que a su vez afecta el precio. ^[23]

Salud económica

En épocas de dificultades económicas, muchas fábricas reducen la producción debido a una reducción de la demanda de los consumidores y, por lo tanto, reducen la demanda eléctrica relacionada con la producción. ^[24]

Regulación gubernamental

Los gobiernos pueden optar por hacer que las tarifas eléctricas sean asequibles para su población mediante subsidios a productores y consumidores. La mayoría de los países que se caracterizan por tener un acceso bajo a la energía tienen empresas eléctricas que no recuperan nada de sus costos de capital y de operación, debido a los altos niveles de subsidios. ^[25]

Taxonomía de los enfoques de modelado

Una taxonomía de la previsión de precios de la electricidad (EPF) y enfoques de modelado según Weron (2014)

Se han probado diversos métodos e ideas para la previsión de precios de la electricidad (EPF), con distintos grados de éxito. Se pueden clasificar en seis grupos: ^[3]

Modelos multiagente

Los modelos multiagente ( simulación multiagente , equilibrio, teoría de juegos ) simulan el funcionamiento de un sistema de agentes heterogéneos (unidades generadoras, empresas) que interactúan entre sí y construyen el proceso de precios haciendo coincidir la demanda y la oferta en el mercado. ^[26] Esta clase incluye modelos basados ​​en costos (o modelos de costos de producción , PCM), ^{[27] enfoques} de equilibrio o teoría de juegos (como el marco de Nash-Cournot, equilibrio de función de oferta - SFE, modelos estratégicos de costos de producción - SPCM) ^{[28] [29] [30] [31] [32]} y modelos basados ​​en agentes . ^{[33] [34] [35]}

Los modelos multiagente suelen centrarse en cuestiones cualitativas más que en resultados cuantitativos. Pueden ofrecer información sobre si los precios estarán por encima de los costes marginales y cómo esto podría influir en los resultados de los actores. Sin embargo, plantean problemas si es necesario extraer conclusiones más cuantitativas, en particular si es necesario predecir los precios de la electricidad con un alto nivel de precisión.

Modelos fundamentales

Los métodos fundamentales ( estructurales ) intentan capturar las relaciones físicas y económicas básicas que están presentes en la producción y comercialización de electricidad. ^[36] Se postulan las asociaciones funcionales entre los impulsores fundamentales (cargas, condiciones climáticas, parámetros del sistema, etc.), y las entradas fundamentales se modelan y predicen de forma independiente, a menudo mediante técnicas estadísticas, de forma reducida o de inteligencia computacional . En general, se pueden identificar dos subclases de modelos fundamentales: modelos ricos en parámetros ^{[37] [38]} y modelos estructurales parsimoniosos ^{[39] [40] [41] [42]} de oferta y demanda.

En la implementación práctica de los modelos fundamentales surgen dos desafíos importantes: la disponibilidad de datos y la incorporación de fluctuaciones estocásticas de los factores fundamentales. Al construir el modelo, hacemos suposiciones específicas sobre las relaciones físicas y económicas en el mercado y, por lo tanto, las proyecciones de precios generadas por los modelos son muy sensibles a las violaciones de estas suposiciones.

Modelos de forma reducida

Los modelos de forma reducida ( cuantitativos, estocásticos ) caracterizan las propiedades estadísticas de los precios de la electricidad a lo largo del tiempo, con el objetivo último de la valoración de derivados y la gestión de riesgos . ^{[43] [4] [36]} Su principal intención no es proporcionar pronósticos precisos de precios por hora, sino más bien replicar las principales características de los precios diarios de la electricidad, como las distribuciones marginales en puntos temporales futuros, la dinámica de precios y las correlaciones entre los precios de las materias primas. Si el proceso de precios elegido no es apropiado para capturar las principales propiedades de los precios de la electricidad, es probable que los resultados del modelo no sean confiables. Sin embargo, si el modelo es demasiado complejo, la carga computacional impedirá su uso en línea en los departamentos de negociación. Dependiendo del tipo de mercado en consideración, los modelos de forma reducida se pueden clasificar como:

• Modelos de precios spot , que proporcionan una representación parsimoniosa de la dinámica de los precios spot. Su principal inconveniente es el problema de la fijación de precios de los derivados, es decir, la identificación de la prima de riesgo que vincula los precios spot y forward. ^[44] Las dos subclases más populares incluyen los modelos de difusión por salto ^{[45] [46] [47] [48]} y los modelos de cambio de régimen de Markov ^{[49] [50] [51] [52]} .
• Los modelos de precios a plazo permiten fijar el precio de los derivados de una manera sencilla (pero sólo de aquellos escritos sobre el precio a plazo de la electricidad). Sin embargo, también tienen sus limitaciones; la más importante de ellas es la falta de datos que puedan utilizarse para la calibración y la imposibilidad de derivar las propiedades de los precios spot a partir del análisis de las curvas a plazo. ^{[37] [53] [54]}

Modelos estadísticos

Los métodos estadísticos (como los econométricos ) pronostican el precio actual utilizando una combinación matemática de los precios anteriores y/o valores anteriores o actuales de factores exógenos , típicamente cifras de consumo y producción, o variables climáticas. ^[3] Las dos categorías más importantes son los modelos aditivos y multiplicativos . Se diferencian en si el precio predicho es la suma (aditivo) de una serie de componentes o el producto (multiplicativo) de una serie de factores. Los primeros son mucho más populares, pero los dos están estrechamente relacionados: un modelo multiplicativo para precios se puede transformar en un modelo aditivo para precios logarítmicos. Los modelos estadísticos son atractivos porque se puede asociar cierta interpretación física a sus componentes, lo que permite a los ingenieros y operadores de sistemas comprender su comportamiento. A menudo se los critica por su capacidad limitada para modelar el comportamiento (generalmente) no lineal de los precios de la electricidad y las variables fundamentales relacionadas. Sin embargo, en aplicaciones prácticas, sus desempeños no son peores que los de los métodos de inteligencia computacional no lineal (ver más abajo). Por ejemplo, en la modalidad de pronóstico de carga del Concurso Mundial de Pronóstico de Energía (GEFCom2012), que atrajo a cientos de participantes de todo el mundo, los cuatro proyectos ganadores utilizaron modelos de tipo regresión.

Una taxonomía de las arquitecturas de redes neuronales artificiales más populares en EPF (ver Weron, 2014). Los nodos de entrada se indican con círculos rellenos, los nodos de salida con círculos vacíos y los nodos en la capa oculta con círculos vacíos con un contorno discontinuo. Las funciones de activación para redes RBF son funciones de base radial, mientras que los perceptrones multicapa (MLP) suelen utilizar funciones de activación lineales o sigmoideas por partes (ilustradas con círculos).

Los modelos estadísticos constituyen una clase muy rica que incluye:

• Métodos de días similares ^[55] y de suavizado exponencial ^[56] .
• Modelos de regresión de series de tiempo sin variables exógenas ( AR , ARMA , ARIMA , ARIMA fraccional - FARIMA , ARIMA estacional - SARIMA, AR de umbral - TAR) y con variables exógenas (ARX, ARMAX, ARIMAX, SARIMAX, TARX). ^{[3] [55] [56] [57] [58] [59] [60] [61] [62] [63]}
• Modelos de series temporales heterocedásticas ( GARCH , AR-GARCH, SV). ^{[4] [64] [65] [66] [67]}
• Modelos factoriales . ^{[68] [69] [70]}
• Modelos de análisis de datos funcionales . ^{[71] [72] [73]}

Modelos de inteligencia computacional

Las técnicas de inteligencia computacional ( basadas en inteligencia artificial , aprendizaje automático , no paramétricas, estadísticas no lineales ) combinan elementos de aprendizaje, evolución y borrosidad para crear enfoques que son capaces de adaptarse a sistemas dinámicos complejos y pueden considerarse "inteligentes" en este sentido. Las redes neuronales artificiales , ^{[57] [74] [75] [76] [77]} incluidas las redes neuronales profundas , ^{[55] [60] [78]} los modelos de IA explicables ^[79] y las redes neuronales distributivas, ^[80] así como los sistemas difusos ^{[74] [81]} y las máquinas de vectores de soporte (SVM) ^[82] son ​​sin duda las principales clases de técnicas de inteligencia computacional en EPF. Su principal fortaleza es la capacidad de manejar la complejidad y la no linealidad. En general, los métodos de inteligencia computacional son mejores para modelar estas características de los precios de la electricidad que las técnicas estadísticas (ver arriba). Al mismo tiempo, esta flexibilidad es también su principal debilidad. La capacidad de adaptarse a un comportamiento no lineal y esporádico no conduce necesariamente a mejores predicciones puntuales o probabilísticas, y se requiere mucho esfuerzo para encontrar los hiperparámetros correctos . ^[55]

Modelos híbridos

Muchos de los enfoques de modelado y previsión de precios considerados en la literatura son soluciones híbridas , que combinan técnicas de dos o más de los grupos enumerados anteriormente. ^[55] Su clasificación no es trivial, si es que es posible. Como ejemplo de modelo híbrido, AleaModel (AleaSoft) combina redes neuronales y modelos de Box Jenkins.

Pronóstico de horizontes

Se suele hablar de previsiones a corto, medio y largo plazo, ^[3] pero no hay consenso en la literatura sobre cuáles deberían ser realmente los umbrales:

• Las previsiones a corto plazo generalmente abarcan horizontes que van desde unos pocos minutos hasta unos pocos días y son de suma importancia en las operaciones diarias del mercado. ^{[ cita requerida ]}
• Las previsiones a medio plazo , que van desde unos pocos días hasta unos pocos meses, suelen ser las preferidas para los cálculos de balances , la gestión de riesgos y la fijación de precios de derivados . En muchos casos, especialmente en las previsiones de precios de la electricidad, la evaluación no se basa en las previsiones puntuales reales, sino en las distribuciones de precios a lo largo de determinados períodos de tiempo futuros. Como este tipo de modelización tiene una larga tradición en finanzas , se observa una afluencia de "soluciones financieras".
• La previsión a largo plazo , con plazos medidos en meses, trimestres o incluso años, se concentra en el análisis y la planificación de la rentabilidad de las inversiones , como la determinación de los futuros emplazamientos o fuentes de combustible de las centrales eléctricas.

El futuro de la previsión de precios de la electricidad

En su extenso artículo de revisión, Weron ^[3] mira hacia el futuro y especula sobre las direcciones que EPF tomará o debería tomar durante la próxima década aproximadamente:

Factores fundamentales de precios y variables de entrada

Estacionalidad

Un punto clave en el modelado y pronóstico de precios spot de electricidad es el tratamiento apropiado de la estacionalidad. ^{[75] [83]} El precio de la electricidad exhibe estacionalidad en tres niveles: el diario y semanal, y en cierta medida, el anual. En el pronóstico a corto plazo , la estacionalidad anual o de largo plazo generalmente se ignora, pero los patrones diarios y semanales (incluido un tratamiento separado de los días festivos) son de suma importancia. Sin embargo, este puede no ser el enfoque correcto. Como Nowotarski y Weron ^[84] han demostrado recientemente, descomponer una serie de precios de electricidad en un componente estacional de largo plazo y un componente estocástico, modelarlos independientemente y combinar sus pronósticos puede traer -contrariamente a una creencia común- una ganancia de precisión en comparación con un enfoque en el que un modelo dado está calibrado para los precios mismos.

En la previsión a medio plazo , los patrones diarios pierden relevancia y la mayoría de los modelos EPF trabajan con precios diarios promedio. Sin embargo, el componente tendencia-ciclo a largo plazo desempeña un papel crucial. Su especificación incorrecta puede introducir sesgo, lo que puede llevar a una mala estimación del nivel de reversión a la media o de la intensidad y severidad del pico de precios y, en consecuencia, a subestimar el riesgo. Finalmente, en el largo plazo , cuando el horizonte temporal se mide en años, la estacionalidad diaria, semanal e incluso anual puede ignorarse y predominan las tendencias a largo plazo. Hasta ahora, en la literatura no se ha prestado suficiente atención al tratamiento adecuado, tanto dentro como fuera de la muestra , de la estacionalidad. ^{[85] [86] [87]}

Selección de variables

Otro tema crucial en la previsión de precios de la electricidad es la elección apropiada de las variables explicativas. ^{[3] [88] [89]} Aparte de los precios históricos de la electricidad, el precio spot actual depende de un gran conjunto de impulsores fundamentales, incluyendo cargas del sistema, variables meteorológicas, costos de combustible, el margen de reserva (es decir, generación disponible menos/sobre la demanda prevista) e información sobre mantenimiento programado y cortes forzados . Aunque los modelos de "precio puro" a veces se utilizan para EPF, en el escenario de previsión de día siguiente más común la mayoría de los autores seleccionan una combinación de estos impulsores fundamentales, basándose en la heurística y la experiencia del pronosticador. ^[90] Muy rara vez se ha llevado a cabo un procedimiento de selección o reducción automatizado en EPF, especialmente para un gran conjunto de variables explicativas iniciales. ^[91] Sin embargo, la literatura de aprendizaje automático proporciona herramientas viables que pueden clasificarse ampliamente en dos categorías: ^[92]

• Selección de características o subconjuntos , que implica identificar un subconjunto de predictores que consideramos influyentes y luego ajustar un modelo al conjunto reducido de variables.
• Reducción (también conocida como regularización ), que ajusta el modelo completo con todos los predictores mediante un algoritmo que reduce los coeficientes estimados hacia cero, lo que puede reducir significativamente su varianza. Según el tipo de reducción que se realice, algunos de los coeficientes pueden reducirse a cero. Como tal, algunos métodos de reducción , como el método lasso , realizan de facto una selección de variables .

Algunas de estas técnicas se han utilizado en el contexto del EPF:

• regresión por pasos , ^{[93] [94]} incluida la eliminación de un solo paso, ^[88]
• Regresión de cresta , ^{[91] [95]}
• lazo , ^{[89] [91] [96] [97] [98]}
• y redes elásticas , ^[91]

Pero su uso no es común. Es necesario seguir desarrollando y empleando métodos para seleccionar las variables de entrada más eficaces (entre los precios históricos de la electricidad, así como los valores pasados ​​y previstos de los factores fundamentales).

Previsión de picos y margen de reserva

Al predecir la ocurrencia de picos o la volatilidad de los precios spot, una de las variables fundamentales más influyentes es el margen de reserva, también llamado generación excedente . Relaciona la capacidad disponible (generación, oferta), , con la demanda (carga), , en un momento dado en el tiempo . La noción tradicional de ingeniería del margen de reserva lo define como la diferencia entre los dos, es decir, , pero muchos autores prefieren trabajar con ratios adimensionales , o la llamada utilización de la capacidad . ^[3] Su rara aplicación en EPF puede justificarse solo por la dificultad de obtener datos de margen de reserva de buena calidad. Dado que cada vez más operadores de sistemas (ver, por ejemplo, http://www.elexon.co.uk) están divulgando dicha información hoy en día, los datos de margen de reserva deberían desempeñar un papel importante en EPF en el futuro cercano. ${\displaystyle C_{t}}$ ${\displaystyle D_{t}}$ ${\displaystyle t}$ ${\displaystyle RM=C_{t}-D_{t}}$ ${\displaystyle \rho _{t}=D_{t}/C_{t}}$ ${\displaystyle R_{t}=C_{t}/D_{t}-1}$ ${\displaystyle CU_{t}=1-D_{t}/C_{t}}$

Pronósticos probabilísticos

El uso de intervalos de predicción (IP) y densidades, o pronóstico probabilístico , se ha vuelto mucho más común en las últimas tres décadas, a medida que los profesionales han llegado a comprender las limitaciones de los pronósticos puntuales. ^[99] A pesar de la audaz decisión de los organizadores de la Competencia Global de Pronóstico de Energía 2014 de requerir que los participantes presenten pronósticos de los 99 percentiles de la distribución predictiva (día siguiente en la trayectoria de precios) y no los pronósticos puntuales como en la edición de 2012, ^[100] esto no parece ser un caso común en EPF todavía.

Si se calculan los PI, normalmente se basan en la distribución (y se aproximan por la desviación estándar de los residuos del modelo ^[3] ) o son empíricos. Recientemente se ha introducido una nueva técnica de combinación de pronósticos (ver más abajo) en el contexto de EPF. El promedio de regresión cuantil (QRA) implica aplicar la regresión cuantil a los pronósticos puntuales de un pequeño número de modelos de pronóstico individuales o expertos, lo que permite aprovechar el desarrollo existente de pronósticos puntuales. ^[101]

Combinando pronósticos

Los pronósticos de consenso , también conocidos como pronósticos combinados , promedio de pronósticos o promedio de modelos (en econometría y estadística ) y máquinas de comité , promedio de conjunto o agregación de expertos (en aprendizaje automático ), son predicciones del futuro que se crean combinando varios pronósticos separados que a menudo se han creado utilizando diferentes metodologías. A pesar de su popularidad en econometría, los pronósticos promediados no se han utilizado ampliamente en el contexto de los mercados de electricidad hasta la fecha. Hay alguna evidencia limitada sobre la idoneidad de combinar pronósticos de demanda de electricidad, ^[102] pero fue solo muy recientemente que la combinación se usó en EPF y solo para pronósticos puntuales. ^{[103] [104]} La combinación de pronósticos probabilísticos (es decir, de intervalo y densidad) es mucho menos popular, incluso en econometría en general, principalmente debido a la mayor complejidad del problema. Dado que el promedio de regresión cuantil (QRA) permite aprovechar el desarrollo existente de pronóstico puntual, ^[101] es particularmente atractivo desde un punto de vista práctico y puede convertirse en una herramienta popular en EPF en el futuro cercano.

Modelos factoriales multivariados

La literatura sobre la previsión de los precios diarios de la electricidad se ha concentrado en gran medida en modelos que utilizan únicamente información a nivel agregado (es decir, diario). Por otro lado, el muy rico cuerpo de literatura sobre la previsión de los precios intradiarios ha utilizado datos desagregados (es decir, por hora o por media hora), pero en general no ha explorado la compleja estructura de dependencia de las series de precios multivariadas. ^[3] Si queremos explorar la estructura de los precios intradiarios de la electricidad, necesitamos utilizar métodos de reducción de dimensión; por ejemplo, modelos factoriales con factores estimados como componentes principales (CP). La evidencia empírica indica que existen mejoras en la previsión al incorporar datos desagregados (es decir, por hora o por zona) para predecir los precios diarios del sistema, especialmente cuando el horizonte de previsión supera una semana. ^{[105] [106]} Con el aumento de la potencia computacional, la calibración en tiempo real de estos modelos complejos será factible y podemos esperar ver más aplicaciones EPF del marco multivariado en los próximos años.

Un campo de pruebas universal

Todas las principales publicaciones de revisión concluyen que existen problemas para comparar los métodos desarrollados y utilizados en la literatura de EPF. ^{[3] [90]} Esto se debe principalmente al uso de diferentes conjuntos de datos, diferentes implementaciones de software de los modelos de pronóstico y diferentes medidas de error, pero también a la falta de rigor estadístico en muchos estudios. Esto requiere un estudio exhaustivo y exhaustivo que incluya (i) los mismos conjuntos de datos, (ii) los mismos procedimientos de evaluación de error robustos y (iii) pruebas estadísticas de la importancia del desempeño superior de un modelo respecto de otro. Hasta cierto punto, la Competencia Global de Pronóstico de Energía 2014 ha abordado estas cuestiones. Sin embargo, se debe hacer más. Se debe utilizar una selección de las medidas de mejor desempeño (MAE ponderada, MASE estacional o RMSSE) ya sea de forma exclusiva o junto con las más populares (MAPE, RMSE). Los resultados empíricos deben probarse más a fondo para determinar la importancia de las diferencias en la precisión de pronóstico de los modelos. ^{[103] [104] [105]}

Véase también

• Previsión energética
• Concursos mundiales de previsión energética

Referencias

1. Maciejowska, Katarzyna; Uniejewski, Bartosz; Weron, Rafal (19 de julio de 2023), "Forecasting Electricity Prices", Enciclopedia de investigación de economía y finanzas de Oxford , Oxford University Press, arXiv : 2204.11735 , doi :10.1093/acrefore/9780190625979.013.667, ISBN 978-0-19-062597-9, consultado el 12 de abril de 2024
2. Mayer, Klaus; Trück, Stefan (marzo de 2018). "Mercados de electricidad en todo el mundo". Journal of Commodity Markets . 9 : 77–100. doi :10.1016/j.jcomm.2018.02.001.
3. Weron, Rafał (2014). "Previsión del precio de la electricidad: una revisión del estado del arte con una mirada al futuro". Revista Internacional de Previsión . 30 (4). [Acceso abierto]: 1030–1081. doi : 10.1016/j.ijforecast.2014.08.008 .
4. Weron, Rafał (2006). Modelado y pronóstico de cargas y precios de electricidad: un enfoque estadístico. Wiley. ISBN 978-0-470-05753-7.
5. Hong, Tao (2015). "Lecciones de Crystal Ball en análisis predictivo". Revista EnergyBiz . Primavera: 35–37. Archivado desde el original el 10 de septiembre de 2015. Consultado el 29 de noviembre de 2015 .
6. ISO NE
7. "Mapas de zonas ISO de Nueva York" . Consultado el 18 de junio de 2017 .^{[ enlace muerto permanente ]}
8. "Mapa de contornos de LMP: mercado diario - precios en el punto de liquidación". ERCOT . Consultado el 18 de junio de 2017 .
9. "FERC: Mercados de energía eléctrica: panorama nacional". www.ferc.gov . Archivado desde el original el 23 de enero de 2019. Consultado el 3 de mayo de 2018 .
10. "Energía eólica y mercados de electricidad" (PDF) . 2011. Archivado desde el original (PDF) el 4 de marzo de 2016. Consultado el 18 de junio de 2017 .
11. "Enfrentando la curva del pato: cómo abordar la sobregeneración de energía solar". Energy.gov . Consultado el 3 de mayo de 2018 .
12. "Máquina Wayback" (PDF) . Red eléctrica. 16 de agosto de 2011 . Consultado el 14 de mayo de 2017 .^{[ enlace muerto ]}
13. Nowotarski, Jakub; Weron, Rafał (2018). "Avances recientes en la previsión de precios de la electricidad: una revisión de la previsión probabilística" (PDF) . Renewable and Sustainable Energy Reviews . 81 : 1548–1568. Bibcode :2018RSERv..81.1548N. doi :10.1016/j.rser.2017.05.234. S2CID  157301643.
14. "El mercado eléctrico". Nord Pool Spot. Archivado desde el original el 6 de junio de 2017. Consultado el 18 de junio de 2017 .
15. Mosquera-López, Stephanía; Nursimulu, Anjali (marzo de 2019). "Impulsores de la dinámica de los precios de la electricidad: análisis comparativo de los mercados spot y de futuros". Política energética . 126 : 76–87. Bibcode :2019EnPol.126...76M. doi :10.1016/j.enpol.2018.11.020.
16. "Seis factores clave que impulsan los precios del gas y la electricidad | APPI Energy" www.appienergy.com . Archivado desde el original el 23 de enero de 2019 . Consultado el 3 de mayo de 2018 .
17. "Los precios de los derechos de emisión de CO2 de la UE siguen subiendo y alcanzan los 10,60 EUR/tm – Electric Power | Platts News Article & Story". www.platts.com . Consultado el 3 de mayo de 2018 .
18. Robert Carver. "¿Qué se necesita para calentar una habitación nueva?". Asociación Estadounidense de Estadística. Archivado desde el original el 22 de noviembre de 1999. Consultado el 14 de febrero de 2010 .
19. Sweeney, Conor; Bessa, Ricardo J.; Browell, Jethro; Pinson, Pierre (marzo de 2020). "El futuro de la previsión de energía renovable". WIREs Energy and Environment . 9 (2). Bibcode :2020WIREE...9E.365S. doi :10.1002/wene.365. hdl : 10197/11503 . ISSN  2041-8396.
20. Sgarlato, Raffaele; Ziel, Florian (mayo de 2023). "El papel de las predicciones meteorológicas en la previsión de precios de la electricidad más allá del horizonte del día siguiente". IEEE Transactions on Power Systems . 38 (3): 2500–2511. Bibcode :2023ITPSy..38.2500S. doi : 10.1109/TPWRS.2022.3180119 . ISSN  0885-8950.
21. Maciejowska, Katarzyna; Nitka, Weronika; Weron, Tomasz (julio de 2021). "Mejora de la generación de energía eólica, solar y de carga para la previsión diaria de los precios de la electricidad". Economía energética . 99 : 105273. Bibcode :2021EneEc..9905273M. doi :10.1016/j.eneco.2021.105273.
22. "Unas previsiones más fiables de los caudales hídricos pueden reducir el precio de la electricidad". Cuerpo de conocimientos sobre la regulación de las infraestructuras . 19 de enero de 2010. Consultado el 18 de junio de 2017 .
23. J. Arlet. 2017. “Restricciones del sector eléctrico para las empresas en distintas economías: un análisis comparativo”. Notas de investigación de Doing Business; n.° 1. Washington, DC: Grupo del Banco Mundial. http://documents.worldbank.org/curated/en/409771499690745091/Electricity-sector-constraints-for-firms-across-economies-a-comparative-analysis p.10
24. "Previsión de la demanda de electricidad" (PDF) . Cuerpo de conocimientos sobre regulación de infraestructura . Consultado el 18 de junio de 2017 .
25. C. Trimble, M. Kojima, I. Perez Arroyo, F. Mohammadzadeh. 2016. “Viabilidad financiera de los sectores de electricidad en África subsahariana: déficits cuasifiscales y costos ocultos”. Documento de trabajo sobre investigación de políticas, n.º 7788.
26. Ventosa, Mariano; Baillo, Álvaro; Ramos, Andrés; Rivier, Michel (2005). "Tendencias en la modelización del mercado eléctrico". Política Energética . 33 (7): 897–913. Código Bib : 2005EnPol..33..897V. doi :10.1016/j.enpol.2003.10.013.
27. Wood, AJ; Wollenberg, BF (1996). Generación, operación y control de energía . Wiley.
28. Batlle, Carlos; Barquin, J. (2005). "Un modelo de costeo estratégico de producción para el análisis de precios del mercado eléctrico". IEEE Transactions on Power Systems . 20 (1): 67–74. Bibcode :2005ITPSy..20...67B. doi :10.1109/TPWRS.2004.831266. hdl : 11531/7777 . ISSN  0885-8950. S2CID  22681492.
29. Borgosz-Koczwara, Magdalena; Weron, Aleksander; Wyłomańska, Agnieszka (2009). "Modelos estocásticos para estrategias de licitación en el mercado oligopólico de electricidad". Métodos matemáticos de investigación de operaciones . 69 (3): 579–592. doi :10.1007/s00186-008-0252-7. ISSN  1432-2994. S2CID  8882103.
30. Bello, Antonio; Bunn, Derek W.; Reneses, Javier; Munoz, Antonio (enero de 2017). "Pronóstico probabilístico de mediano plazo de los precios de la electricidad: un enfoque híbrido". IEEE Transactions on Power Systems . 32 (1): 334–343. Bibcode :2017ITPSy..32..334B. doi :10.1109/TPWRS.2016.2552983. ISSN  0885-8950.
31. Wang, Xian; Yang, Jiaying; Zhang, Kai; Zhang, Shaohua; Wu, Lei (enero de 2022). "Análisis de la teoría de juegos del mecanismo de operación basado en el mercado para recursos de respuesta a la demanda". Revista Internacional de Sistemas Eléctricos y de Energía . 134 : 107456. Bibcode :2022IJEPE.13407456W. doi : 10.1016/j.ijepes.2021.107456 .
32. Boomsma, Trine Krogh; Pineda, Salvador; Heide-Jørgensen, Ditte Mølgård (junio de 2022). "Los mercados spot y de equilibrio de la electricidad: modelos de equilibrio de circuito abierto y cerrado". Computational Management Science . 19 (2): 309–346. doi :10.1007/s10287-021-00418-4. ISSN  1619-697X.
33. Guerci, Eric; Ivaldi, Stefano; Cincotti, Silvano (2008). "Agentes de aprendizaje en un intercambio de poder artificial: colusión tácita, poder de mercado y eficiencia de dos mecanismos de doble subasta". Economía computacional . 32 (1–2): 73–98. doi :10.1007/s10614-008-9127-5. ISSN  0927-7099. S2CID  154575281.
34. Shafie-khah, Miadreza; Catalao, Joao PS (marzo de 2015). "Un modelo estocástico multicapa basado en agentes para estudiar el comportamiento de los participantes del mercado eléctrico". IEEE Transactions on Power Systems . 30 (2): 867–881. Bibcode :2015ITPSy..30..867S. doi :10.1109/TPWRS.2014.2335992. ISSN  0885-8950.
35. Fraunholz, Christoph; Kraft, Emil; Keles, Dogan; Fichtner, Wolf (mayo de 2021). "Previsión avanzada de precios en simulación del mercado eléctrico basada en agentes". Applied Energy . 290 : 116688. Bibcode :2021ApEn..29016688F. doi :10.1016/j.apenergy.2021.116688.
36. Burger, M.; Graeber, B.; Schindlmayr, G. (2007). Gestión del riesgo energético: una visión integrada de los mercados de energía y otros mercados energéticos . Wiley. doi :10.1002/9781119209102. ISBN 9781119209102.
37. Eydeland, Alexander; Wolyniec, Krzysztof (2003). Gestión de riesgos de energía y electricidad: nuevos avances en modelado, fijación de precios y cobertura. Wiley. ISBN 978-0-471-10400-1.
38. Beran, Philip; Pape, Christian; Weber, Christoph (junio de 2019). "Modelado de precios spot de electricidad al por mayor en Alemania con un modelo fundamental parsimonioso: validación y aplicación". Política de servicios públicos . 58 : 27–39. Bibcode :2019UtPol..58...27B. doi :10.1016/j.jup.2019.01.008.
39. Carmona, René; Coulon, Michael (2014). Benth, Fred Espen; Kholodnyi, Valery A.; Laurence, Peter (eds.). Una encuesta sobre los mercados de productos básicos y modelos estructurales para los precios de la electricidad . Springer Nueva York. pp. 41–83. CiteSeerX 10.1.1.380.3730 . doi :10.1007/978-1-4614-7248-3_2. ISBN  978-1-4614-7247-6.S2CID2126558  .​
40. Kallabis, Thomas; Pape, Christian; Weber, Christoph (agosto de 2016). «La caída de los precios de futuros de electricidad en Alemania: análisis utilizando un modelo fundamental parsimonioso». Energy Policy . 95 : 280–290. Bibcode :2016EnPol..95..280K. doi :10.1016/j.enpol.2016.04.025.
41. Ziel, Florian; Steinert, Rick (septiembre de 2016). "Previsión del precio de la electricidad mediante curvas de venta y compra: el modelo X". Economía energética . 59 : 435–454. arXiv : 1509.00372 . Código Bibliográfico :2016EneEc..59..435Z. doi :10.1016/j.eneco.2016.08.008.
42. Alasseur, C.; Féron, O. (septiembre de 2018). "Modelo de precios estructurales para mercados de electricidad acoplados". Economía energética . 75 : 104–119. arXiv : 1704.06027 . Código Bibliográfico :2018EneEc..75..104A. doi :10.1016/j.eneco.2018.07.018.
43. Bunn, Derek W., ed. (2004). Modelado de precios en mercados competitivos de electricidad. Wiley. ISBN 978-0-470-84860-9.
44. Weron, Rafał; Zator, Michał (2014). "Revisitando la relación entre los precios spot y futuros en el mercado de electricidad Nord Pool" (PDF) . Economía de la energía . 44 : 178–190. Código Bibliográfico :2014EneEc..44..178W. doi :10.1016/j.eneco.2014.03.007.
45. Weron, Rafał (2008). "Precio de mercado del riesgo implícito en las opciones y futuros de electricidad de estilo asiático". Economía energética . 30 (3): 1098–1115. Bibcode :2008EneEc..30.1098W. CiteSeerX 10.1.1.136.3016 . doi :10.1016/j.eneco.2007.05.004. 
46. Benth, Fred Espen; Kiesel, Rüdiger; Nazarova, Anna (2012). "Un estudio empírico crítico de tres modelos de precios spot de electricidad". Economía de la energía . 34 (5): 1589–1616. Código Bibliográfico :2012EneEc..34.1589B. doi :10.1016/j.eneco.2011.11.012.
47. Muniain, Perú; Ziel, Florian (octubre de 2020). "Pronóstico probabilístico en mercados de electricidad con cotización diaria: simulación de precios pico y valle". Revista Internacional de Pronóstico . 36 (4): 1193–1210. arXiv : 1810.08418 . doi :10.1016/j.ijforecast.2019.11.006.
48. Ciarreta, Aitor; Muniain, Perú; Zarraga, Ainhoa ​​(noviembre de 2022). "¿Importan los saltos y cosaltos para la previsión de precios de la electricidad? Evidencia del mercado alemán-austriaco de día siguiente". Electric Power Systems Research . 212 : 108144. Bibcode :2022EPSR..21208144C. doi :10.1016/j.epsr.2022.108144. hdl : 10810/58629 .
49. Janczura, Joanna; Weron, Rafal (2010). "Una comparación empírica de modelos alternativos de cambio de régimen para precios spot de electricidad" (PDF) . Economía de la energía . 32 (5): 1059–1073. Bibcode :2010EneEc..32.1059J. doi :10.1016/j.eneco.2010.05.008.
50. Janczura, Joanna (febrero de 2014). "Fijación de precios de derivados de electricidad dentro de un modelo de cambio de régimen de Markov: un enfoque de prima de riesgo". Métodos matemáticos de investigación de operaciones . 79 (1): 1–30. doi : 10.1007/s00186-013-0451-8 . ISSN  1432-2994.
51. Sapio, Alessandro (octubre de 2015). "Los efectos de las energías renovables en el espacio y el tiempo: un modelo de cambio de régimen del precio de la energía italiana". Política energética . 85 : 487–499. Bibcode :2015EnPol..85..487S. doi :10.1016/j.enpol.2015.07.025.
52. Apergis, Nicholas; Gozgor, Giray; Lau, Chi Keung Marco; Wang, Shixuan (febrero de 2019). "Descifrando el mercado eléctrico australiano: Nueva evidencia del modelo semimarkoviano oculto de tres regímenes". Economía energética . 78 : 129–142. Código Bibliográfico :2019EneEc..78..129A. doi :10.1016/j.eneco.2018.10.038.
53. Benth, Fred Espen; Benth, Jūratė Šaltytė; Koekebakker, Steen (2008). Modelado estocástico de la electricidad y mercados relacionados . Serie avanzada sobre ciencia estadística y probabilidad aplicada. Vol. 11. World Scientific. doi :10.1142/6811. ISBN. 978-981-281-230-8.
54. Caldana, Ruggero; Fusai, Gianluca; Roncoroni, Andrea (septiembre de 2017). "Curvas de electricidad a plazo con granularidad fina: teoría y evidencia empírica en el mercado horario EPEXspot". Revista Europea de Investigación Operativa . 261 (2): 715–734. doi :10.1016/j.ejor.2017.02.016.
55. Lago, Jesus; Marcjasz, Grzegorz; De Schutter, Bart; Weron, Rafał (julio de 2021). "Previsión de precios de electricidad para el día siguiente: una revisión de algoritmos de última generación, mejores prácticas y un punto de referencia de acceso abierto". Applied Energy . 293 : 116983. arXiv : 2008.08004 . Bibcode :2021ApEn..29316983L. doi :10.1016/j.apenergy.2021.116983.
56. Jonsson, T.; Pinson, P.; Nielsen, HA; Madsen, H.; Nielsen, TS (2013). "Previsión de precios spot de electricidad teniendo en cuenta las predicciones de energía eólica". IEEE Transactions on Sustainable Energy . 4 (1): 210–218. Bibcode :2013ITSE....4..210J. doi :10.1109/TSTE.2012.2212731. ISSN  1949-3029. S2CID  11850152.
57. Conejo, Antonio J.; Contreras, Javier; Espínola, Rosa; Plazas, Miguel A. (2005). "Previsión de precios de electricidad para un mercado de energía eléctrica basado en pools diarios". Revista Internacional de Previsión . 21 (3): 435–462. doi :10.1016/j.ijforecast.2004.12.005.
58. Weron, Rafał; Misiorek, Adam (2008). "Previsión de precios spot de electricidad: una comparación de modelos de series temporales paramétricos y semiparamétricos". Revista internacional de previsión . Previsión energética. 24 (4): 744–763. CiteSeerX 10.1.1.489.2637 . doi :10.1016/j.ijforecast.2008.08.004. S2CID  3999614. 
59. Karakatsani, Nektaria V.; Bunn, Derek W. (2008). "Previsión de los precios de la electricidad: el impacto de los fundamentos y los coeficientes que varían con el tiempo". Revista internacional de previsión . Previsión energética. 24 (4): 764–785. doi :10.1016/j.ijforecast.2008.09.008.
60. Lago, Jesus; De Ridder, Fjo; De Schutter, Bart (julio de 2018). "Previsión de precios spot de electricidad: enfoques de aprendizaje profundo y comparación empírica de algoritmos tradicionales". Applied Energy . 221 : 386–405. Bibcode :2018ApEn..221..386L. doi : 10.1016/j.apenergy.2018.02.069 .
61. Ziel, Florian; Weron, Rafał (febrero de 2018). "Previsión del precio de la electricidad con estructuras de alta dimensión para el día siguiente: marcos de modelado univariados y multivariados". Economía energética . 70 : 396–420. arXiv : 1805.06649 . Código Bibliográfico :2018EneEc..70..396Z. doi :10.1016/j.eneco.2017.12.016.
62. Kremer, Marcel; Kiesel, Rüdiger; Paraschiv, Florentina (26 de julio de 2021). "Un modelo econométrico para el comercio intradiario de electricidad". Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences . 379 (2202): 20190624. Bibcode :2021RSPTA.37990624K. doi :10.1098/rsta.2019.0624. ISSN  1364-503X. PMID  34092107.
63. Janczura, Joanna; Wójcik, Edyta (junio de 2022). "Estrategias dinámicas de gestión de riesgos a corto plazo para la elección del mercado de electricidad basadas en pronósticos probabilísticos de medidas de beneficios y riesgos. Estudio de caso del mercado alemán y polaco". Economía de la energía . 110 : 106015. Bibcode :2022EneEc.11006015J. doi :10.1016/j.eneco.2022.106015.
64. Koopman, Siem Jan; Ooms, Marius; Carnero, M. Angeles (2007). "Modelos periódicos estacionales Reg-ARFIMA–GARCH para precios spot diarios de electricidad" (PDF) . Revista de la Asociación Estadounidense de Estadística . 102 (477): 16–27. doi :10.1198/016214506000001022. hdl :1871/9678. ISSN  0162-1459. S2CID  11384864.
65. Kostrzewski, Maciej; Kostrzewska, Jadwiga (mayo de 2019). "Previsión probabilística del precio de la electricidad con modelos de volatilidad estocástica bayesiana". Economía Energética . 80 : 610–620. Código Bib :2019EneEc..80..610K. doi :10.1016/j.eneco.2019.02.004.
66. Janczura, Joanna; Puć, Andrzej (10 de enero de 2023). "Previsiones probabilísticas de precios ARX-GARCH para la diversificación del comercio en los mercados de electricidad: transformación estabilizadora de la varianza y asignación de cartera que minimiza el riesgo financiero". Energías . 16 (2): 807. doi : 10.3390/en16020807 . ISSN  1996-1073.
67. Billé, Anna Gloria; Gianfreda, Angelica; Del Grosso, Filippo; Ravazzolo, Francesco (abril de 2023). "Pronóstico de precios de la electricidad con modelos expertos, lineales y no lineales". Revista Internacional de Previsión . 39 (2): 570–586. doi :10.1016/j.ijforecast.2022.01.003.
68. Maciejowska, Katarzyna; Weron, Rafał (septiembre de 2015). "Previsión de precios diarios de electricidad con modelos factoriales: utilización de relaciones intradiarias e interzonales". Computational Statistics . 30 (3): 805–819. doi : 10.1007/s00180-014-0531-0 . ISSN  0943-4062.
69. Maciejowska, Katarzyna (2022). "Gestión de cartera de una pequeña empresa de energía renovable con un modelo autorregresivo vectorial estructural de los mercados de electricidad en Alemania" (PDF) . Investigación de operaciones y decisiones . 32 (4). doi :10.37190/ord220405. ISSN  2081-8858.
70. Uniejewski, Bartosz; Maciejowska, Katarzyna (octubre de 2023). "Promedio de componentes principales LASSO: un enfoque totalmente automatizado para la agrupación de pronósticos puntuales". Revista internacional de pronóstico . 39 (4): 1839–1852. arXiv : 2207.04794 . doi :10.1016/j.ijforecast.2022.09.004.
71. Liebl, Dominik (1 de septiembre de 2013). "Modelado y pronóstico de precios spot de electricidad: una perspectiva de datos funcionales". Anales de estadística aplicada . 7 (3). arXiv : 1310.1628 . doi :10.1214/13-AOAS652. ISSN  1932-6157.
72. Chen, Ying; Li, Bo (3 de julio de 2017). "Un modelo de pronóstico autorregresivo funcional adaptativo para predecir las curvas de precios de la electricidad". Journal of Business & Economic Statistics . 35 (3): 371–388. doi :10.1080/07350015.2015.1092976. ISSN  0735-0015.
73. Lisi, Francesco; Shah, Ismail (noviembre de 2020). "Previsión de la demanda y los precios de la electricidad al día siguiente basándose en modelos funcionales". Sistemas de energía . 11 (4): 947–979. doi :10.1007/s12667-019-00356-w. ISSN  1868-3967.
74. Amjady, N. (2006). "Previsión de precios de los mercados de electricidad con un día de antelación mediante una nueva red neuronal difusa". IEEE Transactions on Power Systems . 21 (2): 887–896. Bibcode :2006ITPSy..21..887A. doi :10.1109/TPWRS.2006.873409. ISSN  0885-8950. S2CID  31604774.
75. Keles, Dogan; Scelle, Jonathan; Paraschiv, Florentina; Fichtner, Wolf (2016). "Métodos de pronóstico extendidos para precios spot de electricidad con un día de anticipación aplicando redes neuronales artificiales". Applied Energy . 162 : 218–230. Bibcode :2016ApEn..162..218K. doi :10.1016/j.apenergy.2015.09.087.
76. Hubicka, Katarzyna; Marcjasz, Grzegorz; Weron, Rafal (enero de 2019). "Una nota sobre el promedio de los pronósticos de precios de electricidad del día siguiente en las ventanas de calibración". IEEE Transactions on Sustainable Energy . 10 (1): 321–323. Bibcode :2019ITSE...10..321H. doi :10.1109/TSTE.2018.2869557. ISSN  1949-3029.
77. Marcjasz, Grzegorz; Uniejewski, Bartosz; Weron, Rafał (octubre de 2019). "Sobre la importancia del componente estacional de largo plazo en la previsión de precios de electricidad con un día de antelación con redes neuronales NARX". Revista Internacional de Previsión . 35 (4): 1520–1532. doi :10.1016/j.ijforecast.2017.11.009.
78. Wang, Long; Zhang, Zijun; Chen, Jieqiu (julio de 2017). "Previsión de precios de electricidad a corto plazo con autocodificadores de reducción de ruido apilados". IEEE Transactions on Power Systems . 32 (4): 2673–2681. Bibcode :2017ITPSy..32.2673W. doi :10.1109/TPWRS.2016.2628873. ISSN  0885-8950.
79. Olivares, Kin G.; Challu, Cristian; Marcjasz, Grzegorz; Weron, Rafał; Dubrawski, Artur (abril de 2023). "Análisis de expansión de base neuronal con variables exógenas: pronóstico de precios de electricidad con NBEATSx". Revista Internacional de Pronóstico . 39 (2): 884–900. arXiv : 2104.05522 . doi :10.1016/j.ijforecast.2022.03.001.
80. Marcjasz, Grzegorz; Narajewski, Michał; Weron, Rafael; Ziel, Florian (septiembre de 2023). "Redes neuronales distributivas para la previsión del precio de la electricidad". Economía Energética . 125 : 106843. arXiv : 2207.02832 . Código Bib :2023EneEc.12506843M. doi :10.1016/j.eneco.2023.106843.
81. Rodríguez, CP; Anders, GJ (2004). "Previsión de precios de energía en el mercado competitivo de sistemas de energía de Ontario". IEEE Transactions on Power Systems . 19 (1): 366–374. Bibcode :2004ITPSy..19..366R. doi :10.1109/TPWRS.2003.821470. ISSN  0885-8950. S2CID  40031638.
82. Yan, Xing; Chowdhury, Nurul A. (2013). "Previsión de precios de equilibrio del mercado eléctrico a medio plazo: un enfoque híbrido LSSVM y ARMAX". Revista internacional de sistemas de energía y potencia eléctrica . 53 : 20–26. Código Bibliográfico :2013IJEPE..53...20Y. doi :10.1016/j.ijepes.2013.04.006.
83. Janczura, Joanna; Trück, Stefan; Weron, Rafał; Wolff, Rodney C. (2013). "Identificación de picos y componentes estacionales en datos de precios spot de electricidad: una guía para modelado robusto" (PDF) . Economía de la energía . 38 : 96–110. Código Bibliográfico :2013EneEc..38...96J. doi :10.1016/j.eneco.2013.03.013.
84. Nowotarski, Jakub; Weron, Rafał (2016). "Sobre la importancia del componente estacional a largo plazo en la previsión de precios de la electricidad para el día siguiente" (PDF) . Economía de la energía . 57 : 228–235. Bibcode :2016EneEc..57..228N. doi :10.1016/j.eneco.2016.05.009. S2CID  64028618.
85. Nowotarski, Jakub; Tomczyk, Jakub; Weron, Rafał (2013). "Estimación robusta y previsión del componente estacional a largo plazo de los precios spot de la electricidad" (PDF) . Economía de la energía . 39 : 13–27. Bibcode :2013EneEc..39...13N. doi :10.1016/j.eneco.2013.04.004. S2CID  40459495.
86. Lisi, Francesco; Nan, Fany (2014). "Estimación de componentes para precios de electricidad: procedimientos y comparaciones". Economía de la energía . 44 : 143–159. Bibcode :2014EneEc..44..143L. doi :10.1016/j.eneco.2014.03.018.
87. Weron, Rafael; Zator, Michał (2015). "Una nota sobre el uso del filtro Hodrick-Prescott en los mercados de electricidad" (PDF) . Economía Energética . 48 : 1–6. Código Bib :2015EneEc..48....1W. doi :10.1016/j.eneco.2014.11.014.
88. Gianfreda, Angelica; Grossi, Luigi (2012). "Previsión de los precios zonales de la electricidad italiana con variables exógenas". Economía de la energía . 34 (6): 2228–2239. Bibcode :2012EneEc..34.2228G. doi :10.1016/j.eneco.2012.06.024. hdl : 1814/25076 .
89. Ziel, Florian; Steinert, Rick; Husmann, Sven (2015). "Modelado eficiente y pronóstico de precios spot de electricidad". Economía de la energía . 47 : 98–111. arXiv : 1402.7027 . Código Bibliográfico :2015EneEc..47...98Z. doi :10.1016/j.eneco.2014.10.012. S2CID  153565992.
90. Amjady, N.; Hemmati, M. (2006). "Previsión de precios de la energía: problemas y propuestas para dichas predicciones". Revista IEEE Power and Energy . 4 (2): 20–29. doi :10.1109/MPAE.2006.1597990. ISSN  1540-7977.
91. Uniejewski, Bartosz; Nowotarski, Jakub; Weron, Rafał (5 de agosto de 2016). "Selección automática de variables y reducción para la previsión de precios de electricidad con un día de antelación". Energies . 9 (8): 621. doi : 10.3390/en9080621 .
92. James, Gareth; Witten, Daniela; Hastie, Trevor; Tibshirani, Robert (2013). Introducción al aprendizaje estadístico con aplicaciones en R. Springer Texts in Statistics. Vol. 103. Springer. doi :10.1007/978-1-4614-7138-7. ISBN. 978-1-4614-7137-0.S2CID62973643  .​
93. Karakatsani, Nektaria V.; Bunn, Derek W. (2008). "Previsión de los precios de la electricidad: el impacto de los fundamentos y los coeficientes que varían con el tiempo". Revista internacional de previsión . Previsión energética. 24 (4): 764–785. doi :10.1016/j.ijforecast.2008.09.008.
94. Bessec, Marie; Fouquau, Julien; Meritet, Sophie (2016). "Previsión de precios spot de electricidad utilizando modelos de series temporales con una doble segmentación temporal". Applied Economics . 48 (5): 361–378. doi :10.1080/00036846.2015.1080801. ISSN  0003-6846. S2CID  52217843.
95. Barnes, AK; Balda, JC (2013). "Dimensionamiento y evaluación económica del almacenamiento de energía con precios en tiempo real y servicios auxiliares". 2013 4º Simposio Internacional IEEE sobre Electrónica de Potencia para Sistemas de Generación Distribuida (PEDG) . pp. 1–7. doi :10.1109/PEDG.2013.6785651. ISBN 978-1-4799-0692-5.S2CID16068022  .​
96. Ludwig, Nicole; Feuerriegel, Stefan; Neumann, Dirk (2015). "Poniendo en práctica el análisis de Big Data: selección de características para pronosticar precios de electricidad utilizando LASSO y bosques aleatorios". Journal of Decision Systems . 24 (1): 19–36. doi :10.1080/12460125.2015.994290. hdl : 20.500.11850/182404 . ISSN  1246-0125. S2CID  20620071.
97. Gaillard, Pierre; Goude, Yannig; Nedellec, Raphaël (2016). "Modelos aditivos y agregación robusta para la previsión probabilística de carga eléctrica y precio de la electricidad GEFCom2014". Revista Internacional de Previsión . 32 (3): 1038–1050. doi :10.1016/j.ijforecast.2015.12.001.
98. Ziel, F. (2016). "Pronóstico de precios spot de electricidad utilizando Lasso: sobre la captura de la estructura intradiaria autorregresiva". IEEE Transactions on Power Systems . 31 (6): 4977–4987. arXiv : 1509.01966 . Bibcode :2016ITPSy..31.4977Z. doi :10.1109/TPWRS.2016.2521545. ISSN  0885-8950. S2CID  30350943.
99. De Gooijer, Jan G.; Hyndman, Rob J. (2006). "25 años de pronóstico de series temporales". Revista internacional de pronóstico . Veinticinco años de pronóstico. 22 (3): 443–473. CiteSeerX 10.1.1.154.9227 . doi :10.1016/j.ijforecast.2006.01.001. S2CID  14996235. 
100. Hong, Tao; Pinson, Pierre; Fan, Shu (2014). "Competencia mundial de previsión energética 2012". Revista internacional de previsión . 30 (2): 357–363. doi :10.1016/j.ijforecast.2013.07.001.
101. Nowotarski, Jakub; Weron, Rafał (2015). "Cálculo de intervalos de predicción del precio spot de la electricidad mediante regresión cuantílica y promedio de pronóstico" (PDF) . Computational Statistics . 30 (3). [Acceso abierto]: 791–803. doi : 10.1007/s00180-014-0523-0 . ISSN  0943-4062. S2CID  122926112.
102. Taylor, JW; Majithia, S (2000). "Uso de pronósticos combinados con ponderaciones cambiantes para la elaboración de perfiles de demanda de electricidad". Revista de la Sociedad de Investigación Operativa . 51 (1): 72–82. CiteSeerX 10.1.1.501.5706 . doi :10.1057/palgrave.jors.2600856. S2CID  8165916. 
103. Bordignon, Silvano; Bunn, Derek W.; Lisi, Francesco; Nan, Fany (2013). "Combinación de previsiones diarias de precios de la electricidad en Gran Bretaña" (PDF) . Economía de la energía . Análisis cuantitativo de los mercados energéticos. 35 : 88–103. Bibcode :2013EneEc..35...88B. doi :10.1016/j.eneco.2011.12.001. hdl :11577/3442493.
104. Nowotarski, Jakub; Raviv, Eran; Trück, Stefan; Weron, Rafał (2014). "Una comparación empírica de esquemas alternativos para combinar pronósticos de precios spot de electricidad". Economía de la energía . 46 : 395–412. Bibcode :2014EneEc..46..395N. doi :10.1016/j.eneco.2014.07.014.
105. Maciejowska, Katarzyna; Weron, Rafał (2015). "Previsión de precios diarios de electricidad con modelos factoriales: utilización de relaciones intradiarias e interzonales". Computational Statistics . 30 (3). [Acceso abierto]: 805–819. doi : 10.1007/s00180-014-0531-0 . ISSN  0943-4062.
106. Raviv, Eran; Bouwman, Kees E.; van Dijk, Dick (2015). "Previsión de los precios de la electricidad diarios: utilización de precios horarios" (PDF) . Economía Energética . 50 : 227–239. Código Bib :2015EneEc..50..227R. doi :10.1016/j.eneco.2015.05.014. hdl :1765/40407.