Previsión del precio de la electricidad.

Rama de previsión energética.

La previsión del precio 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. Durante 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 la década de 1990, el proceso de desregulación y la introducción de mercados eléctricos competitivos han estado remodelando el panorama de los sectores energéticos tradicionalmente monopolísticos y controlados por el gobierno. En toda Europa, América del Norte, Australia y Asia, la electricidad se comercializa ahora según las reglas del mercado mediante contratos al contado y de derivados . ^[2] Sin embargo, la electricidad es un bien muy especial: económicamente no es 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 versus horas valle , días laborables versus fines de semana, feriados, etc.). . Estas características únicas conducen a una dinámica de precios que no se observa en ningún otro mercado, que muestra una 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 mayor que 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 precios. Las previsiones de precios con unas pocas horas o unos meses de antelación se han vuelto de especial interés para los gestores de carteras de energía. Una empresa del mercado energético capaz de pronosticar los precios mayoristas volátiles con un nivel razonable de precisión puede ajustar su estrategia de oferta y su propio programa de producción o consumo para reducir el riesgo o maximizar las ganancias en las operaciones diarias. ^[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, el ahorro se duplica. ^[5]

Metodología de previsión

El modelo más sencillo para la previsión diaria es pedir a cada fuente de generación que presente ofertas por bloques de generación y elija las ofertas más baratas. Si no se presentan suficientes ofertas, el precio aumenta. Si se presentan demasiadas ofertas, el precio puede llegar a cero o volverse negativo. El precio de oferta incluye el costo de generación y el costo de transmisión, junto con cualquier beneficio. La energía se puede vender o comprar en grupos de energía contiguos . ^{[6] [7] [8]}

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

La energía eólica y solar no son despachables . Esta energía normalmente se vende antes que cualquier otra oferta, a una tarifa predeterminada para cada proveedor. Cualquier excedente se vende a otro operador de red, o se almacena mediante hidroelectricidad de almacenamiento por bombeo o, en el peor de los casos, se reduce. ^[10] La reducción podría potencialmente impactar significativamente los beneficios económicos y ambientales de la energía solar a mayores niveles 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 la previsión.

Factores impulsores

La electricidad no se puede almacenar tan fácilmente como el gas, sino que se produce en el momento exacto de la demanda. Todos los factores de oferta y demanda tendrán, por tanto, un impacto inmediato en el precio de la electricidad en el mercado spot. Además de los costes de producción , los precios de la electricidad los fija la oferta y la demanda. ^[14] Sin embargo, es más probable que se tengan en cuenta algunos factores fundamentales.

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

La dotación de recursos naturales de un país, así como sus regulaciones vigentes, influyen en gran medida en los aranceles desde el lado de la oferta. El lado de la oferta del suministro de electricidad está más influenciado por los precios de los combustibles y los precios de las emisiones de CO ₂ . Los precios del carbono en la UE se han duplicado desde 2017, lo que lo convierte en un importante factor determinante del precio. ^[17]

Clima

Los estudios muestran que la demanda de electricidad depende en gran medida de la temperatura . La demanda de calefacción en invierno y la demanda de refrigeración ( acondicionadores de aire ) en verano son las que impulsan principalmente 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 65 grados Fahrenheit , una línea de base comúnmente aceptada. ^[18]

En términos de fuentes renovables como la solar y la eólica, el clima afecta el suministro. La curva del 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 punto máximo. ^[11]

Los pronósticos para las energías renovables eólica y solar son cada vez más importantes 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 del precio de la electricidad. Si bien los pronósticos con un día de anticipación pueden aprovechar los efectos autorregresivos, los pronósticos que incluyen datos meteorológicos son más precisos para horizontes de 2 a 4 días de anticipación. ^[20] En algunos casos, los pronósticos de generación de energía renovable publicados por los operadores de sistemas de transmisión (TSO) pueden mejorarse con modelos de predicción simples y usarse para proporcionar predicciones más precisas del precio de la electricidad. ^[21]

Disponibilidad de energía hidroeléctrica

La capa de nieve , los caudales , la estacionalidad, el salmón , etc. afectan la cantidad de agua que puede fluir a través de una presa en un momento dado. Pronosticar 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 represas hidroeléctricas . En 2015, SAIDI y SAIFI aumentaron a más del doble que el año anterior en Zambia debido a las bajas reservas de agua en sus represas hidroeléctricas causadas por precipitaciones insuficientes. ^[23]

Cortes de plantas de energía y transmisión

Ya sean planificados o no, los cortes afectan la cantidad total de energía disponible para la red. Los cortes socavan el suministro de electricidad, lo que a su vez afecta el precio. ^[23]

Salud económica

En tiempos de dificultades económicas, muchas fábricas recortan 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 caracterizados por tener bajo acceso a la energía tienen empresas de energía eléctrica que no recuperan ninguno de sus costos de capital y operación, debido a los altos niveles de subsidio. ^[25]

Taxonomía de enfoques de modelado.

Una taxonomía de pronóstico del precio de la electricidad (EPF) y enfoques de modelización según Weron (2014)

Se han probado diversos métodos e ideas para la previsión del precio de la electricidad (EPF), con distintos grados de éxito. Se pueden clasificar en términos generales 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 la 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 generalmente se centran en cuestiones cualitativas más que en resultados cuantitativos. Pueden proporcionar información sobre si los precios estarán por encima de los costos marginales y cómo esto podría influir en los resultados de los actores. Sin embargo, plantean problemas si es necesario extraer conclusiones más cuantitativas, especialmente si los precios de la electricidad deben predecirse 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 el comercio 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.

Surgen dos desafíos importantes en la implementación práctica de modelos fundamentales: la disponibilidad de datos y la incorporación de fluctuaciones estocásticas de los impulsores fundamentales. Al construir el modelo, hacemos supuestos específicos 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 estos supuestos.

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 final 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 distribuciones marginales en momentos futuros, dinámica de precios y 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 comerciales. Dependiendo del tipo de mercado considerado, los modelos de forma reducida se pueden clasificar en:

• Modelos de precios al contado , que proporcionan una representación parsimoniosa de la dinámica de los precios al contado. Su principal inconveniente es el problema de fijar el precio de los derivados, es decir, la identificación de la prima de riesgo que vincula los precios al contado y a término. ^[44] Las dos subclases más populares incluyen los modelos de salto-difusión ^{[45] [46] [47] [48]} y de cambio de régimen de Markov ^{[49] [50] [51] [52]} .
• Los modelos de precios a plazo permiten fijar el precio de los derivados de manera sencilla (pero sólo de aquellos escritos sobre el precio a plazo de la electricidad). Sin embargo, ellos también tienen sus limitaciones; lo más importante, la falta de datos que puedan usarse para la calibración y la incapacidad de derivar las propiedades de los precios al contado a partir del análisis de las curvas a término. ^{[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 , normalmente 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 previsto es la suma (aditiva) de varios componentes o el producto (multiplicativo) de varios factores. Los primeros son mucho más populares, pero los dos están estrechamente relacionados: un modelo multiplicativo de precios puede transformarse en un modelo aditivo de precios logarítmicos. Los modelos estadísticos son atractivos porque se puede adjuntar alguna interpretación física a sus componentes, lo que permite a los ingenieros y operadores de sistemas comprender su comportamiento. A menudo se les critica por su limitada capacidad para modelar el comportamiento (generalmente) no lineal de los precios de la electricidad y las variables fundamentales relacionadas. Sin embargo, en aplicaciones prácticas, su rendimiento no es peor que el de los métodos de inteligencia computacional no lineal (ver más abajo). Por ejemplo, en la sección de pronóstico de carga del Concurso Mundial de Pronóstico de Energía (GEFCom2012), que atrajo a cientos de participantes en todo el mundo, los cuatro primeros 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 de la capa oculta con círculos vacíos con un contorno discontinuo. Las funciones de activación para las redes RBF son funciones de base radial, mientras que los perceptrones multicapa (MLP) suelen utilizar funciones de activación sigmoideas o lineales por partes (ilustradas en 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 temporales sin ( AR , ARMA , ARIMA , ARIMA fraccional - FARIMA , ARIMA estacional - SARIMA , ARIMA 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 funcionales de análisis de datos . ^{[71] [72] [73]}

Modelos de inteligencia computacional

Las técnicas de inteligencia computacional ( basadas en inteligencia artificial , aprendizaje automático , estadísticas no paramétricas y no lineales ) combinan elementos de aprendizaje, evolución y confusión para crear enfoques que son capaces de adaptarse a sistemas dinámicos complejos y pueden considerarse "inteligentes". En este sentido. Redes neuronales artificiales , ^{[57] [74] [75] [76] [77]} incluidas redes neuronales profundas , ^{[55] [60] [78]} modelos de IA explicables ^[79] y 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 puntiagudo 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 modelización 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 los modelos Neural Networks y Box Jenkins.

Horizontes de previsión

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

• Los pronósticos a corto plazo generalmente implican horizontes que van desde unos minutos hasta unos días de anticipación y son de primordial importancia en las operaciones diarias del mercado. ^{[ cita necesaria ]}
• Generalmente se prefiere la previsión a medio plazo , desde unos pocos días hasta unos meses de antelación, para los cálculos del balance , la gestión de riesgos y la fijación de precios de derivados . En muchos casos, especialmente en el pronóstico de los precios de la electricidad, la evaluación no se basa en los pronósticos puntuales reales, sino en las distribuciones de los precios durante ciertos períodos futuros. Como este tipo de modelado tiene una larga tradición en las finanzas , se observa una afluencia de "soluciones financieras".
• La previsión a largo plazo , con plazos de entrega 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 sitios futuros o las fuentes de combustible de las centrales eléctricas.

El futuro de la previsión del precio 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:

Impulsores fundamentales de precios y variables de insumos

Estacionalidad

Un punto clave en la modelización y previsión de los precios spot de la electricidad es el tratamiento adecuado de la estacionalidad. ^{[75] [83]} El precio de la electricidad presenta estacionalidad en tres niveles: diario y semanal y, en cierta medida, anual. En los pronósticos a corto plazo , generalmente se ignora la estacionalidad anual o a largo plazo, pero los patrones diarios y semanales (incluido un tratamiento separado de los días festivos) son de primordial importancia. Sin embargo, éste puede no ser el enfoque correcto. Como han demostrado recientemente Nowotarski y Weron ^[84] , descomponer una serie de precios de la electricidad en un componente estacional y estocástico a largo plazo, modelarlos de forma independiente y combinar sus pronósticos puede aportar -contrariamente a la creencia común- una ganancia de precisión en comparación con una Enfoque en el que un modelo determinado se calibra según los precios mismos.

En el pronóstico a mediano plazo , los patrones diarios se vuelven menos relevantes y la mayoría de los modelos EPF funcionan con precios promedio diarios. Sin embargo, el componente del ciclo tendencial a largo plazo desempeña un papel crucial. Su especificación errónea puede introducir sesgos, lo que puede conducir a una mala estimación del nivel medio de reversión o de la intensidad y gravedad de la subida 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 dominan las tendencias de largo plazo. Hasta el momento, en la literatura no se ha prestado suficiente atención al tratamiento adecuado de la estacionalidad, tanto dentro como fuera de la muestra . ^{[85] [86] [87]}

selección de variables

Otra cuestión crucial en la previsión del precio de la electricidad es la elección adecuada 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 factores fundamentales, incluidas las cargas del sistema, las variables climáticas, los costos del combustible, el margen de reserva (es decir, la generación disponible menos/sobre demanda prevista) e información sobre el mantenimiento programado y las interrupciones forzadas . Aunque a veces se utilizan modelos de "precio puro" para EPF, en el escenario de pronóstico diario más común la mayoría de los autores seleccionan una combinación de estos factores fundamentales, basándose en la heurística y la experiencia del pronosticador. ^[90] Muy raramente se ha llevado a cabo un procedimiento automatizado de selección o reducción en EPF, especialmente para un gran conjunto de variables explicativas iniciales. ^[91] Sin embargo, la literatura sobre aprendizaje automático proporciona herramientas viables que se pueden clasificar en términos generales en dos categorías: ^[92]

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

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

• regresión por pasos , ^{[93] [94]} incluida la eliminación en 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 efectivas, entre los precios pasados ​​de la electricidad, así como los valores pasados ​​y previstos de los factores fundamentales.

Previsión de picos y margen de reserva

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

Pronósticos probabilísticos

El uso de intervalos de predicción (PI) y densidades, o pronósticos probabilísticos , 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 del Concurso Mundial de Previsión Energética 2014 de exigir a los participantes que presenten previsiones de los 99 percentiles de la distribución predictiva (día por delante en la trayectoria de precios) y no previsiones puntuales como en el concurso de 2012 edición, ^[100] este no parece ser un caso común en EPF todavía.

Si los IP se calculan, generalmente se basan en la distribución (y se aproximan mediante 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 del EPF. El promedio de regresión cuantil (QRA) implica la aplicación de regresión cuantil a los pronósticos puntuales de un pequeño número de expertos o modelos de pronóstico individuales, por 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 conjuntos o agregación de expertos (en aprendizaje automático ), son predicciones del futuro que se crean combinando varios pronósticos separados que tienen a menudo se han creado utilizando diferentes metodologías. A pesar de su popularidad en econometría, hasta la fecha los pronósticos promediados no se han utilizado ampliamente en el contexto de los mercados de electricidad . Hay algunas pruebas limitadas sobre la idoneidad de combinar pronósticos de demanda de electricidad, ^[102] pero sólo muy recientemente se utilizó la combinación en EPF y solo para pronósticos puntuales. ^{[103] [104]} La combinación de pronósticos probabilísticos (es decir, de intervalo y de 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 de factores multivariados

La literatura sobre pronóstico de precios diarios de electricidad se ha concentrado en gran medida en modelos que utilizan sólo información a nivel agregado (es decir, diario). Por otro lado, la muy rica literatura sobre pronóstico de precios intradiarios ha utilizado datos desagregados (es decir, cada hora o cada 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 de la electricidad intradiarios, debemos utilizar métodos de reducción de dimensiones; por ejemplo, modelos factoriales con factores estimados como componentes principales (PC). La evidencia empírica indica que existen mejoras en los pronósticos al incorporar datos desagregados (es decir, por horas o zonales) para predecir los precios diarios del sistema, especialmente cuando el horizonte de pronóstico excede 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 publicaciones de revisión importantes concluyen que existen problemas al comparar los métodos desarrollados y utilizados en la literatura sobre 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 integral y exhaustivo que involucre (i) los mismos conjuntos de datos, (ii) los mismos procedimientos sólidos de evaluación de errores y (iii) pruebas estadísticas de la importancia del desempeño superior de un modelo a otro. Hasta cierto punto, el Concurso Mundial de Previsión Energética 2014 ha abordado estas cuestiones. Aún queda mucho por hacer. Se debe utilizar una selección de las medidas de mejor rendimiento (MAE ponderado, MASE estacional o RMSSE) ya sea exclusivamente o junto con las más populares (MAPE, RMSE). Los resultados empíricos deberían probarse más a fondo para determinar la importancia de las diferencias en la precisión de los pronósticos de los modelos. ^{[103] [104] [105]}

Ver también

• Previsión energética
• Competiciones globales 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, recuperado el 12 de abril de 2024
2. Mayer, Klaus; Trück, Stefan (marzo de 2018). "Mercados eléctricos en el mundo". Revista de mercados de productos básicos . 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 contorno LMP: mercado diario - Precios del 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. "Mercados de energía eólica y electricidad" (PDF) . 2011. Archivado desde el original (PDF) el 4 de marzo de 2016 . Consultado el 18 de junio de 2017 .
11. "Enfrentar la curva del pato: cómo abordar la generación excesiva de energía solar". Energía.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 del precio de la electricidad: una revisión de la previsión probabilística" (PDF) . Reseñas de energías renovables y sostenibles . 81 : 1548-1568. Código Bib : 2018RSERv..81.1548N. doi :10.1016/j.rser.2017.05.234. S2CID  157301643.
14. "El mercado de la energía". Lugar de la piscina norte. 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". La política energética . 126 : 76–87. Código Bib : 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 alcanzaron los 10,60 EUR/tm - Energía eléctrica | Artículo e historia de Platts News". 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, Jetro; Pinson, Pierre (marzo de 2020). "El futuro de la previsión de las energías renovables". CABLES Energía y Medio Ambiente . 9 (2). Código Bib : 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 del precio de la electricidad más allá del horizonte del día siguiente". Transacciones IEEE sobre sistemas de energía . 38 (3): 2500–2511. Código Bib : 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 carga, eólica y solar para la previsión diaria de los precios de la electricidad". Economía Energética . 99 : 105273. Código Bib : 2021EneEc..9905273M. doi :10.1016/j.eneco.2021.105273.
22. "Previsiones más fiables sobre los flujos de agua pueden reducir el precio de la electricidad". Cuerpo de conocimientos sobre regulación de infraestructura . 19 de enero de 2010 . Consultado el 18 de junio de 2017 .
23. J. Arlet. 2017. “Limitaciones del sector eléctrico para las empresas en todas las economías: un análisis comparativo”. Tomar notas de investigación empresarial; nº1. 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. Pérez Arroyo, F. Mohammadzadeh. 2016. “Viabilidad financiera de los sectores eléctricos en África subsahariana: déficits cuasi fiscales y costos ocultos”. Documento de trabajo sobre investigación de políticas; N° 7788.
26. Ventosa, Mariano; Baillo, Álvaro; Ramos, Andrés; Rivier, Michel (2005). "Tendencias en la modelización del mercado eléctrico". La política energética . 33 (7): 897–913. Código Bib : 2005EnPol..33..897V. doi :10.1016/j.enpol.2003.10.013.
27. Madera, AJ; Wollenberg, BF (1996). Generación, Operación y Control de Energía . Wiley.
28. Batlle, Carlos; Barquín, J. (2005). "Un modelo estratégico de costeo de producción para el análisis de precios del mercado eléctrico". Transacciones IEEE sobre sistemas de energía . 20 (1): 67–74. Código Bib : 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 la 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; Muñoz, Antonio (enero de 2017). "Previsión probabilística a medio plazo de los precios de la electricidad: un enfoque híbrido". Transacciones IEEE sobre sistemas de energía . 32 (1): 334–343. Código Bib : 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 energía eléctrica y sistemas de energía . 134 : 107456. Código bibliográfico : 2022IJEPE.13407456W. doi : 10.1016/j.ijepes.2021.107456 .
32. Boomsma, Trine Krogh; Pineda, Salvador; Heide-Jørgensen, Ditte Mølgård (junio de 2022). "Los mercados al contado y de equilibrio de la electricidad: modelos de equilibrio de circuito abierto y cerrado". Ciencia de la gestión computacional . 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 energía 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 basado en agentes multicapa para estudiar el comportamiento de los participantes del mercado eléctrico". Transacciones IEEE sobre sistemas de energía . 30 (2): 867–881. Código Bib : 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". Energía Aplicada . 290 : 116688. Código bibliográfico : 2021ApEn..29016688F. doi : 10.1016/j.apenergy.2021.116688.
36. Hamburguesa, M.; Graeber, B.; Schindlmayr, G. (2007). Gestión del riesgo energético: una visión integrada de la energía y otros mercados energéticos . Wiley. doi :10.1002/9781119209102. ISBN 9781119209102.
37. Eydeland, Alejandro; Wolyniec, Krzysztof (2003). Gestión de riesgos de energía y potencia: nuevos desarrollos en modelado, fijación de precios y cobertura. Wiley. ISBN 978-0-471-10400-1.
38. Berán, Felipe; Pape, cristiano; Weber, Christoph (junio de 2019). "Modelado de los precios spot mayoristas de la electricidad alemana con un modelo fundamental parsimonioso: validación y aplicación". Política de servicios públicos . 58 : 27–39. Código Bib : 2019UtPol..58...27B. doi :10.1016/j.jup.2019.01.008.
39. Carmona, René; Coulon, Michael (2014). Benth, Fred Espen; Kholodnyi, Valery A.; Laurence, Pedro (eds.). Un estudio de los mercados de productos básicos y modelos estructurales de precios de la electricidad . Springer Nueva York. págs. 41–83. CiteSeerX 10.1.1.380.3730 . doi :10.1007/978-1-4614-7248-3_2. ISBN  978-1-4614-7247-6. S2CID  2126558.
40. Kallabis, Thomas; Pape, cristiano; Weber, Christoph (agosto de 2016). "La caída de los precios de los futuros de la electricidad en Alemania: análisis utilizando un modelo fundamental parsimonioso". La política energética . 95 : 280–290. Código Bib : 2016EnPol..95..280K. doi :10.1016/j.enpol.2016.04.025.
41. Ziel, Florián; Steinert, Rick (septiembre de 2016). "Previsión del precio de la electricidad mediante curvas de compra y venta: el modelo X". Economía Energética . 59 : 435–454. arXiv : 1509.00372 . Código Bib :2016EneEc..59..435Z. doi :10.1016/j.eneco.2016.08.008.
42. Alasseur, C.; Féron, O. (septiembre de 2018). "Modelo estructural de precios para mercados eléctricos acoplados". Economía Energética . 75 : 104-119. arXiv : 1704.06027 . Código Bib :2018EneEc..75..104A. doi :10.1016/j.eneco.2018.07.018.
43. Bunn, Derek W., ed. (2004). Modelización de precios en mercados eléctricos competitivos. Wiley. ISBN 978-0-470-84860-9.
44. Weron, Rafael; Zator, Michał (2014). "Revisando la relación entre los precios al contado y de futuros en el mercado eléctrico de Nord Pool" (PDF) . Economía Energética . 44 : 178-190. Código Bib :2014EneEc..44..178W. doi :10.1016/j.eneco.2014.03.007.
45. Weron, Rafał (2008). "Precio de mercado del riesgo que implican las opciones y futuros de electricidad al estilo asiático". Economía Energética . 30 (3): 1098-1115. Código Bib :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 la electricidad". Economía Energética . 34 (5): 1589-1616. Código Bib :2012EneEc..34.1589B. doi :10.1016/j.eneco.2011.11.012.
47. Muniain, Perú; Ziel, Florian (octubre de 2020). "Previsión probabilística en los mercados eléctricos diarios: simulación de precios pico y valle". Revista internacional de previsión . 36 (4): 1193-1210. arXiv : 1810.08418 . doi : 10.1016/j.ijforecast.2019.11.006.
48. Ciarreta, Aitor; Muniain, Perú; Zárraga, Ainhoa ​​(noviembre 2022). "¿Importan los saltos y cosaltos para la previsión del precio de la electricidad? Evidencia del mercado diario alemán-austriaco". Investigación de sistemas de energía eléctrica . 212 : 108144. Código bibliográfico : 2022EPSR..21208144C. doi :10.1016/j.epsr.2022.108144. hdl : 10810/58629 .
49. Janczura, Joanna; Werón, Rafal (2010). "Una comparación empírica de modelos alternativos de cambio de régimen para los precios al contado de la electricidad" (PDF) . Economía Energética . 32 (5): 1059-1073. Código Bib :2010EneEc..32.1059J. doi :10.1016/j.eneco.2010.05.008.
50. Janczura, Joanna (febrero de 2014). "Fijación del precio de los 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 italiano". La política energética . 85 : 487–499. Código Bib : 2015EnPol..85..487S. doi :10.1016/j.enpol.2015.07.025.
52. Apergis, Nicolás; Gozgor, Giray; Lau, Chi Keung Marco; Wang, Shixuan (febrero de 2019). "Decodificación del mercado eléctrico australiano: nueva evidencia del modelo semi-Markov oculto de tres regímenes". Economía Energética . 78 : 129-142. Código Bib :2019EneEc..78..129A. doi :10.1016/j.eneco.2018.10.038.
53. Benth, Fred Espen; Benth, Jūratė Šaltytė; Koekebakker, Steen (2008). Modelización estocástica de la electricidad y mercados relacionados . Serie avanzada sobre ciencia estadística y probabilidad aplicada. vol. 11. Científico mundial. doi :10.1142/6811. ISBN 978-981-281-230-8.
54. Caldana, Ruggero; Fusai, Gianluca; Roncoroni, Andrea (septiembre de 2017). "Curvas directas de electricidad 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, Jesús; Marcjasz, Grzegorz; De Schutter, Bart; Weron, Rafał (julio de 2021). "Previsión de los precios de la electricidad a diario: una revisión de los algoritmos más modernos, las mejores prácticas y un punto de referencia de acceso abierto". Energía Aplicada . 293 : 116983. arXiv : 2008.08004 . Código Bib : 2021ApEn..29316983L. doi : 10.1016/j.apenergy.2021.116983.
56. Jonsson, T.; Pinson, P.; Nielsen, HA; Madsen, H.; Nielsen, TS (2013). "Predicción de los precios al contado de la electricidad teniendo en cuenta las predicciones de energía eólica". Transacciones IEEE sobre energía sostenible . 4 (1): 210–218. Código Bib : 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 los precios de la electricidad para un mercado de energía eléctrica basado en pool diario". Revista internacional de previsión . 21 (3): 435–462. doi : 10.1016/j.ijforecast.2004.12.005.
58. Weron, Rafael; Misiorek, Adán (2008). "Predicción de los precios spot de la electricidad: una comparación de modelos de series de tiempo 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 en el tiempo". Revista internacional de previsión . Previsión energética. 24 (4): 764–785. doi : 10.1016/j.ijforecast.2008.09.008.
60. Lago, Jesús; De Ridder, Fjo; De Schutter, Bart (julio de 2018). "Predicción de los precios spot de la electricidad: enfoques de aprendizaje profundo y comparación empírica de algoritmos tradicionales". Energía Aplicada . 221 : 386–405. Código Bib : 2018ApEn..221..386L. doi : 10.1016/j.apenergy.2018.02.069 .
61. Ziel, Florián; Weron, Rafał (febrero de 2018). "Predicción diaria del precio de la electricidad con estructuras de alta dimensión: marcos de modelado univariado frente a multivariado". Economía Energética . 70 : 396–420. arXiv : 1805.06649 . Código Bib :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". Transacciones filosóficas de la Royal Society A: Ciencias matemáticas, físicas y de ingeniería . 379 (2202): 20190624. Código bibliográfico : 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 eléctrico basadas en previsiones probabilísticas de beneficios y medidas de riesgo. El estudio de caso del mercado alemán y polaco". Economía Energética . 110 : 106015. Código Bib : 2022EneEc.11006015J. doi :10.1016/j.eneco.2022.106015.
64. Koopman, Siem Jan; Ooms, Marius; Carnero, M. Ángeles (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). "Predicciones probabilísticas de precios ARX-GARCH para la diversificación del comercio en los mercados de electricidad: transformación que estabiliza 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, Angélica; Del Grosso, Filippo; Ravazzolo, Francesco (abril de 2023). "Previsión 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: utilizando relaciones intradiarias e interzonales". Estadística Computacional . 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 de vector 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 del componente principal de LASSO: un enfoque totalmente automatizado para la agrupación de pronósticos puntuales". Revista internacional de previsión . 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 previsión de precios spot de la electricidad: una perspectiva de datos funcionales". Los anales de la 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". Revista de estadísticas económicas y empresariales . 35 (3): 371–388. doi :10.1080/07350015.2015.1092976. ISSN  0735-0015.
73. Lisi, Francisco; Shah, Ismail (noviembre de 2020). "Previsión de la demanda y precios de electricidad del día siguiente en base a modelos funcionales". Sistemas Energéticos . 11 (4): 947–979. doi :10.1007/s12667-019-00356-w. ISSN  1868-3967.
74. Amjady, N. (2006). "Previsión de precios diarios de los mercados eléctricos mediante una nueva red neuronal difusa". Transacciones IEEE sobre sistemas de energía . 21 (2): 887–896. Código Bib : 2006ITPSy..21..887A. doi :10.1109/TPWRS.2006.873409. ISSN  0885-8950. S2CID  31604774.
75. Keles, Dogan; Scelle, Jonathan; Paraschiv, Florentina; Fichtner, Lobo (2016). "Métodos de previsión ampliada de los precios spot de la electricidad del día anterior aplicando redes neuronales artificiales". Energía Aplicada . 162 : 218-230. Código Bib : 2016ApEn..162..218K. doi :10.1016/j.apenergy.2015.09.087.
76. Hubicka, Katarzyna; Marcjasz, Grzegorz; Werón, Rafal (enero de 2019). "Una nota sobre el promedio de las previsiones de precios de la electricidad para el día anterior en todas las ventanas de calibración". Transacciones IEEE sobre energía sostenible . 10 (1): 321–323. Código Bib : 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 a largo plazo en la previsión diaria del precio de la electricidad con redes neuronales NARX". Revista internacional de previsión . 35 (4): 1520-1532. doi : 10.1016/j.ijforecast.2017.11.009.
78. Wang, largo; Zhang, Zijun; Chen, Jieqiu (julio de 2017). "Previsión del precio de la electricidad a corto plazo con codificadores automáticos de eliminación de ruido apilados". Transacciones IEEE sobre sistemas de energía . 32 (4): 2673–2681. Código Bib : 2017ITPSy..32.2673W. doi :10.1109/TPWRS.2016.2628873. ISSN  0885-8950.
79. Olivares, Kin G.; Challu, Cristian; Marcjasz, Grzegorz; Weron, Rafael; Dubrawski, Artur (abril de 2023). "Análisis de expansión de bases neuronales con variables exógenas: previsión de precios de electricidad con NBEATSx". Revista internacional de previsión . 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 del precio de la energía en el competitivo mercado de sistemas eléctricos de Ontario". Transacciones IEEE sobre sistemas de energía . 19 (1): 366–374. Código Bib : 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 compensación del mercado eléctrico a mediano plazo: un enfoque híbrido LSSVM y ARMAX". Revista internacional de energía eléctrica y sistemas de energía . 53 : 20-26. Código Bib :2013IJEPE..53...20Y. doi :10.1016/j.ijepes.2013.04.006.
83. Janczura, Joanna; Trück, Stefan; Weron, Rafael; Wolff, Rodney C. (2013). "Identificación de picos y componentes estacionales en los datos de precios spot de la electricidad: una guía para un modelado sólido" (PDF) . Economía Energética . 38 : 96-110. Código Bib :2013EneEc..38...96J. doi :10.1016/j.eneco.2013.03.013.
84. Nowotarski, Jakub; Weron, Rafał (2016). "Sobre la importancia del componente estacional de largo plazo en la previsión diaria del precio de la electricidad" (PDF) . Economía Energética . 57 : 228–235. Código Bib :2016EneEc..57..228N. doi :10.1016/j.eneco.2016.05.009. S2CID  64028618.
85. Nowotarski, Jakub; Tomczyk, Jakub; Weron, Rafał (2013). "Estimación y previsión sólidas del componente estacional a largo plazo de los precios spot de la electricidad" (PDF) . Economía Energética . 39 : 13-27. Código Bib :2013EneEc..39...13N. doi :10.1016/j.eneco.2013.04.004. S2CID  40459495.
86. Lisi, Francisco; Nan, Fany (2014). "Estimación de componentes de precios de electricidad: Procedimientos y comparaciones". Economía Energética . 44 : 143-159. Código Bib :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, Angélica; Grossi, Luigi (2012). "Previsión de los precios zonales de la electricidad italiana con variables exógenas". Economía Energética . 34 (6): 2228–2239. Código Bib :2012EneEc..34.2228G. doi :10.1016/j.eneco.2012.06.024. hdl : 1814/25076 .
89. Ziel, Florian; Steinert, Rick; Husmann, Sven (2015). "Modelado y previsión eficiente de precios spot de electricidad". Economía Energética . 47 : 98-111. arXiv : 1402.7027 . Código Bib :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 tales predicciones". Revista IEEE Energía y Energía . 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 y contracción de variables automatizadas para la previsión del precio de la electricidad con un día de antelación". Energías . 9 (8): 621. doi : 10.3390/en9080621 .
92. James, Gareth; Witten, Daniela; Hastie, Trevor; Tibshirani, Robert (2013). Una introducción al aprendizaje estadístico con aplicaciones en R. Textos Springer en Estadística. vol. 103. Saltador. doi :10.1007/978-1-4614-7138-7. ISBN 978-1-4614-7137-0. S2CID  62973643.
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 en el tiempo". Revista internacional de previsión . Previsión energética. 24 (4): 764–785. doi : 10.1016/j.ijforecast.2008.09.008.
94. Bessec, María; Fouquau, Julien; Méritet, Sophie (2016). "Previsión de precios spot de electricidad mediante modelos de series temporales con doble segmentación temporal". Economía Aplicada . 48 (5): 361–378. doi :10.1080/00036846.2015.1080801. ISSN  0003-6846. S2CID  52217843.
95. Barnes, Alaska; Balda, JC (2013). "Dimensionamiento y valoración económica del Almacenamiento de energía con tarificación en tiempo real y servicios auxiliares". 2013 4to Simposio Internacional IEEE sobre Electrónica de Potencia para Sistemas de Generación Distribuida (PEDG) . págs. 1–7. doi :10.1109/PEDG.2013.6785651. ISBN 978-1-4799-0692-5. S2CID  16068022.
96. Luis, Nicole; Feuerriegel, Stefan; Neumann, Dirk (2015). "Poner en funcionamiento el análisis de Big Data: selección de funciones para pronosticar los precios de la electricidad utilizando LASSO y bosques aleatorios". Revista de sistemas de decisión . 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 sólida para el pronóstico probabilístico del precio de la electricidad y la carga eléctrica del GEFCom2014". Revista internacional de previsión . 32 (3): 1038-1050. doi :10.1016/j.ijforecast.2015.12.001.
98. Ziel, F. (2016). "Pronóstico de los precios spot de la electricidad utilizando Lasso: sobre la captura de la estructura intradiaria autorregresiva". Transacciones IEEE sobre sistemas de energía . 31 (6): 4977–4987. arXiv : 1509.01966 . Código Bib : 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 previsión de series temporales". Revista internacional de previsión . Veinticinco años de previsión. 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). "Concurso 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 cuantil y promedio de pronóstico" (PDF) . Estadística Computacional . 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, Francisco; Nan, Fany (2013). "Combinación de previsiones diarias de los precios de la electricidad británica" (PDF) . Economía Energética . Análisis Cuantitativo de los Mercados Energéticos. 35 : 88-103. Código Bib :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 previsiones de precios spot de la electricidad". Economía Energética . 46 : 395–412. Código Bib :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: utilizando relaciones intradiarias e interzonales". Estadística Computacional . 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.