Hispanopedia Wiki
Articulo de referencia

Previsión de precios de la electricidad

La previsión de precios de la electricidad (EPF, por sus siglas en inglés) es una rama de la previsión energética que se centra en el uso de modelos matemáticos , estadísticos y...

Hispanopedia WikiContenido en espanolLectura gratuita

La previsión de precios de la electricidad (EPF, por sus siglas en inglés) 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 la década de 1990, el proceso de desregulación y la introducción de mercados eléctricos competitivos han transformado el panorama de los sectores eléctricos tradicionalmente monopolísticos y controlados por el gobierno. En Europa, Norteamérica, Australia y Asia, la electricidad se comercializa ahora bajo las reglas del mercado mediante contratos al contado y de derivados . [ 2 ] Sin embargo, la electricidad es un bien 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 punta frente a horas valle , días laborables frente a fines de semana, festivos, etc.). Estas características únicas dan lugar a una dinámica de precios que no se observa en ningún otro mercado, con estacionalidad diaria, semanal y, a menudo, anual, y picos de precios abruptos, efímeros y generalmente imprevistos . [ 3 ]

La extrema volatilidad de los precios , que puede ser hasta dos órdenes de magnitud mayor que la de cualquier otra materia prima o activo financiero, ha obligado a los participantes del mercado a cubrir no solo el volumen, sino también el riesgo de precio. Las previsiones de precios con una antelación de entre unas horas y unos meses se han vuelto de particular interés para los gestores de carteras de energía. Una empresa del mercado eléctrico capaz de pronosticar 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 los beneficios en las operaciones diarias. [ 4 ] Una estimación aproximada del ahorro derivado 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 anuales 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 pronóstico

El modelo más sencillo para la previsión diaria consiste en solicitar a cada fuente de generación que presente ofertas por bloques de generación y seleccionar las más económicas. Si no se presentan suficientes ofertas, el precio aumenta. Si se presentan demasiadas, el precio puede llegar a cero o incluso ser negativo. El precio de la oferta incluye tanto el coste de generación como el de transmisión, además de cualquier beneficio. La energía puede venderse o comprarse a redes eléctricas adyacentes . [ 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. Los ISO utilizan mercados basados ​​en ofertas para determinar el despacho económico. [ 9 ]

La energía eólica y solar no son gestionables . Esta energía se vende normalmente antes que cualquier otra oferta, a una tarifa predeterminada para cada proveedor. Cualquier excedente se vende a otro operador de la red, se almacena mediante centrales hidroeléctricas de bombeo o, en el peor de los casos, se reduce. [ 10 ] La reducción podría afectar 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 distribuida de energía renovable ha sido una mayor incertidumbre sobre la oferta, la demanda y los precios futuros. [ 13 ] Esta incertidumbre ha impulsado mucha investigación sobre el tema de la previsión.

Factores determinantes

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 oferta y 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 que probablemente se consideren con mayor probabilidad.

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

La dotación de recursos naturales de un país, así como su normativa vigente, influyen considerablemente en las tarifas de la oferta. La oferta de electricidad se ve muy afectada por los precios de los combustibles y los precios de los derechos de emisión de CO₂ . Los precios del carbono en la UE se han duplicado desde 2017, lo que los convierte en un factor determinante del precio. [ 17 ]

Clima

Los estudios demuestran que la demanda de electricidad está determinada principalmente por la temperatura . La demanda de calefacción en invierno y la de refrigeración ( aire acondicionado ) 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 tomando como referencia 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 influye en 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 disminuye durante la noche, cuando la demanda de electricidad alcanza su punto máximo. [ 11 ]

La previsión de la energía renovable eólica y solar está adquiriendo mayor importancia 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 para el día siguiente pueden aprovechar los efectos autorregresivos, las previsiones que incorporan datos meteorológicos son más precisas para horizontes de 2 a 4 días. [ 20 ] En algunos casos, las previsiones de generación de energía renovable publicadas por los operadores de sistemas de transmisión (TSO) pueden mejorarse con modelos de predicción sencillos y utilizarse para proporcionar predicciones de precios de la electricidad más precisas. [ 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 represa en un momento dado. La predicción de estas variables permite pronosticar la energía potencial disponible para una represa 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 se duplicaron con creces respecto al año anterior en Zambia debido a las bajas reservas de agua en sus represas hidroeléctricas causadas por la escasez de lluvias. [ 23 ]

Interrupciones en centrales eléctricas y líneas de transmisión

Ya sean planificadas o no, las interrupciones afectan la cantidad total de energía disponible para la red. Las interrupciones perjudican el suministro eléctrico, lo que a su vez afecta el precio. [ 23 ]

Salud económica

Durante épocas de dificultades económicas, muchas fábricas reducen la producción debido a una disminución 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 de electricidad sean asequibles para su población mediante subsidios a productores y consumidores. La mayoría de los países caracterizados por tener un 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 los enfoques de modelado

Una taxonomía de los enfoques de modelización y previsión de precios de la electricidad (EPF, por sus siglas en inglés) según Weron (2014).

Se han probado diversos métodos e ideas para la previsión de precios de la electricidad (EPF), con distintos grados de éxito. Estos se pueden clasificar a grandes rasgos 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 al igualar 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 aspectos cualitativos más que en resultados cuantitativos. Pueden ofrecer información sobre si los precios superarán los costos marginales y cómo esto podría influir en los resultados de los jugadores. Sin embargo, presentan problemas si se requieren conclusiones más cuantitativas, especialmente si se necesita predecir los precios de la electricidad con un alto grado de precisión.

Modelos fundamentales

Los métodos fundamentales ( estructurales ) intentan capturar las relaciones físicas y económicas básicas 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 principales: la disponibilidad de datos y la incorporación de las fluctuaciones estocásticas de los factores determinantes. Al construir el modelo, se hacen suposiciones específicas sobre las relaciones físicas y económicas del mercado, por lo que 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 final de la valoración de derivados y la gestión de riesgos . [ 43 ] [ 4 ] [ 36 ] Su principal objetivo no es proporcionar pronósticos de precios horarios precisos, sino replicar las características principales de los precios diarios de la electricidad, como las distribuciones marginales en momentos 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 propiedades principales de los precios de la electricidad, es probable que los resultados del modelo no sean fiables. 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 considerado, los modelos de forma reducida se pueden clasificar como:

  • Los 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 la valoración de derivados, es decir, la identificación de la prima de riesgo que vincula los precios al contado y a plazo. [ 44 ] Las dos subclases más populares incluyen los modelos de difusión con saltos [ 45 ] [ 46 ] [ 47 ] [ 48 ] y los modelos de cambio de régimen de Markov [ 49 ] [ 50 ] [ 51 ] [ 52 ] .
  • Los modelos de precios a plazo permiten valorar los derivados de forma sencilla (pero solo aquellos basados ​​en el precio a plazo de la electricidad). Sin embargo, también presentan limitaciones; la más importante es la falta de datos que puedan utilizarse para la calibración y la imposibilidad de derivar las propiedades de los precios al contado a partir del análisis de las curvas a plazo. [ 37 ] [ 53 ] [ 54 ]

Modelos estadísticos

Los métodos estadísticos (como los econométricos ) pronostican el precio actual mediante una combinación matemática de los precios anteriores y/o los 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 pronosticado es la suma (aditivo) de varios componentes o el producto (multiplicativo) de varios factores. Los primeros son mucho más populares, pero ambos están estrechamente relacionados: un modelo multiplicativo para precios puede transformarse en un modelo aditivo para precios logarítmicos. Los modelos estadísticos son atractivos porque se puede asignar cierta 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 (véase más adelante). Por ejemplo, en la categoría de previsión de carga del Concurso Mundial de Previsión Energética (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 (véase Weron, 2014). Los nodos de entrada se representan con círculos rellenos, los nodos de salida con círculos vacíos y los nodos de la capa oculta con círculos vacíos con contorno punteado. Las funciones de activación para las redes RBF son funciones de base radial, mientras que los perceptrones multicapa (MLP) suelen utilizar funciones de activación lineales por partes o sigmoides (ilustradas con círculos).

Los modelos estadísticos constituyen una clase muy rica que incluye:

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 difusa para crear enfoques capaces de adaptarse a sistemas dinámicos complejos, y pueden considerarse "inteligentes" en este sentido. Las redes neuronales artificiales , [ 57 ] [ 74 ] [ 75 ] [ 76 ] [ 77 ] incluyendo redes neuronales profundas , [ 55 ] [ 60 ] [ 78 ] modelos de IA explicables [ 79 ] y redes neuronales distribucionales, [ 80 ] así como sistemas difusos [ 74 ] [ 81 ] y máquinas de vectores de soporte (SVM) [ 82 ] son ​​indudablemente 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 más arriba). Al mismo tiempo, esta flexibilidad es también su principal debilidad. La capacidad de adaptarse a comportamientos no lineales e irregulares no necesariamente conduce a mejores predicciones puntuales o probabilísticas, y se requiere mucho esfuerzo para encontrar los hiperparámetros adecuados . [ 55 ]

Modelos híbridos

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

Pronóstico de horizontes

Es habitual hablar de pronósticos a corto, mediano y largo plazo, [ 3 ] pero no existe consenso en la literatura sobre cuáles deberían ser realmente los umbrales:

  • La previsión a corto plazo generalmente abarca horizontes que van desde unos pocos minutos hasta unos pocos días, y es de suma importancia en las operaciones diarias del mercado.
  • La previsión a medio plazo , que abarca desde unos pocos días hasta varios meses, suele ser la preferida para los cálculos del balance , la gestión de riesgos y la valoración de derivados . En muchos casos, sobre todo en la previsión de precios de la electricidad, la evaluación se basa no en las previsiones puntuales exactas, sino en la distribución de los precios durante determinados periodos futuros. Dado que este tipo de modelización tiene una larga tradición en finanzas , se observa una creciente oferta de soluciones financieras.
  • La previsión a largo plazo , con plazos que se miden en meses, trimestres o incluso años, se centra en el análisis de la rentabilidad de la inversión y la planificación, como por ejemplo la determinación de las futuras ubicaciones o fuentes de combustible de las centrales eléctricas.

Previsión del futuro de los 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 que influyen en los precios y variables de entrada

Estacionalidad

Un punto clave en el modelado y pronóstico del precio spot de la electricidad es el tratamiento adecuado de la estacionalidad. [ 75 ] [ 83 ] El precio de la electricidad presenta estacionalidad en tres niveles: el diario y el semanal, y en cierta medida, el anual. En el pronóstico a corto plazo , la estacionalidad anual o a 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 a largo plazo y un componente estocástico, modelarlos de forma independiente y combinar sus pronósticos puede aportar, contrariamente a una creencia común, una ganancia de precisión en comparación con un enfoque en el que un modelo dado se calibra a 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 de ciclo de tendencia a largo plazo desempeña un papel crucial. Su especificación incorrecta puede introducir sesgos, lo que puede llevar a una mala estimación del nivel de reversión a la media o de la intensidad y gravedad del pico de precios y, en consecuencia, a una subestimación del riesgo. Finalmente, a largo plazo , cuando el horizonte temporal se mide en años, la estacionalidad diaria, semanal e incluso anual puede ignorarse, y las tendencias a largo plazo predominan. El tratamiento adecuado —tanto dentro como fuera de la muestra— de la estacionalidad no ha recibido suficiente atención en la literatura hasta el momento. [ 85 ] [ 86 ] [ 87 ]

Selección de variables

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

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

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 determinantes fundamentales.

Previsión de picos y margen de reserva

Al predecir picos de volatilidad o volatilidad de precios al contado, una de las variables fundamentales más influyentes es el margen de reserva , también llamado generación excedente . Relaciona la capacidad disponible (generación, suministro),dot{\displaystyle C_{t}}, a la demanda (carga),Dt{\displaystyle D_{t}}en un momento dadot{\displaystyle t}. La noción tradicional de ingeniería del margen de reserva lo define como la diferencia entre los dos, es decir,RMETRO=dot−Dt{\displaystyle RM=C_{t}-D_{t}}pero muchos autores prefieren trabajar con razones adimensionalesρt=Dt/dot{\displaystyle \rho _{t}=D_{t}/C_{t}},Rt=dot/Dt−1{\displaystyle R_{t}=C_{t}/D_{t}-1}o la denominada utilización de la capacidaddoUt=1−Dt/dot{\displaystyle CU_{t}=1-D_{t}/C_{t}}[ 3 ] Su escasa aplicación en el EPF solo se justifica por la dificultad de obtener datos de margen de reserva de buena calidad. Dado que cada vez más operadores de sistemas (véase, por ejemplo, http://www.elexon.co.uk ) divulgan dicha información, los datos de margen de reserva deberían desempeñar un papel importante en el EPF en un futuro próximo.

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 exigir a los participantes que presenten pronósticos de los percentiles 99 de la distribución predictiva (día antes en la trayectoria de precios) y no los pronósticos puntuales como en la edición de 2012, [ 100 ] esto todavía no parece ser un caso común en EPF.

Si se calculan los PI, 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 (véase más adelante) en el contexto de EPF. El promedio de regresión de cuantiles (QRA) implica la aplicación de la regresión de cuantiles 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

Las previsiones de consenso , también conocidas como previsiones combinadas , promedio de previsiones 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 varias previsiones separadas que a menudo se han creado utilizando diferentes metodologías. A pesar de su popularidad en econometría, las previsiones promediadas no se han utilizado ampliamente en el contexto de los mercados de electricidad hasta la fecha. Hay algunas evidencias limitadas sobre la adecuación de combinar previsiones de demanda de electricidad, [ 102 ] pero fue solo muy recientemente que la combinación se utilizó en EPF y solo para previsiones puntuales. [ 103 ] [ 104 ] La combinación de previsiones probabilísticas (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 de cuantiles (QRA) permite aprovechar el desarrollo existente de pronósticos puntuales, [ 101 ] es particularmente atractivo desde un punto de vista práctico y puede convertirse en una herramienta popular en EPF en un futuro próximo.

Modelos de factores multivariados

La literatura sobre la predicción de precios diarios de electricidad se ha concentrado principalmente en modelos que utilizan únicamente información a nivel agregado (es decir, diario). Por otro lado, la abundante literatura sobre la predicción de precios intradiarios ha utilizado datos desagregados (es decir, horarios o de media hora), pero generalmente 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 electricidad, necesitamos utilizar métodos de reducción de dimensionalidad; por ejemplo, modelos factoriales con factores estimados como componentes principales (CP). La evidencia empírica indica que hay mejoras en la predicción al incorporar datos desagregados (es decir, horarios o zonales) para predecir los precios diarios del sistema, especialmente cuando el horizonte de predicción supera una semana. [ 105 ] [ 106 ] Con el aumento de la capacidad computacional, la calibración en tiempo real de estos modelos complejos será factible y podemos esperar ver más aplicaciones de EPF del marco multivariado en los próximos años.

Un campo de pruebas universal

Todas las principales publicaciones de revisión concluyen que existen problemas al comparar los métodos desarrollados y utilizados en la literatura 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 exige un estudio integral y exhaustivo que involucre (i) los mismos conjuntos de datos, (ii) los mismos procedimientos robustos de evaluación de errores y (iii) pruebas estadísticas de la significancia del mejor desempeño de un modelo sobre otro. En cierta medida, la Competencia Global de Pronóstico de Energía 2014 ha abordado estos problemas. Sin embargo, aún queda mucho por hacer. Se debe utilizar una selección de las medidas de mejor desempeño (MAE ponderado, MASE estacional o RMSSE) ya sea exclusivamente o junto con las más populares (MAPE, RMSE). Los resultados empíricos deben probarse más a fondo para determinar la significancia de las diferencias en la precisión de pronóstico de los modelos. [ 103 ] [ 104 ] [ 105 ]

Véase también

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. 1 2 3 4 5 6 7 8 9 10 11 Weron, Rafał (2014). "Pronóstico de precios de electricidad: una revisión del estado del arte con una mirada al futuro" . International Journal of Forecasting . 30 (4). [Acceso abierto]: 1030–1081 . doi : 10.1016/j.ijforecast.2014.08.008 .
  4. 1 2 3 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 bola de cristal en análisis predictivo" . Revista EnergyBiz . Primavera: 35–37 . Archivado del original el 10 de septiembre de 2015. Recuperado el 29 de noviembre de 2015 .
  6. ↑ ISO NE
  7. ↑ "Mapas de zonas ISO de Nueva York" . Consultado el 18 de junio de 2017 .
  8. ↑ "Mapa de contorno LMP: Mercado del día anterior – 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 del original el 23 de enero de 2019. Consultado el 3 de mayo de 2018 .
  10. ↑ "Mercados de energía eólica y electricidad" (PDF) . 2011. Archivado del original (PDF) el 4 de marzo de 2016. Consultado el 18 de junio de 2017 .
  11. 1 2 "Enfrentando la curva del pato: cómo abordar la sobregeneración de energía solar" . Energy.gov . Consultado el 3 de mayo de 2018 .
  12. ↑ «Wayback Machine» (PDF) . Red eléctrica. 16 de agosto de 2011 . Consultado el 14 de mayo de 2017 .{{cite web}}: La cita utiliza un título genérico ( ayuda )
  13. ↑ Nowotarski, Jakub; Weron, Rafał ( 2018). "Avances recientes en la previsión de precios de 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 energético" . Nord Pool Spot. Archivado del original el 6 de junio de 2017. Consultado el 18 de junio de 2017 .
  15. ↑ Mosquera-López, Stephanía; Nursimulu, Anjali (marzo de 2019). "Factores determinantes de la dinámica de los precios de la electricidad: análisis comparativo de los mercados al contado y de futuros" . Energy Policy . 126 : 76–87 . Bibcode : 2019EnPol.126...76M . doi : 10.1016/j.enpol.2018.11.020 .
  16. ↑ "Seis factores clave que influyen en los precios del gas y la electricidad | APPI Energy" . www.appienergy.com . Archivado del original el 23 de enero de 2019. Consultado el 3 de mayo de 2018 .
  17. ↑ "Los precios de los derechos de emisión de CO2 en la UE siguen subiendo y alcanzan los 10,60 €/tonelada métrica – Electric Power | Artículo y noticia de Platts" . 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 del 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 para la energía renovable" . WIREs Energy and Environment . 9 (2) e365. 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 carga, la generación eólica y solar para la previsión diaria de los precios de la electricidad" . Energy Economics . 99 105273. Bibcode : 2021EneEc..9905273M . doi : 10.1016/j.eneco.2021.105273 .
  22. ↑ "Pronósticos más fiables sobre los caudales de agua pueden reducir el precio de la electricidad" . Cuerpo de conocimientos sobre regulación de infraestructuras . 19 de enero de 2010. Consultado el 18 de junio de 2017 .
  23. 1 2 J. Arlet. 2017. «Restricciones del sector eléctrico para las empresas en distintas economías : un análisis comparativo». Notas de investigación sobre la gestión empresarial; n.º 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 infraestructuras . Consultado el 18 de junio de 2017 .
  25. ↑ C. Trimble, M. Kojima, I. Perez Arroyo, F. Mohammadzadeh. 2016. "Viabilidad financiera de los sectores eléctricos en África subsahariana: déficits cuasifiscales y costos ocultos". Documento de trabajo de investigación de políticas; n.° 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 estratégico de cálculo de costos 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 eléctrico oligopólico". Métodos matemáticos de investigación operativa . 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 a 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 teoría de juegos del mecanismo de operación basado en el mercado para recursos de respuesta a la demanda" . International Journal of Electrical Power & Energy Systems . 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 balance de la electricidad: modelos de equilibrio de bucle 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 subasta doble". 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). "Pronóstico avanzado de precios en la simulación del mercado eléctrico basada en agentes" . Applied Energy . 290 116688. Bibcode : 2021ApEn..29016688F . doi : 10.1016/j.apenergy.2021.116688 .
  36. 1 2 Burger, M.; Graeber, B.; Schindlmayr, G. (2007). Managing Energy Risk: An Integrated View on Power and Other Energy Markets . Wiley. doi : 10.1002/9781119209102 . ISBN 978-1-119-20910-2.
  37. 1 2 Eydeland, Alexander; Wolyniec, Krzysztof (2003). Gestión de riesgos energéticos y de potencia: Nuevos desarrollos en modelización, fijación de precios y cobertura . Wiley. ISBN 978-0-471-10400-1.
  38. ↑ Beran, Philip; Pape, Christian; Weber, Christoph (junio de 2019). "Modelización de los precios al contado mayoristas de electricidad en Alemania con un modelo fundamental parsimonioso: validación y aplicación" . Utilities Policy . 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.). A Survey of Commodity Markets and Structural Models for Electricity Prices . Springer New 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. S2CID 2126558 . 
  40. ↑ Kallabis, Thomas; Pape, Christian; Weber, Christoph (agosto de 2016). "El desplome de los precios de los futuros de electricidad en Alemania: análisis mediante 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). "Pronóstico de precios de electricidad utilizando curvas de venta y compra: El modelo X" . Energy Economics . 59 : 435–454 . arXiv : 1509.00372 . Bibcode : 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 eléctricos acoplados" . Energy Economics . 75 : 104–119 . arXiv : 1704.06027 . Bibcode : 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). "Revisando la relación entre los precios al contado y de futuros en el mercado eléctrico Nord Pool" (PDF) . Energy Economics . 44 : 178–190 . Bibcode : 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". Energy Economics . 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". Energy Economics . 34 (5): 1589– 1616. Bibcode : 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 del día siguiente: simulación de precios pico y valle" . International Journal of Forecasting . 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 co-saltos para la previsión de precios de la electricidad? Evidencia del mercado diario germano-austríaco" . 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 los precios spot de la electricidad" (PDF) . Energy Economics . 32 (5): 1059– 1073. Bibcode : 2010EneEc..32.1059J . doi : 10.1016/j.eneco.2010.05.008 .
  50. ↑ Janczura, Joanna (febrero de 2014). "Valoración de derivados de electricidad dentro de un modelo de cambio de régimen de Markov: un enfoque de prima de riesgo" . Métodos matemáticos de investigación operativa . 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 electricidad en Italia" . Energy Policy . 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). "Decodificando el mercado eléctrico australiano: Nueva evidencia de un modelo semi-Markov oculto de tres regímenes" . Energy Economics . 78 : 129–142 . Bibcode : 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 a plazo de electricidad con granularidad fina: teoría y evidencia empírica en el mercado horario EPEXspot" . European Journal of Operational Research . 261 (2): 715–734 . doi : 10.1016/j.ejor.2017.02.016 .
  55. 1 2 3 4 5 Lago, Jesus; Marcjasz, Grzegorz; De Schutter, Bart; Weron, Rafał (julio de 2021). "Pronóstico 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. 1 2 Jonsson, T.; Pinson, P.; Nielsen, HA; Madsen, H.; Nielsen, TS (2013). "Pronóstico de precios spot de electricidad considerando 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. 1 2 Conejo, Antonio J.; Contreras, Javier; Espínola, Rosa; Plazas, Miguel A. (2005). "Pronóstico de precios de electricidad para un mercado de energía eléctrica basado en la oferta del día siguiente". International Journal of Forecasting . 21 (3): 435– 462. doi : 10.1016/j.ijforecast.2004.12.005 .
  58. ↑ Weron, Rafał; Misiorek, Adam (2008). "Pronóstico de precios spot de electricidad: una comparación de modelos de series temporales paramétricos y semiparamétricos". International Journal of Forecasting . Energy Forecasting. 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). "Pronóstico de precios de electricidad: El impacto de los fundamentos y los coeficientes variables en el tiempo". International Journal of Forecasting . Energy Forecasting. 24 (4): 764– 785. doi : 10.1016/j.ijforecast.2008.09.008 .
  60. 1 2 Lago, Jesus; De Ridder, Fjo; De Schutter, Bart (julio de 2018). "Pronóstico 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). "Pronóstico del precio de la electricidad para el día siguiente con estructuras de alta dimensión: marcos de modelado univariados frente a multivariados" . Energy Economics . 70 : 396–420 . arXiv : 1805.06649 . Bibcode : 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 eléctrico basadas en pronósticos probabilísticos de beneficios y medidas de riesgo. Estudio de caso de los mercados alemán y polaco" . Energy Economics . 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 diarios de electricidad al contado" (PDF) . Journal of the American Statistical Association . 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. Bibcode : 2019EneEc..80..610K . doi : 10.1016/j.eneco.2019.02.004 .
  66. ↑ Janczura, Joanna; Puć, Andrzej (10 de enero de 2023). "Pronósticos de precios probabilísticos 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" . Energies . 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 electricidad con modelos expertos, lineales y no lineales" . International Journal of Forecasting . 39 (2): 570– 586. doi : 10.1016/j.ijforecast.2022.01.003 . hdl : 11585/897303 .
  68. ↑ Maciejowska, Katarzyna; Weron, Rafał (septiembre de 2015). "Pronóstico 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 energías renovables con un modelo autorregresivo vectorial estructural de los mercados de electricidad en Alemania" (PDF) . Operations Research and Decisions . 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" . International Journal of Forecasting . 39 (4): 1839–1852 . arXiv : 2207.04794 . doi : 10.1016/j.ijforecast.2022.09.004 .
  71. ↑ Liebl, Dominik (2013-09-01). "Modelado y pronóstico de precios spot de electricidad: una perspectiva de datos funcionales" . The Annals of Applied Statistics . 7 (3). arXiv : 1310.1628 . doi : 10.1214/13-AOAS652 . ISSN 1932-6157 . 
  72. ↑ Chen, Ying; Li, Bo (2017-07-03). "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). "Pronóstico de la demanda y los precios de la electricidad para el día siguiente basado en modelos funcionales" . Energy Systems . 11 (4): 947–979 . Bibcode : 2020EnSys..11..947L . doi : 10.1007/s12667-019-00356-w . ISSN 1868-3967 . 
  74. 1 2 Amjady, N. (2006). "Pronóstico de precios diarios de los mercados de electricidad 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. 1 2 Keles, Dogan; Scelle, Jonathan; Paraschiv, Florentina; Fichtner, Wolf (2016). "Métodos de pronóstico extendidos para precios spot de electricidad del día siguiente 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 pronósticos de precios de electricidad para el día siguiente en 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 a largo plazo en la previsión del precio de la electricidad para el día siguiente con redes neuronales NARX" . International Journal of Forecasting . 35 (4): 1520– 1532. doi : 10.1016/j.ijforecast.2017.11.009 .
  78. ↑ Wang, Long; Zhang, Zijun; Chen, Jieqiu (julio de 2017). "Pronóstico de precios de electricidad a corto plazo con autoencoders de eliminación 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" . International Journal of Forecasting . 39 (2): 884– 900. arXiv : 2104.05522 . Bibcode : 2023IJFor..39..884O . 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). "Pronóstico de precios de energía en el mercado competitivo del sistema eléctrico 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). "Pronóstico del precio de equilibrio del mercado eléctrico a mediano plazo: un enfoque híbrido LSSVM y ARMAX". International Journal of Electrical Power & Energy Systems . 53 : 20–26 . Bibcode : 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 modelos robustos" (PDF) . Energy Economics . 38 : 96–110 . Bibcode : 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 del precio de la electricidad para el día siguiente" (PDF) . Energy Economics . 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 y pronóstico robustos del componente estacional a largo plazo de los precios spot de la electricidad" (PDF) . Energy Economics . 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". Energy Economics . 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. Bibcode : 2015EneEc..48....1W . doi : 10.1016/j.eneco.2014.11.014 .
  88. 1 2 Gianfreda, Angelica; Grossi, Luigi (2012). "Pronóstico de precios zonales de electricidad en Italia con variables exógenas". Energy Economics . 34 (6): 2228– 2239. Bibcode : 2012EneEc..34.2228G . doi : 10.1016/j.eneco.2012.06.024 . hdl : 1814/25076 .
  89. 1 2 Ziel, Florian; Steinert, Rick; Husmann, Sven (2015). "Modelado y pronóstico eficientes de precios spot de electricidad". Energy Economics . 47 : 98– 111. arXiv : 1402.7027 . Bibcode : 2015EneEc..47...98Z . doi : 10.1016/j.eneco.2014.10.012 . S2CID 153565992 . 
  90. 1 2 Amjady, N.; Hemmati, M. (2006). "Pronóstico de precios de la energía: problemas y propuestas para dichas predicciones". IEEE Power and Energy Magazine . 4 (2): 20– 29. Bibcode : 2006IPEnM...4b..20A . doi : 10.1109/MPAE.2006.1597990 . ISSN 1540-7977 . 
  91. 1 2 3 4 Uniejewski, Bartosz; Nowotarski, Jakub; Weron, Rafał (2016-08-05). "Selección y reducción automatizada de variables para la previsión del precio de la electricidad del día siguiente" . 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. S2CID 62973643 . 
  93. ↑ Karakatsani, Nektaria V.; Bunn, Derek W. (2008). "Pronóstico de precios de electricidad: El impacto de los fundamentos y los coeficientes variables en el tiempo". International Journal of Forecasting . Energy Forecasting. 24 (4): 764– 785. doi : 10.1016/j.ijforecast.2008.09.008 .
  94. ↑ Bessec, Marie; Fouquau, Julien; Meritet, Sophie (2016). "Pronóstico 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". 4.º Simposio Internacional IEEE de 2013 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. ↑ Ludwig, Nicole; Feuerriegel, Stefan; Neumann, Dirk (2015). "Poniendo en práctica el análisis de Big Data: Selección de características para la previsión de precios de electricidad mediante 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 de GEFCom2014". International Journal of Forecasting . 32 (3): 1038– 1050. doi : 10.1016/j.ijforecast.2015.12.001 .
  98. ↑ Ziel, F. (2016). "Pronóstico de precios spot de electricidad usando 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". International Journal of Forecasting . 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 pronóstico de energía 2012". Revista internacional de pronóstico . 30 (2): 357– 363. doi : 10.1016/j.ijforecast.2013.07.001 .
  101. 1 2 Nowotarski, Jakub; Weron, Rafał (2015). "Cálculo de intervalos de predicción del precio spot de la electricidad mediante regresión de cuantiles y promedio de pronósticos" (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". Journal of the Operational Research Society . 51 (1): 72– 82. CiteSeerX 10.1.1.501.5706 . doi : 10.1057/palgrave.jors.2600856 . S2CID 8165916 .  
  103. 1 2 Bordignon, Silvano; Bunn, Derek W.; Lisi, Francesco; Nan, Fany (2013). "Combinación de pronósticos diarios para los precios de la electricidad en Gran Bretaña" (PDF) . Energy Economics . 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. 1 2 Nowotarski, Jakub; Raviv, Eran; Trück, Stefan; Weron, Rafał (2014). "Una comparación empírica de esquemas alternativos para combinar pronósticos de precios spot de electricidad". Energy Economics . 46 : 395– 412. Bibcode : 2014EneEc..46..395N . doi : 10.1016/j.eneco.2014.07.014 .
  105. 1 2 Maciejowska, Katarzyna; Weron, Rafał (2015). "Pronóstico 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. Bibcode : 2015EneEc..50..227R . doi : 10.1016/j.eneco.2015.05.014 . hdl : 1765/40407 .