Predicción del precio de la electricidad en Brasil usando redes cascada correlación
Cascade correlation networks for electricity spot price forecasting in Brasil
Barra lateral del artículo
PDF
FLIP
HTML
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Contenido principal del artículo
Resumen
En este artículo, se propone utilizar redes neuronales tipo cascada correlación regularizadas, para pronosticar el precio mensual, de corto plazo, de la electricidad del mercado brasileño. Se estiman diversos modelos de redes cascada correlación regularizados entre la capa de entrada y oculta, con descomposición o con eliminación de pesos, mientras que entre la capa oculta y la de salida, se regulariza con regresión de borde. Los resultados indican que las redes cascada correlación regularizadas en todas sus capas describen mejor la dinámica de la serie de precios que la misma red sin regularizar, que un modelo ARIMA y que un perceptrón multicapa (MLP) clásico, que usa los mismos rezagos y neuronas en la capa oculta, lo cual, permite afirmar, que para la serie de precios de electricidad, las redes cascada correlación regularizadas permiten encontrar modelos con mejor capacidad de pronóstico.
Palabras clave:
Descargas
Detalles del artículo
Referencias (VER)
ANGELUS, A. 2001. Electricity price forecasting in deregulated markets. The Electricity Journal (USA). 13(4):32-41.
ARMSTRONG, M.; COWAN, S.; VICKERS, J. 1994. Regulatory Reform: Economic Analysis and British Experience. Ed. Cambridge: The MIT Press (USA). 392p.
CONEJO, A.; CONTRERAS, J.; ESPÍNOSA, R.; PLAZAS, M. 2005. Forecasting electricity prices for a dayahead pool-based electric energy market. Internal J. Forecasting (USA). (21):435-462.
DE MEDEIROS, L. 2004. Previs?o do Pre?o Spot no Mercado de Energia Elétrica. PhD thesis, Pontificia Universidade Católica do Rio de Janeiro. Disponible desde Internet en: http://www.maxwell.lambda.ele.puc-rio.br/ [con acceso el 02/10/2009].
F AHLMAN, S.E.; LEBIERE, C. 1990. The Cascade- Correlation Learning Architecture. Advances in Neural Information Processing Systems (USA). 2:524-532.
GARETA, R.; GIL, A.; MONZÓN, A.; ROMEO, L. 2004. Las redes neuronales como herramienta para predecir el precio de la energía eléctrica. Energía: Revista de Ingeniería energética y medioambiental (España). 30(180):67-72.
HINTON, G. 1989. Connectionist learning procedures. Artificial Intelligence (USA). (40):185-243.
HIPPERT, H.; BUNN, D.; SOUZA, R. 2005. Large neural networks for electricity load forecasting: Are they overfitted? Internal J. Forecasting (USA). 21(3):425- 434.
HOERL, A.E.; KENNARD, R.W. 1970. Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics (USA). 12(1):55-67.
HYNDMAN, R.; KHANDAKAR, Y. 2008. Automatic time series forecasting: The forecast package for R. J. Statistical Software (USA). 26(3):1-22.
LU, X.; DONG, Z.; LI, X. 2005. Electricity market price spike forecast with data mining techniques. Electric Power Systems Research (USA). 73(1):19-29.
MARQUARDT, D.W.; SNEE, R.D. 1975. Ridge regression in practice. The American Statistician (USA). 29(1):3- 20.
MASTERS, T. 1993. Practical neural network recipes in C++. Ed. New York: Academic Press (USA). 493p.
PILIPOVIC, D. 1998. Energy Risk. Valuing and Managing Energy Derivatives. Ed. McGraw-Hill (USA). 64p.
STEINER, F. 2000. Regulation, industry structure and performance in the electricity supply industry. OECD Economics Department Working Papers (Francia). 238:5-25.
VELÁSQUEZ, J.D.; DYNER, I.; SOUSA, R.C. 2007. ¿Por qué es tan difícil obtener buenos pronósticos de los precios de la electricidad en mercados competitivos? Cuadernos de Administración (Colombia). 20:259- 282.
VELÁSQUEZ, J.D.; VILLA, F.A.; SOUZA, R.C. 2010. Predicción de series de tiempo con redes cascadacorrelación. Ingeniería e Investigación (Colombia). 30(1):157-162.
VELÁSQUEZ, J.D; DYNER, I.; SOUZA, R.C. 2008. Modelado del Precio Spot de la Electricidad en Brasil Usando una Red Neuronal Auto Regresiva. Ingeniare: Rev. Chilena de Ingeniería. 16(3):394-403.
VILLA, F.A.; VELÁSQUES, J.D.; JARAMILLO, P. 2009. Conrprop: un algoritmo para la optimización de funciones no lineales con restricciones. Rev. Facultad de Ingeniería Universidad de Antioquia (Colombia). (50):188-194.
VILLA, F.A.; VELÁSQUEZ, J.D.; SOUZA, R.C. 2008. Una aproximación a la regularización de redes cascadacorrelación para la predicción de series de tiempo. Investigación Operacional (Portugal). (28):151-161.
WEIGEND, A.S.; RUMELHART, D.E.; HUBERMAN, B.A. 1991. Generalization by weight-elimination with application to forecasting. Advances in Neural Information Processing Systems (USA). 3:875-882.
ZHANG, G.; PATUWO, B.E.; HU, M.Y. 1998. Forecasting with artificial neural networks: the state of the art. Internal J. Forecasting (USA). 14(1):35-62.
Citado por
