Pronóstico del Precio de la Energía Eléctrica usando Redes Neuro-Difusas

• Fernando Villada ^[1] ; Edwin García ^[1] ; Juan D. Molina ^[2]
  1. [1] Universidad de Antioquia

     Universidad de Antioquia

     Colombia

     
  2. [2] Univ. Católica de Chile
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 22, Nº. 6, 2011, págs. 111-120
• Idioma: español
• Títulos paralelos:
  • Electricity Price Forecasting using Neurofuzzy Networks
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 3 Citas
• Resumen
  • español

    Se propone un modelo para el pronóstico del precio de la energía eléctrica en Colombia mediante el uso de redes neuro-difusas. Se utilizan dos estructuras de redes incluyendo como entradas la serie de precios diarios en la primera y la serie de precios más el nivel medio de los embalses en la segunda. Los resultados son comparados con dos estructuras de redes neuronales y con un modelo Autoregresivo Condicional Heterocedástico Generalizado (GARCH). Los datos históricos fueron obtenidos de la Compañía XM del Grupo ISA; datos para 120 días son usados para entrenamiento y los 31 días siguientes para verificar la capacidad predictiva del modelo. Se encontró ventajas en este último dentro del periodo de muestreo para una variable de entrada, pero un mejor desempeño de las redes neuro-difusas en el periodo fuera de la muestra tanto para una como para dos variables de entrada.

  • English

    A forecasting model for the price of electricity in Colombia using neurofuzzy networks is proposed. Two network structures including the price series in the first and the price series plus the reserve water levels in the latter are used. The results are compared with two neural networks structures and a Generalized Autoregressive Conditional Heteroscedasticity model (GARCH). Historical data were supplied by the Company XM of the ISA Group; data for 120 days were used as for training the network and the following 31 days were used for testing the predictive capabilities of the model. The GARCH model shows better adjustment within the training period for the prices series as input, but the neurofuzzy networks have better forecasting performance for one and for two input variables.