Aplicación de Redes Neuronales de Elman y Modelos GARCH en el Pronóstico del Precio de Energía Eléctrica en Colombia

Resumen (es)

Este paper presenta el estudio del comportamiento de los precios de la energía eléctrica en el mercado no regulado en Colombia a través de dos metodologías diferentes. Primero, se utilizaron los modelos de heteroscedasticidad condicional autorregresiva generalizada (GARCH) junto con algunas de sus variaciones y, por otro lado, se realizó el análisis de la variable de estudio desde la perspectiva de las redes neuronales recurrentes (RNN), específicamente las redes neuronales recurrentes de Elman. El precio de la energía eléctrica es bastante volátil debido a que existen múltiples factores que influyen en él, como el comportamiento climático—fenómenos del Niño (no llueve) y de la Niña (mucha lluvia)—, la demanda de los consumidores y los costos de producción, entre otros. Es en este punto donde toman relevancia las metodologías que permiten modelar variables con estas características de volatilidad. El objetivo del presente artículo fue realizar el modelamiento del precio de la energía eléctrica y su volatilidad en el mercado no regulado. Se utilizaron y compararon modelos pertenecientes a la familia de los modelos GARCH, así como metodologías de aprendizaje profundo, como las redes neuronales recurrentes (RNN), con el fin de observar si este tipo de modelos se ajustaban y pronosticaban de manera adecuada dicha variable de estudio. Se demostró que, aunque ambos modelos son apropiados para modelar el precio de energía eléctrica no regulada, el modelo de Elman presentó mejores resultados en términos de errores más bajos en los pronósticos.

Resumen (en)

This article presented the study of electricity price behavior in the unregulated market in Colombia through two different methodologies. First, generalized autoregressive conditional heteroskedasticity (GARCH) models were used along with some of their variations, and on the other hand, the analysis of the study variable was carried out from the perspective of recurrent neural networks (RNN), specifically Elman recurrent neural networks. Electricity price is quite volatile due to multiple factors that influence it, such as climate behavior, consumer demand, or production costs, among others. It is at this point where methodologies that allow modeling variables with these volatility characteristics become relevant. Therefore, this work proposed to model electricity price and its volatility in the unregulated market. Models belonging to the GARCH family were used and compared, as well as deep learning methodologies such as recurrent neural networks (RNN), in order to observe whether these types of models adequately adjusted and forecasted this study variable. It was demonstrated that, although both models are appropriate for modeling unregulated electricity prices, the Elman model presented better results in terms of lower forecast errors.