Cascade correlation networks for electricity spot price forecasting in Brasil

Predicción del precio de la electricidad en Brasil usando redes cascada correlación

dc.creatorVilla, Fernán
dc.creatorVelásquez, Juan
dc.date2011-12-31
dc.date.accessioned2023-08-28T15:13:09Z
dc.date.available2023-08-28T15:13:09Z
dc.identifierhttps://revistas.udca.edu.co/index.php/ruadc/article/view/793
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8442782
dc.descriptionThe aim of this paper is to propose the use of regularized cascade correlation neural networks to forecast the monthly Brazilian electricity spot price. The cascade correlation models have been regularized with weight decay, weight elimination and ridge regression techniques, and several regularized models have been estimated. The results show that the regularized cascade correlation network represents the dynamic series better than other similar models such as the multilayer perceptron (MLP) and ARIMA. Then the regularized cascade correlation neural networks allow finding a suitable model to forecast the monthly Brazilian electricity spot price.en-US
dc.descriptionEn 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.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.languagespa
dc.publisherUniversidad de Ciencias Aplicadas y Ambientales U.D.C.Aes-ES
dc.relationhttps://revistas.udca.edu.co/index.php/ruadc/article/view/793/873
dc.relationhttps://revistas.udca.edu.co/index.php/ruadc/article/view/793/874
dc.relation/*ref*/ANGELUS, A. 2001. Electricity price forecasting in deregulated markets. The Electricity Journal (USA). 13(4):32-41.
dc.relation/*ref*/ARMSTRONG, M.; COWAN, S.; VICKERS, J. 1994. Regulatory Reform: Economic Analysis and British Experience. Ed. Cambridge: The MIT Press (USA). 392p.
dc.relation/*ref*/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.
dc.relation/*ref*/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].
dc.relation/*ref*/F AHLMAN, S.E.; LEBIERE, C. 1990. The Cascade- Correlation Learning Architecture. Advances in Neural Information Processing Systems (USA). 2:524-532.
dc.relation/*ref*/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.
dc.relation/*ref*/HINTON, G. 1989. Connectionist learning procedures. Artificial Intelligence (USA). (40):185-243.
dc.relation/*ref*/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.
dc.relation/*ref*/HOERL, A.E.; KENNARD, R.W. 1970. Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics (USA). 12(1):55-67.
dc.relation/*ref*/HYNDMAN, R.; KHANDAKAR, Y. 2008. Automatic time series forecasting: The forecast package for R. J. Statistical Software (USA). 26(3):1-22.
dc.relation/*ref*/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.
dc.relation/*ref*/MARQUARDT, D.W.; SNEE, R.D. 1975. Ridge regression in practice. The American Statistician (USA). 29(1):3- 20.
dc.relation/*ref*/MASTERS, T. 1993. Practical neural network recipes in C++. Ed. New York: Academic Press (USA). 493p.
dc.relation/*ref*/PILIPOVIC, D. 1998. Energy Risk. Valuing and Managing Energy Derivatives. Ed. McGraw-Hill (USA). 64p.
dc.relation/*ref*/STEINER, F. 2000. Regulation, industry structure and performance in the electricity supply industry. OECD Economics Department Working Papers (Francia). 238:5-25.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.sourceRevista U.D.C.A Actualidad & Divulgación Científica; Vol. 14 No. 2 (2011): Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre; 161-167en-US
dc.sourceRevista U.D.C.A Actualidad & Divulgación Científica; Vol. 14 Núm. 2 (2011): Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre; 161-167es-ES
dc.sourceRevista U.D.C.A Actualidad & Divulgación Científica; v. 14 n. 2 (2011): Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre; 161-167pt-BR
dc.source2619-2551
dc.source0123-4226
dc.source10.31910/rudca.v14.n2.2011
dc.subjectPronósticoes-ES
dc.subjectRedes neuronaleses-ES
dc.subjectMercados liberalizadoses-ES
dc.subjectForecastingen-US
dc.subjectNeural networksen-US
dc.subjectLiberalized marketsen-US
dc.titleCascade correlation networks for electricity spot price forecasting in Brasilen-US
dc.titlePredicción del precio de la electricidad en Brasil usando redes cascada correlaciónes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Este ítem pertenece a la siguiente institución