Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2143| Arquitectura de fusión en cascada para la predicción de precio del mercado eléctrico mayorista | |
| Claudio López Antypas | |
| Luis Enrique Sucar Succar Manuel Montes y Gómez | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Data fusion architectures Deep learning Electricity price forecast Wholesale electricity market | |
| The Mexican Wholesale Electricity Market (MEM) is under development, with a large infrastructure and different factors (common to MEM) that affect the price, creating a volatile price market. In the MEM, the development of predictive tools is prevalent, of which there are several methods such as statistical or machine learning methods, however, in recent years the use of deep learning has shown empirically to reduce the error, when predicting the electricity price, below traditional methods. Based on deep learning and the inclusion of external factors that minimize uncertainty and error, a deep learning waterfall architecture is proposed, which merges data in a progressive and hierarchical way. In addition, a greedy algorithm with majority vote is implemented to determine the order of data entry to the network, which, given the sub-modular properties of the architecture, performs data selection. For the construction of the waterfall architecture, 6 factors related to the electricity price were used, namely: the historical electricity price, the electricity price of neighboring markets, the weather, energy demand, the breakdown of the calendar and natural gas prices, from which the algorithm discarded the last two; a good approximation to the optimal solution of the waterfall architecture is obtained. The performance of the waterfall architecture is measured in the prediction of electricity price of the wholesale market in the future 24 hours, comparing it against the early and intermediate fusion methods, represented by the sequential and multimodal architectures, respectively. The results obtained mostly highlight the cascade architecture with the lowest absolute error averages (MAE) in 6 months, achieving an MAE of 326.6±298.7 pesos, discarding the last three irregular months. In addition, the waterfall architecture was better adapted to volatile price, generating fewer outliers and at a better value than the other fusion architectures; Diebold-Mariano test of statistical significance suggests that the waterfall architecture offers mostly competitive results, but it is distinguishable from the other models in several hours of the forecast horizon. El Mercado Eléctrico Mayorista (MEM) de México se encuentra en desarrollo, con una gran infraestructura y diferentes factores (comunes en los MEM) que afectan el precio, creando un mercado volátil. En los MEM es imperante el desarrollo de herramientas predicativas, de las cuales, existen varios métodos como los estadísticos o de aprendizaje de máquina, sin embargo, en los últimos años el uso de aprendizaje profundo ha mostrado empíricamente reducir el error, al predecir el precio eléctrico, por debajo de los métodos tradicionales. Con base en aprendizaje profundo y la inclusión de factores externos que minimicen la incertidumbre y el error, se propone una arquitectura cascada de aprendizaje profundo, la cual fusiona los datos de forma progresiva y jerarquizada. Además, se implementa un algoritmo voraz con voto mayoritario para determinar el orden de entrada de los datos a la red, que dadas las propiedades submodulares de la arquitectura, realiza selección de datos. Para la construcción de la arquitectura cascada se utilizaron 6 factores relacionados con el precio eléctrico, como son: el precio eléctrico histórico, del precio eléctrico de mercados vecinos, el clima, la demanda energética, el desglose del calendario y precios del gas natural, de los cuales el algoritmo descartó los últimos dos. Se mide el desempeño de la arquitectura cascada en la predicción del precio eléctrico del mercado mayorista a 24 horas futuras, comparando contra los métodos fusión temprana e intermedia, representadas por las arquitecturas secuencial y multimodal, respectivamente. Los resultados obtenidos destacan en su mayoría a la arquitectura cascada con promedios del error absoluto (MAE) más bajos en 6 meses, logrando un MAE de 326.6±298.7 pesos, descartando los últimos tres meses irregulares; donde el baseline obtuvo el menor promedio y desviación estándar. Además, la arquitectura cascada generó menos errores atípicos y con menor valor que las demás arquitecturas de fusión; la prueba de significancia estadística Diebold-Mariano sugiere que las predicciones de la arquitectura cascada son competitivas en el año, pero es distinguible de los demás modelos en varias horas del horizonte de predicción. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2021-02 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| López Antypas, Claudio Manuel., (2021), Arquitectura de fusión en cascada para la predicción de precio del mercado eléctrico mayorista, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| DISPOSITIVOS DE TRANSMISIÓN DE DATOS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| Tesis_Maestría Claudio López.pdf | 13.47 MB | Adobe PDF | Visualizar/Abrir |