Revista Iberoamericana
de Inteligencia Artificial
ISSN: 1137-3601
revista@aepia.org
Asociacin Espaola para la Inteligencia
Artificial
Espaa
Resumen
El volumen de datos disponible para las empresas que participan en el mercado elctrico espaol es muy elevado y
con informacin potencialmente muy rica. La extraccin de conocimiento sobre el comportamiento estratgico de la
competencia en el mercado, condensado en las curvas de oferta, supone una ventaja competitiva. En este artculo se
propone una metodologa de anlisis de las curvas de oferta basada en el empleo de tcnicas de minera de datos,
presentndose numerosos ejemplos del tipo de conocimiento que se puede obtener. Este planteamiento, combinado
con un completo sistema de informacin, se viene utilizando con xito desde hace aos en Endesa.
En estos entornos los participantes tratan de durante todo el horizonte de programacin posterior
construir sus ofertas para maximizar su beneficio a su arranque, evitando arranques y paradas
esperado. La complejidad de estos nuevos mercados innecesarios.
y la incertidumbre que genera su desconocimiento
est favoreciendo el desarrollo de nuevas y Los mercados diario e intradiarios van siempre
complejas herramientas informticas que combinan seguidos de un anlisis de restricciones realizado
las tcnicas ms tradicionales con las ltimas por el OS para determinar si existen restricciones
tecnologas en optimizacin, anlisis de datos y tcnicas que impidan la casacin de algunas de las
sistemas distribuidos [1] [4] [17][18][19]. ofertas, siempre con objeto de mantener la seguridad
y fiabilidad del sistema elctrico nacional. Con la
El comercio de energa elctrica en el sistema informacin enviada por el OS, el OM restablece el
espaol est repartido en distintos tipos de equilibrio energtico utilizando las ofertas restantes
mercados, como son el mercado diario, los no casadas previamente, dando lugar a una nueva
mercados intradiarios, y los mercados de servicios programacin energtica. Como resultado de estos
complementarios (mercado de reserva secundaria, anlisis de restricciones, y para evitar que sus
mercado de reserva terciaria y mercados de imposiciones se incumplan en mercados posteriores,
desvos). A su vez estos mercados estn gestionados el OS publica las limitaciones superiores o
por dos tipos de operadores, el Operador del inferiores que haya considerado necesario imponer a
Mercado (OM), que utiliza criterios principalmente las unidades generadoras.
econmicos para realizar las casaciones, y el
Operador del Sistema (OS), que combina los Adems de los anlisis de restricciones, el OS es
criterios econmicos con criterios tcnicos para tambin el encargado de los mercados de servicios
garantizar la seguridad y fiabilidad de la red [3] complementarios, cuyo objetivo es dotar al sistema
[6][11]. de reservas y energa en tiempo real para garantizar
su seguridad y fiabilidad [10].
El OM es el encargado de gestionar el mercado
diario y los mercados intradiarios [6]. El objetivo El mercado de reserva secundaria se convoca una
del mercado diario es permitir la realizacin de las vez al da despus del mercado diario para dotar al
transacciones energticas necesarias para el sistema de la reserva positiva o negativa de potencia
establecimiento del programa diario de energa del para cada hora del horizonte de programacin, que
da siguiente, dividiendo este horizonte de permita mantener el equilibrio de potencia del
programacin en 24 horas consecutivas. Se convoca sistema en tiempo real. El OS estima y publica las
una nica sesin cada da, y el programa de energa necesidades de reserva secundaria, recibe las ofertas
que resulta contiene las energas que cada unidad de los generadores y casa las ofertas necesarias para
deber producir o consumir las 24 horas del da cubrir su estimacin de necesidades. Por otro lado,
siguiente. Por otro lado, el objetivo de los mercados el mercado de reserva terciaria se utiliza para
intradiarios consiste en permitir aquellos ajustes que obtener la energa necesaria que permita restablecer
sean necesarios para corregir y mejorar (mediante la reserva secundaria que est siendo utilizada,
varias sesiones convocadas en tiempo real a lo largo mediante una reprogramacin de las unidades
del da) la programacin resultante del mercado generadoras.
diario.
Por ltimo, el mercado de desvos lo convoca el OS
En ambos tipos de mercados, diario e intradiarios, cuando predice desviaciones significativas, positivas
las ofertas enviadas por los participantes estn o negativas, entre la generacin de energa
compuestas de un nmero limitado de bloques de programada y el consumo real previsto para las
energa horarios con diferentes precios cada uno. prximas horas, ya que las desviaciones pequeas
Pueden ser ofertas simples, en cuyo caso cada son normalmente resueltas haciendo uso de la
conjunto de bloques horarios es independiente de reserva terciaria. Las desviaciones predichas son
los bloques del resto de horas, o bien compuestas, comunicadas a los agentes participantes que deben
en cuyo caso se permite el establecimiento de enviar sus ofertas de energa para compensar el
condiciones transversales que ligan los bloques desvo en un plazo inferior a los treinta minutos.
ofertados en horas distintas. Un ejemplo de
condicin transversal es la de aceptacin completa Por tanto, la estructura global del mercado espaol
del primer bloque, que permite asegurar que los de energa elctrica es bastante compleja y exige a
generadores que arranquen vayan a seguir acoplados cada participante preparar cinco tipos de ofertas
Inteligencia Artificial Vol. 10 No 29 (2006) 81
Por ejemplo, en [2] los autores proponen modelar la En [7] se propone el modelo Sigmo como
curva en torno al punto de casacin mediante una alternativa al modelo LHM. El Sigmo es un modelo
recta de pendiente variable. En [15] se propone especialmente diseado para modelar curvas
utilizar el modelo de bisagras lineales LHM (Linear agregadas de oferta como una suma ponderada de
Hinges Model [16][14]). Este modelo resume la sigmoidales en donde se asegura que la salida es
curva inicial mediante un conjunto de rectas siempre creciente o decreciente, dependiendo de si
conectadas. La Figura 3 muestra los modelos es una curva de compra o de venta.
Bisagra obtenidos para las curvas de oferta de las 24
horas del 15/1/2003. Se puede observar que el Tanto el modelo LHM como el modelo Sigmo son
modelo captura la forma principal de las curvas de modelos aditivos basados en funciones base. El
oferta, filtrando los pequeos escalones primero utiliza funciones triangulares con soporte
consecutivos. local, mientras que en el segundo son sigmoidales.
El nmero y posicin de estas funciones base se
determina automticamente durante el ajuste,
pudiendo ser diferente para cada curva de oferta
modelada.
En la Figura 4 se muestran los seis patrones Este anlisis aporta una informacin muy valiosa
obtenidos para las curvas de oferta representadas en sobre el comportamiento de los agentes, ya que
la Figura 2, indicndose para cada patrn el nmero como resultado del mismo se puede obtener, adems
de curvas reales de oferta que representa (NVR). de los perfiles caractersticos, la secuencia temporal
Segn esta grfica, se puede apreciar que en este de activacin de dichos patrones. El anlisis de esta
ejemplo las curvas de oferta del agente considerado secuencia temporal permite identificar cambios de
son, fundamentalmente, translaciones de un mismo estrategia, as como la probabilidad estimada de
perfil bsico. cada curva de oferta, facilitando la deteccin de
situaciones anmalas.
Figura 9. Mapa da-hora mostrando la evolucin temporal de la demanda elctrica entre el 1/1/2003 y el
31/3/2003
Figura 13. rbol de decisin para explicar la pertenencia a un patrn de la Figura 6 en funcin del precio y
la demanda
Los modelos obtenidos pueden ser utilizados para La combinacin de estas tcnicas con la aplicacin
generar escenarios de curvas de oferta. En concreto, sistemtica de mtodos de aprendizaje supervisado
a partir de la estimacin de los patrones para analizar la dependencia funcional entre
caractersticos y de la distribucin estadstica de las variables ha permitido disponer de un conjunto de
curvas de oferta en torno a estos patrones, es posible herramientas aptas para realizar anlisis de diversa
generar escenarios de la competencia mediante ndole, tanto para mantener actualizado el
tcnicas de Monte Carlo [12]. Estos escenarios conocimiento disponible sobre el comportamiento
pueden ser utilizados para evaluar con criterios estratgico de la competencia como para realizar
estocsticos la calidad y robustez de una estudios puntuales que puedan surgir.
determinada estrategia de oferta frente a un conjunto
de posibles comportamientos de la competencia. Fruto de la colaboracin entre el Instituto de
Investigacin Tecnolgica (IIT) de la Universidad
Pontificia Comillas y Endesa (una de las principales
4. Conclusiones empresas del sector elctrico), se ha desarrollado un
completo sistema de informacin y anlisis para
En este artculo se ha tratado la aplicacin de operar en el mercado electrco espaol [18]. Dicho
tcnicas de minera de datos y aprendizaje para la sistema incorpora el enfoque y las tcnicas
realizacin de anlisis del mercado elctrico presentadas en este artculo, y viene utilizndose
espaol. El volumen de datos disponible en este con xito en Endesa desde 2000, ao en el que se
mercado es muy elevado y con informacin desarroll y puso en explotacin la primera versin
potencialmente muy rica. del mismo.
Curves using Time Series (ARIMA) Models," [14] E.F. Snchez-beda, Models for data analysis:
PMAPS 2002, Napoles, Italia, 2002. contributions to automatic learning, Tesis
doctoral, Univ. Pontificia Comillas, 1999.
[3] Contrato de adhesin, www.omel.es.
[15] E.F. Snchez-beda, J. Garca-Gonzlez,
[4] D. Friedman, J. Rust (eds.), The Double
Management of sealed-bid auction curves:
Auction Market. Institutions, Theories and
Applications of the Linear Hinges Model,
Evidence, Addison-Wesley, 1993.
IPMU2000, Madrid, Julio 2000.
[5] J. Garca-Gonzlez, Optimizacin de la
[16] E.F. Snchez-beda, L. Wehenkel, The
explotacin en el corto plazo y elaboracin de
Hinges model: A one-dimensional continuous
ofertas en un sistema elctrico liberalizado.
piecewise linear model, Proc. of IPMU98,
Naturaleza del problema y mtodos de
pp. 878-885, Paris, Julio 1998
solucin, Tesis doctoral, Univ. Pontificia
Comillas, 2001. [17] Simulator for Electric Power Industry Agents
(SEPIA): Complex Adaptive Strategies, en
[6] A. Mateo, A. Muoz, J. Garca Gonzlez,
http://www.epri.com.
Modeling and forecasting electricity prices
with input/output hidden Markov models, [18] J. Villar, A. Muoz, E.F. Snchez beda,
IEEE Transactions on Power Systems, Vol. 20, SGO: Sistema de informacin para la
no. 1, pp. 13-24, Febrero 2005. realizacin de ofertas en el mercado elctrico
espaol, Anales de Mecnica y Electricidad,
[7] A. Mateo, E. F. Snchez-beda, A. Muoz, J.
vol. LXXX(I), pp. 40-50, Enero-Febrero 2004.
Villar et al., Modeling bidding curves: the
linear hinges model versus the sigmo model, [19] J. Villar, A. Muoz, E.F. Snchez beda, A.
IEEE Power Tech 2001 Conference, Portugal, Mateo Gonzlez, et al, SGO: Management
Sept 2001. information system for strategic bidding in
electrical markets, 2001 IEEE Power Tech.
[8] A. Muoz, T. Czernichow, "Variable selection
Conference, Vol. I, POM6-394, Oporto
using feedforward and recurrent neural
(Portugal), Septiembre 2001.
networks", International Journal of
Engineering Intelligent Systems. Vol 2, pp. 91-
102, 1998.
[9] A. Muoz, M.A. Sanz-Bobi, "An incipient
fault detection system based on the
probabilistic radial basis function network.
Application to the diagnosis of the condenser
of a coal power plant", International Journal of
Neurocomputing (Elsevier Science). No. 23,
(1998), pp. 177-194.
[10] Procedimientos de operacin del mercado
elctrico espaol, www.ree.es.
[11] Reglas del Mercado de Produccin de Energa
Electrica, http://www.omel.es.
[12] R.Y. Rubinstein, Simulation and the Monte
Carlo Method, John Wiley and Sons, 1981.
[13] D.E. Rumelhart, G.E. Hinton, R.J. Willliams,
Learning internal representations by error
propagation, Parallel Distributing Processing:
Explorations in the Microstructure of
Cognition (D.E. Rumelhart, J.L. McClelland,
eds), vol.1, captulo 8, Cambridge, MA: MIT
Press, 1986.