Modelización de la demanda de energía eléctrica: más allá de la normalidad
DOI:
https://doi.org/10.46661/revmetodoscuanteconempresa.3856Palabras clave:
demanda de energía, modelización semi-noparamétrica, mercado de energía, medida de riesgo de cuantilResumen
Este trabajo propone un modelo de demanda de energía eléctrica basado en métodos de series de tiempo y estadística semi-noparamétrica (SNP). Esto permite conocer no solo el valor esperado de la demanda sino también su distribución de probabilidad de manera que, mediante el cálculo de métricas como la Medida de Riesgo de Cuantil (Quantile Risk Metrics), se puedan tomar decisiones basadas en valores extremos menos o más favorables que el valor esperado. Los resultados muestran que para el caso de la demanda de energía eléctrica del mercado colombiano entre los años 2000 y 2018 la distribución de probabilidad de la demanda diaria promedio es leptocúrtica. Es decir, los eventos extremos ocurren con mayor frecuencia que aquellos que suponen una distribución normal. De modo que, el supuesto de distribución gaussiana conlleva a la subvaloración del riesgo en términos de la subvaloración de la frecuencia de valores extremos.
Descargas
Citas
Andalib, A., & Atry, F. (2009). Multi-step ahead forecasts for electricity prices using NARX: a new approach, a critical analysis of one-step ahead forecasts. Energy Conversion Management, 50(3), 739-747. https://doi.org/10.1016/j.enconman.2008.09.040
Beenstock, M., Goldin, E., & Nabot, D. (1999). The demand for electricity in Israel. Energy Economics, 21(2), 168-183.
Bentzen, J., & Engsted, T. (1993). Short- and long-run elasticities in energy demand: a cointegration approach. Energy Economics, 15(1), 9-16.
Bentzen, J., & Engsted, T. (2001). A revival of the autoregressive distributed lag model in estimating energy demand relationships. Energy, 26(1), 45-55.
Bianco, V., Manca, O., & Nardini, S. (2009). Electricity consumption forecasting in Italy using linear regression models. Energy, 34(9), 1413-1421. https://doi.org/10.1016/j.energy.2009.06.034
Bollerslev, T., & Wooldridge, J. (1992). Quasi-maximum likelihood estimation and inference in dynamic models with time-varying covariances. Econometric Reviews, 11, 143-172.
Brunner, A.D. (1992). Conditional asymmetries in real GNP: A Seminonparametric Approach. Journal of Business & Economic Statistics, 10(1), 65-72. https://doi.org/10.2307/1391805
Callaway, D.S. (2010). Sequential Reliability Forecasting for Wind Energy: Temperature Dependence and Probability Distributions. IEEE Transactions on Energy Conversion, 25(2), 577-585. https://doi.org/ 10.1109/TEC.2009.2039219.
Cortés, L.M., Mora-Valencia, A., & Perote, J. (2018). Retrieving the implicit risk neutral density of WTI options with a semi-nonparametric approach. The North American Journal of Economics and Finance. In press. https://doi.org/10.1016/j.najef.2018.10.010
Debnath, K.B., & Mourshed, M. (2018). Forecasting methods in energy planning models. Renewable and Sustainable Energy Reviews, 88(C), 297-325.
Del Brio, E., & Perote, J. (2012). Gram-Charlier densities: Maximum likelihood versus the method of moments. Insurance: Mathematics and Economics, 51(3), 531-537. https://doi.org/ 10.1016/j.insmatheco.2012.07.005
Domeett, G. (2015). Análisis de los determinantes del cambio de la demanda de energía eléctrica en la ciudad de Neuquén. Ciencias Administrativas, 3(6), 1-15. https://revistas.unlp.edu.ar/CADM/article/view/1541
Ediger, V., & Akar, S. (2007). ARIMA forecasting of primary energy demand by fuel in Turkey. Energy Policy, 35, 1701-1708.
El-Desouky, A.A. & El-Kateb, M.M. (2000). Hybrid adaptive techniques for electric-load forecast using ANN and ARIMA. IEE Proceedings: Generation, Transmission and Distribution, 147(4), 213-217.
Engle, R.F., Granger, C.W.J., & Hallman, J.J. (1989). Merging short-and long-run forecasts: an application of seasonal cointegration to monthly electricity sales forecasting. Journal of Econometrics, 40(1), 45-62.
Erdougdu, E. (2007). Electricity demand analysis using cointegration and ARIMA modelling: A case study of Turkey. Energy Policy, 35, 1129-1146.
Fouquet, R., Hawdon, D., Pearson, P., Robinson, C., & Stevens, P. (1993). The SEEC United Kingdom energy demand forecast. Surrey Energy Economics Centre (SEEC): Occasional Paper 1, Department of Economics, University of Surrey, Guildford, UK.
González-Romera, E., Jaramillo-Morán, M.A., & Carmona-Fernández, D. (2006). Monthly electric energy demand forecasting based on trend extraction. IEEE Transactions Power Systems, 21(4), 1946-1953. https://doi.org/10.1109/TPWRS.2006.883666
Hull, J.C. (2002). Introducción a los Mercados de Futuros y Opciones. Boston: Prentice Hall.
Hunt, L.C., & Witt, R. (1995). An analysis of UK energy demand using multivariate cointegration. Surrey Energy Economics Centre (SEEC): Discussion Paper No: 86, Department of Economics, University of Surrey, Guildford, UK.
Hussain, A., Rahman, M., & Memon, J.A. (2016). Forecasting electricity consumption in Pakistan: the way forward. Energy Policy, 90, 73-80.
Ioannou, A., Angus, A., & Brennan, F. (2017). Risk-based methods for sustainable energy system planning: A review. Renewable and Sustainable Energy Reviews, 74, 602-615.
Jondeau, E., & Rockinger, M. (2001). Gram-Charlier densities. Journal of Economic Dynamics & Control, 25(10), 1457-1483. https://doi.org/10.1016/s0165-1889(99)00082-2
Kupiec, P. (1995). Techniques for verifing the accuracy of risk measurement models. The Journal of Derivatives, 3, 71-84.
León, A., Mencia, J., & Sentana, E. (2007). Parametric Properties of Semi-Nonparametric Distributions, with Applications to Option Valuation. Documentos de trabajo No 0707. Madrid, España: Banco de España.
Lucia, J.J., & Schwartz, E.S. (2002). Electricity prices and power derivatives: Evidence from the Nordic power exchange. Review of Derivatives Research, 5(1), 5-50. https://doi.org/10.1023/A:1013846631785
Mauleon, I., & Perote, J. (2000). Testing densities with financial data: An Empirical comparison of the Edgeworth-Sargan density to the Student's t. The European Journal of Finance, 6(2), 225-239. https://doi.org/10.1080/13518470050020851
Melikoglu, M. (2013). Forecasting Turkey's natural gas demand between 2013 and 2030. Renew Sustain Energy Reviews, 22, 393-400.
Nasr, G., Badr, E., & Dibeh, G. (2000). Econometric modelling of electricity consumption in postwar Lebanon. Energy Economics, 22(6), 627-640.
Ñíguez, T.-M., & Perote, J. (2011). Forecasting havy-tailed densities with positive Edgeworth and Gram-Charlier expansions. Oxford Bulletin of Economics and Statics, 74(4), 600-627. https://doi.org/10.1111/j.1468-0084.2011.00663.x
UPME (2016). Seguridad energética para Colombia. Entregable 3: Informe Final. https://bdigital.upme.gov.co/bitstream/001/1314/1/Seguridad%20Energ%C3%A9tica%20UPME-CIDET%20Entrega%20Final.pdf
Trespalacios, A., Cortés, L., & Perote, J. (2020). Uncertainty in electricity markets from a semi-nonparametric approach. Energy Policy, 137, 111091.
Tsay, R.S. (2005). Analysis of Financial Time Series. Vol. 543. Chicago: John Wiley & sons.
Yuan, C., Liu, S., & Fang, Z. (2016). Comparison of China's primary energy consumption forecasting by using ARIMA (the autoregressive integrated moving average) model and GM(1,1) model. Energy, 100, 384-390.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Revista de Métodos Cuantitativos para la Economía y la Empresa
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
El envío de un manuscrito a la Revista supone que el trabajo no ha sido publicado anteriormente (excepto en la forma de un abstract o como parte de una tesis), que no está bajo consideración para su publicación en ninguna otra revista o editorial y que, en caso de aceptación, los autores están conforme con la transferencia automática del copyright a la Revista para su publicación y difusión. Los autores retendrán los derechos de autor para usar y compartir su artículo con un uso personal, institucional o con fines docentes; igualmente retiene los derechos de patente, de marca registrada (en caso de que sean aplicables) o derechos morales de autor (incluyendo los datos de investigación).
Los artículos publicados en la Revista están sujetos a la licencia Creative Commons CC-BY-SA de tipo Reconocimiento-CompartirIgual. Se permite el uso comercial de la obra, reconociendo su autoría, y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Hasta el volumen 21 se ha estado empleando la versión de licencia CC-BY-SA 3.0 ES y se ha comenzado a usar la versión CC-BY-SA 4.0 desde el volumen 22.
