Author:
Riascos Villegas Álvaro J.,Chitiva Julián,Salazar Carlos
Abstract
En este trabajo introducimos una metodología de generación de alertas de potenciales prácticas anticompetitivas en el mercado mayorista de electricidad colombiano. La metodología se compone de dos partes: (1) Con base en la disponibilidad declarada de los agentes, se identi can aquellos que potencialmente pueden tener un impacto alto en el precio de bolsa (i.e., pivotales en el sentido del índice de oferta residual - IOR) y (2) Usando métodos de aprendizaje de máquinas se identifi can las ofertas de energía (i.e., precios) de aquellos agentes pivotales que, de acuerdo al estado del mercado y su historia (i.e., oferta pasadas, recursos hídricos, tecnología de generación, etc.) se podrían considerar atípicos o anómalos. Con base en estos dos indicadores se generan alertas de potenciales prácticas anticompetitivas. Reportamos los resultados de la aplicación de esta metodología al mercado mayorista colombiano en el periodo de agosto 16, 2018 a julio 30, 2019. Una característica importante de esta metodología es que puede ser aplicada con la información disponible del operador del sistema, 24 horas antes de que se observen los resultados del mercado y generando alertas ex-ante a la realización de los eventos. Esta posibilidad de generar alertas casi en tiempo real es aun más importante de cara al nuevo mercado intradiario que próximamente entrará en rigor en el sistema eléctrico colombiano.
Publisher
Banco de la República Colombia
Reference12 articles.
1. Screening instruments for monitoring market power in wholesale electricity markets: Lessons from applications in germany;Bataille;(Workingpaper,2014
2. Botero, Garc'ıa, J. A., V'elez, J. J., y Guillermo, L. (2013). Mecanismos utilizados para monitorearel poder de mercado en mercados el'ectricos: reflexiones para colombia. Cuadernos de Economía.
3. Comisión de Regulaci'on de Energ'ıa y Gas (CREG). (2010). Medidas para la promoci'on de la competencia en el mercado mayorista de electricidad. (Documento CREG-118).
4. Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep learning. MIT Press. (http://www.deeplearningbook.org)
5. Huang, Z., Yang, F., Xu, F., Song, X., y Tsui, K.-L. (2019, 07). Convolutional gated recurrentunit-recurrent neural network for state-of-charge estimation of lithium-ion batteries. IEEE Access, PP, 1-1. doi:10.1109/ACCESS.2019.2928037