Modelado y predicción del precio de la electricidad en mercados de corto plazo liberalizados usando redes cascada correlación

Abstract

Las redes cascada correlación fueron desarrolladas en 1991 Scott Fahlman y Christian Lebiere. Este tipo de arquitectura de red construye dinámicamente una estructura de red multicapa y presenta ventajas teóricas respecto a los perceptrones multicapa. En la práctica las redes cascada correlación mostraron ser mejores que los perceptrones multicapa al pronosticar series de tiempo. Sin embargo, las redes cascada correlación pueden adolecer de sobreajuste. Para controlar este problema, en este trabajo se incluyen en la arquitectura de las redes cascada correlación algunas estrategias de regularización: Descomposición de Pesos, Eliminación de Pesos y Regresión en Cadena. Finalmente, se pronostican series de tiempo de precios de la electricidad de Colombia y Brasil con redes cascada correlación regularizadas. / Abstract. The cascade correlation neural netwoks was developed in 1991 by Scott Fahlman and Christian Lebiere. This neural network builds dynamically a multilayer structure and presents theorical advantages over the multilayer perceptrons. In Practice, the cascade correlation has shown better than multilayer perceptrons to forecast time series. Although the cascade correlation can be better than traditional neural networks, they can suffer overfitting. For controlling this problem, in this approach some regularization strategies are proposes: weight decay, weight elimination and ridge regression by forecast three benchmark times series from the real world. The results are comparing with a multilayer perceptron and an ARIMA model. They showed that the regularized cascade correlation capture better the intrinsic dynamics of the time series, and it is able more accuracy forecast. Finally, we forecast some time series of electricity prices of Colombia and Brazil with regularized cascade neural networks.