Upload
doandat
View
214
Download
0
Embed Size (px)
Citation preview
MODELO DE SIMULACIÓN BASADO EN AGENTES DE SOFTWARE
INTELIGENTES PARA EL APRENDIZAJE DE ESTRATEGIAS DE
COMERCIALIZACIÓN DE ENERGÍA ELÉCTRICA EN COLOMBIA
Tesis de Maestría en Ingeniería de Sistemas Línea de investigación en Inteligencia Artificial
JULIÁN MORENO CADAVID
Director
DEMETRIO ARTURO OVALLE C. PhD.
Co Director
JUAN DAVID VELÁSQUEZ H. PhD. (c)
Universidad Nacional de Colombia – Sede Medellín
Facultad de Minas – Escuela de Sistemas
2007
ii
NOTAS DE ACEPTACIÓN
iii
iv
v
AGRADECIMIENTOS
El autor expresa sus agradecimientos a:
El director y codirector de esta tesis, los profesores Demetrio Ovalle y Juan David Velásquez de la
Escuela de Sistemas por su acompañamiento y valiosos aportes en la elaboración de este trabajo.
A Carlos Jaime Franco, Mónica Henao y Alejandro Uribe, jurados de esta tesis, por sus oportunos
comentarios, sugerencias y correcciones.
A todos los profesores y compañeros de la maestría por su apoyo y críticas constructivas.
Y en general a todas aquellas personas que de una u otra manera fueron una ayuda en la realización
de este trabajo.
vi
RESUMEN
El alto nivel de competencia introducido en los mercados eléctricos alrededor del mundo a raíz de
su liberalización ha obligado a las diversas empresas que hacen parte estos mercados, y en
particular a aquellas que se dedican al negocio de la comercialización, ha desarrollar estrategias
inteligentes que les permitan posicionarse de manera eficiente y perdurable. El mercado eléctrico
colombiano no es ajeno a este panorama por lo que en esta tesis se proponen una serie de modelos
que, ha partir de la estadística, la algoritmia y la inteligencia artificial, permiten la evaluación de
estrategias de comercialización y el impacto de la evolución de las mismas dentro de un ambiente
de simulación que considera las principales características del mercado colombiano. Entre estas
características se considera la alta dependencia hidráulica para la formación de los precios, así como
la alta volatilidad de estos en la bolsa de energía, entre otras.
Para lograr este objetivo se propone emplear la simulación basada en sistemas multi-agente cuyos
fundamentos la hacen adecuada para el problema abordado en esta tesis. Sin embargo, para poder
emplear este enfoque, fue necesario definir una metodología formal con la que se pudiera abordar
cada una de las fases requeridas en este tipo de proyecto. Una vez definida la arquitectura del
modelo general de simulación, se procedió a la modelación de las principales decisiones que deben
tomar los comercializadores así como de las variables involucradas en dicho procesos.
Posteriormente se definió un modelo de inferencia basado en lógica difusa que permite brindar una
recomendación de cara al comercializador respecto a su proceder en contratación a partir de las
condiciones actuales del mercado y de su expectativa en el futuro cercano. Así mismo, se definió un
modelo de aprendizaje que permite simular la manera en la que los comercializadores alteran sus
creencias respecto a la utilidad de tranzar en bolsa, esto es, como cambian el nivel de credibilidad
con el que valoran el sistema de recomendación de acuerdo a los resultados que perciben al usarlo.
Finalmente, se presentan varios casos de estudio en los que se simulan distintos escenarios que
consideran la naturaleza del mercado eléctrico colombiano. A partir de tales pruebas fue posible
determinar el rendimiento obtenido por agentes con perfiles de riesgo diferentes, así como la
conveniencia en términos de eficiencia económica del uso de los modelos de inferencia y
aprendizaje propuestos.
vii
ABSTRACT
The high level of competence that was introduced in the electric markets around the world due to
their liberalization has forced the companies, and particularly those which are dedicated to trading
process, to develop intelligent strategies that allow them to position in an efficient and lasting way.
The Colombian market is not the exception. Because of this, and based on statistics, algorithms and
artificial intelligence; a set of models that allows the evaluation of trading strategies and the impact
of their evolution within a simulation environment that considers the main features of the
Colombian market were proposed in this thesis. Among these features it was considered the high
hydraulic dependence in the prices formation and the high volatility of prices in the spot market.
To reach this goal a multi-agent based simulation approach was used whose principles are suitable
to the studied problem, but first it was necessary to define a formal methodology to undertake each
one of the required phases in this kind of project. Once the architecture of the general simulation
model was defined, the main decisions that trading agent must take as well as the involved variables
were modeled. Later on, a fuzzy inference model that gives a recommendation to the trading agent
about its contracting level was defined considering the current market conditions as well as close
future expectations. Likewise, a learning model that simulates the way in which trading agent alters
their beliefs about the convenience of trading electricity in the spot market was defined, this is, how
they change the credibility level that is used to value the recommendation system according to the
results they perceive.
Finally, several study cases that simulate different scenarios considering the Colombian market
nature were presented. Starting from that tests it was possible to determine the profits that are
achieved by agents with different risk profiles, as well as the usefulness in terms of economic
efficiency of the use of de proposed inference and learning models.
viii
TABLA DE CONTENIDO
Pag.
CAPÍTULO 1..................................................................................................................................... 1
INTRODUCCIÓN............................................................................................................................. 1
1.1 Introducción....................................................................................................................... 1 1.2 Motivación......................................................................................................................... 1 1.3 Aportes............................................................................................................................... 3 1.4 Definición del problema de investigación ......................................................................... 3 1.5 Preguntas de investigación................................................................................................. 5 1.6 Alcance .............................................................................................................................. 6 1.7 Objetivos............................................................................................................................ 7 1.8 Metodología de trabajo ...................................................................................................... 8 1.9 Organización del documento ........................................................................................... 10 1.10 Difusión de resultados ..................................................................................................... 10
CAPÍTULO 2................................................................................................................................... 12
APROXIMACIONES AL MODELADO DEL MERCADO ELÉCTRICO COLOMBIANO 12
2.1 Generalidades sobre el mercado eléctrico Colombiano................................................... 12 2.2 Aproximaciones para el aprendizaje de estrategias de comercialización ........................ 15
2.2.1 Teoría moderna de inversión................................................................................... 16 2.2.2 Teoría de arbitraje ................................................................................................... 17 2.2.3 Teoría moderna de portafolios ................................................................................ 17 2.2.4 Teoría formal de negociación.................................................................................. 18 2.2.5 Teoría de juegos ...................................................................................................... 18 2.2.6 Teoría de decisión ................................................................................................... 19
2.3 Simulación de sistemas.................................................................................................... 19 2.4 Trabajos realizados .......................................................................................................... 23 2.5 Reflexión.......................................................................................................................... 26
CAPÍTULO 3................................................................................................................................... 27
PROPUESTA METODOLÓGICA PARA LA CONSTRUCCIÓN DE MODELOS DE SIMULACIÓN BASADOS EN SISTEMAS MULTI-AGENTE ................................................ 27
4.1 Enfoques y metodologías existentes............................................................................ 27 4.1.1 Simulación de sistemas ........................................................................................... 28 4.1.2 Ingeniería de software ............................................................................................. 28 4.1.3 Ingeniería de software orientada a agentes ............................................................. 30 4.2 Metodología propuesta ................................................................................................ 31 4.2.1 Fase de captura de requerimientos .......................................................................... 31 4.2.2 Fase de conceptualización....................................................................................... 32 4.2.3 Fase de análisis........................................................................................................ 35
4.2.3.1 Modelo de roles .................................................................................................. 35 4.2.3.2 Modelo de entorno.............................................................................................. 37
ix
4.2.3.3 Modelo de tareas................................................................................................. 37 4.2.3.4 Modelo de razonamiento y aprendizaje .............................................................. 38 4.2.3.5 Modelo de ontología ........................................................................................... 39 4.2.3.6 Modelo de coordinación ..................................................................................... 40
4.2.4 Fase de diseño ......................................................................................................... 41 4.2.4.1 Modelo de agentes .............................................................................................. 41 4.2.4.2 Modelo de comunicación.................................................................................... 42 4.2.4.3 Modelo de plataforma......................................................................................... 42
4.2.5 Fase de implementación y verificación................................................................... 43 4.2.6 Fase de validación ................................................................................................... 43 4.2.7 Fase de estudio de resultados .................................................................................. 47 4.2.8 Fase de replicación.................................................................................................. 48 4.3 Reflexión ..................................................................................................................... 48
CAPÍTULO 4................................................................................................................................... 49
MODELO DE SIMULACIÓN BASADO EN AGENTES DEL MERCADO ELÉCTRICO COLOMBIANO .............................................................................................................................. 49
4.1 Fase de captura de requerimientos .............................................................................. 49 4.2 Fase de conceptualización ........................................................................................... 49 4.3 Fase de análisis ............................................................................................................ 53 4.3.1 Modelo de roles....................................................................................................... 53 4.3.2 Modelo de entorno .................................................................................................. 56 4.3.3 Modelo de tareas ..................................................................................................... 57 4.3.4 Modelo de razonamiento y aprendizaje .................................................................. 58 4.3.5 Modelo de ontología ............................................................................................... 60 4.3.6 Modelo de coordinación.......................................................................................... 60 4.4 Fase de diseño ............................................................................................................. 61 4.4.1 Modelo de agentes .................................................................................................. 61 4.4.2 Modelo de comunicación ........................................................................................ 61 4.4.3 Modelo de plataforma ............................................................................................. 62 4.5 Reflexión ..................................................................................................................... 62
CAPÍTULO 5................................................................................................................................... 64
TOMA DE DECISIONES DE LOS AGENTES COMERCIALIZADORES DE ENERGÍA . 64
5.1 Decisiones de la actividad de comercialización .......................................................... 64 5.1.1 Factor de contratación ............................................................................................. 65 5.1.2 Estrategia de compra ............................................................................................... 69 5.1.3 Precio de venta ........................................................................................................ 71 5.1.4 Otras consideraciones.............................................................................................. 71 5.2 Mecanismo de razonamiento....................................................................................... 72 5.2.1 Proyección de la demanda....................................................................................... 73 5.2.2 Evaluación de la disponibilidad hídrica .................................................................. 74 5.2.3 Análisis de la dinámica de precios .......................................................................... 75 5.2.4 Precio de compra..................................................................................................... 76 5.2.5 Propensión a transar en bolsa.................................................................................. 76 5.2.6 Distribución de contratos ........................................................................................ 77 5.2.7 Factor de contratación ............................................................................................. 78 5.2.8 Margen de utilidad .................................................................................................. 78
x
5.3 Reflexión ..................................................................................................................... 79
CAPÍTULO 6................................................................................................................................... 80
MECANISMO DE INFERENCIA DIFUSO PARA LA CONTRATACIÓN DE LOS AGENTES COMERCIALIZADORES DE ENERGÍA .............................................................. 80
6.1 Aspectos a considerar .................................................................................................. 80 6.2 Análisis de la evolución de precios ............................................................................. 81 6.3 Evaluación de la disponibilidad hídrica....................................................................... 83 6.4 Determinación del factor de contratación.................................................................... 86 6.5 Desempeño del modelo ............................................................................................... 90 6.6 Reflexión ..................................................................................................................... 93
CAPÍTULO 7................................................................................................................................... 94
MECANISMO PARA MODELAR EL APRENDIZAJE DE ESTRATEGÍAS DE COMERCIALIZACIÓN DE ENERGÍA ..................................................................................... 94
7.1 Decisiones de los agentes ............................................................................................ 94 7.2 Generalidades de los métodos de aprendizaje de máquina.......................................... 94 7.3 Aprendizaje reforzado ................................................................................................. 96 7.3.1 Modelo general ....................................................................................................... 96 7.3.2 Medida de la optimalidad........................................................................................ 98 7.3.3 Medida de rendimiento del aprendizaje .................................................................. 99 7.4 Mecanismo de aprendizaje propuesto.......................................................................... 99 7.5 Desempeño del modelo ............................................................................................. 104 7.6 Reflexión ................................................................................................................... 106
CAPÍTULO 8................................................................................................................................. 107
VALIDACIÓN Y ANÁLISIS DE RESULTADOS .................................................................... 107
8.1 Caso 1 ........................................................................................................................ 107 8.2 Caso 2 ........................................................................................................................ 118 8.3 Reflexión ................................................................................................................... 124
CAPÍTULO 9................................................................................................................................. 125
CONCLUSIONES Y TRABAJO FUTURO ............................................................................... 125
REFERENCIAS BIBLIOGRÁFICAS ........................................................................................ 131
ANEXO A ...................................................................................................................................... 139
MODELOS PARA LA SIMULACION DE ESCENARIOS..................................................... 139
A.1 Aportes de los ríos ..................................................................................................... 139 A.2 Embalse ofertable ...................................................................................................... 141 A.3 Precio promedio mensual de contratos...................................................................... 143 A.4 Precio promedio mensual de bolsa ............................................................................ 144 A.5 Demanda de energía .................................................................................................. 145 A.5.1 Modelado de la demanda del sistema.................................................................... 146 A.5.2 Modelado de la evolución de demanda propia del comercializador ..................... 147
ANEXO B....................................................................................................................................... 150
DETALLES DE IMPLEMENTACIÓN DEL PROTOTIPO ................................................... 150
xi
B.1 Arquitectura técnica del prototipo ............................................................................. 150 B.2 Plataforma JADE....................................................................................................... 150 B.3 Herramienta Protégé.................................................................................................. 154 B.4 Herramienta JESS...................................................................................................... 156 B.5 Herramienta FuzzyJ................................................................................................... 157 B.6 Consideraciones sobre las herramientas utilizadas.................................................... 158
xii
LISTA DE FIGURAS
Figura 2.1. Estructura del mercado eléctrico colombiano................................................................. 14 Figura 2.2. Ciclo de Aprendizaje a través de Mundos Virtuales....................................................... 20 Figura 3.1. Esquema del proceso de desarrollo de modelos de simulación ...................................... 28 Figura 3.2. Ciclo de vida del software .............................................................................................. 29 Figura 3.3. Esquema del desarrollo de software orientado a agentes................................................ 30 Figura 3.4. Esquema de desarrollo de la metodología propuesta ...................................................... 33 Figura 3.5. Notación gráfica de los casos de uso .............................................................................. 35 Figura 3.6. Diagrama de roles ........................................................................................................... 36 Figura 3.7. Diagrama de actividad para representar una tarea t ........................................................ 38 Figura 3.8. Diagrama de flujo para representar la lógica de razonamiento r .................................... 39 Figura 3.9. Diagrama de conceptos para representar la ontología o ................................................. 40 Figura 3.10. Diagrama de secuencia de mensajes ............................................................................. 40 Figura 3.11. Árbol de tipos de agentes.............................................................................................. 41 Figura 3.12. Diagrama de despliegue................................................................................................ 43 Figura 4.1. Notación grafica de los casos de uso .............................................................................. 51 Figura 4.2. Diagrama de roles ........................................................................................................... 53 Figura 4.3. Diagrama de la tarea Comprar energía en el SEC .......................................................... 57 Figura 4.4. Diagrama de la tarea Comprar en la bolsa de energía..................................................... 58 Figura 4.5. Razonamiento de la actividad Definir porcentaje de contratación.................................. 59 Figura 4.6. Diagrama de conceptos................................................................................................... 59 Figura 4.7. MSC Registro ................................................................................................................. 60 Figura 4.8. MSC Compra de energía en subasta ............................................................................... 60 Figura 4.9. MSC Informes periódicos............................................................................................... 61 Figura 4.10. Árbol de tipos de agentes.............................................................................................. 61 Figura 4.11. Diagrama de despliegue................................................................................................ 63 Figura 5.1. Esquema de contratación ................................................................................................ 66 Figura 5.2. Porcentaje de la demanda del sistema eléctrico Colombiano cubierta con contratos ..... 67 Figura 5.3. Precios corrientes de contratos y de bolsa ...................................................................... 68 Figura 5.4. Comparación entre agentes comercializadores ............................................................... 68 Figura 5.5. Distribución de contratos de largo y corto plazo ............................................................ 69 Figura 5.6. Número de contratos despachados.................................................................................. 70 Figura 5.7. Duración promedio de los contratos ............................................................................... 70 Figura 5.8. Esquema general del mecanismo de razonamiento......................................................... 72 Figura 5.9. Curva de demanda típica mensual .................................................................................. 73 Figura 5.10. Esquema de contratación a largo plazo......................................................................... 77 Figura 5.11. Esquema de inferencia para determinar el factor de contratación ................................ 78 Figura 6.1. Evolución de precios y promedios ponderados para bolsa y contratos........................... 82 Figura 6.2. Evolución de Aportes de los ríos y Embalse ofertable ................................................... 83 Figura 6.3. Disponibilidad hídrica mensual, años 1999-2005........................................................... 84 Figura 6.4. Disponibilidad hídrica promedio años 1999-2005.......................................................... 85 Figura 6.5. Disponibilidad hídrica real vs. Modelo de pronóstico .................................................... 86 Figura 6.6. Diagrama de frecuencia de las variables de entrada ....................................................... 87 Figura 6.7. Conjuntos difusos para la diferencia de precios ............................................................. 88 Figura 6.8. Conjuntos difusos para la disponibilidad hídrica esperada............................................. 88
xiii
Figura 6.9. Conjuntos difusos para el factor de contratación............................................................ 88 Figura 6.10. Superficie difusa para la variable de respuesta ............................................................. 90 Figura 6.11. Precios vs. Porcentaje de contratación.......................................................................... 91 Figura 6.12. Disponibilidad hídrica vs. Porcentaje de contratación.................................................. 91 Figura 6.13. Ganancia vs. Porcentaje de contratación ...................................................................... 92 Figura 7.1. Modelo estándar de aprendizaje reforzado ..................................................................... 97 Figura 7.2. Ganancias obtenidas vs. Lambda.................................................................................. 104 Figura 7.3. Factor de contratación vs. Lambda ............................................................................... 105 Figura 7.4. Ganancias obtenidas ..................................................................................................... 106 Figura 8.1. Disponibilidad hídrica para el caso de prueba 1 ........................................................... 110 Figura 8.2. Evolución de precios para el caso de prueba 1 ............................................................. 110 Figura 8.3. Demanda del sistema para el caso de prueba 1............................................................. 111 Figura 8.4. Esquemas de contratación por duración del contrato para el caso de prueba 1 ............ 112 Figura 8.5. Porcentajes de contratación para el caso de prueba 1 ................................................... 114 Figura 8.6. Esquema de compra de energía vs. proyección de demanda para el caso de prueba 1. 115 Figura 8.7. Precio promedio de contratos para el caso de prueba 1 ................................................ 116 Figura 8.8. Precio promedio de compras para el caso de prueba 1 ................................................. 117 Figura 8.9. Utilidades obtenidas por transacciones en bolsa para el caso de prueba 1 ................... 118 Figura 8.10. Disponibilidad hídrica para el caso de prueba 2 ......................................................... 119 Figura 8.11. Evolución de precios para el caso de prueba 2 ........................................................... 119 Figura 8.12. Porcentajes de contratación para el caso de prueba 2 ................................................. 120 Figura 8.13. Precio promedio de contratos para el caso de prueba 2 .............................................. 121 Figura 8.14. Precio promedio de compras para el caso de prueba 2 ............................................... 122 Figura 8.15. Porcentajes de cubrimiento de la demanda para el caso de prueba 2.......................... 122 Figura 8.16. Ganancias obtenidas por transacciones en bolsa para el caso de prueba 2 ................. 123 Figura A.1. Resultados del modelo STR para los aportes de los ríos ............................................. 141 Figura A.2. Resultados del modelo de regresión para el embalse ofertable.................................... 142 Figura A.3. Resultados del modelo ARIMA para el precio de contratos........................................ 144 Figura A.4. Autocorrelalograma de los residuales para el modelo de precio de contratos ............. 144 Figura A.5. Crecimiento anual: Demanda de energía y PIB. Fuente: UPME, 2004 ....................... 146 Figura A.6. Resultados del modelo ARIMA para la demanda comercial ....................................... 147 Figura A.7. Autocorrelalograma de los residuales para el modelo de la demanda ......................... 147 Figura A.8. Sensibilidad de la demanda a la diferencia de precios................................................. 149 Figura B.1. Interfaz del prototipo de simulación............................................................................. 151 Figura B.2. Modelo de referencia FIPA para una plataforma de agentes ....................................... 152 Figura B.3 Interfaz de JADE........................................................................................................... 153 Figura B.4 Editor de Clases de Protégé........................................................................................... 155 Figura B.5 Sistema basado en reglas con ciclo simple.................................................................... 157
xiv
LISTA DE TABLAS
Tabla 3.1. Comparación entre metodologías..................................................................................... 32 Tabla 3.2. Plantilla de rol .................................................................................................................. 36 Tabla 3.3. Plantilla de componentes de entorno................................................................................ 37 Tabla 3.4. Plantilla de concepto ........................................................................................................ 39 Tabla 3.5. Estadísticos comunes de ajuste ........................................................................................ 45 Tabla 3.6. Plantilla de las pruebas de validación .............................................................................. 47 Tabla 3.7. Plantilla de informe de resultados .................................................................................... 48 Tabla 4.1. Caso de uso Negociación de contratos largo plazo ......................................................... 51 Tabla 4.2. Caso de uso Transacciones de energía en bolsa .............................................................. 52 Tabla 4.3. Caso de uso Ventas de energía al mercado regulado ...................................................... 52 Tabla 4.4. Caso de uso Ventas de energía al mercado no regulado ................................................. 52 Tabla 4.5. Caso de uso Control del mercado .................................................................................... 52 Tabla 4.6. Caso de uso Regulación del mercado .............................................................................. 53 Tabla 4.7. Plantilla del rol Comercializador ..................................................................................... 54 Tabla 4.8. Plantilla del rol Generador............................................................................................... 55 Tabla 4.9. Plantilla del rol Administrador ......................................................................................... 55 Tabla 4.10. Plantilla de componente Módulo de hidrología ............................................................. 56 Tabla 4.11. Plantilla de componente Módulo de demanda ............................................................... 56 Tabla 4.12. Plantilla de componente Módulo de precios .................................................................. 56 Tabla 6.1. Disponibilidad hídrica promedio años 1999-2005 ........................................................... 85 Tabla 6.2. Matriz de reglas del sistema de inferencia ....................................................................... 89 Tabla 8.1. Configuración de los agentes comercializadores del caso de prueba............................. 108 Tabla 8.2. Transacciones realizadas por los comercializadores para el caso de prueba 1............... 113
1
CAPÍTULO 1 INTRODUCCIÓN
1.1 Introducción
La simulación basada en sistemas multi-agente es un campo de investigación relativamente
reciente, proveniente de la Inteligencia Artificial, que se encarga del estudio de sistemas complejos
desde la perspectiva de la interacción entre las entidades (agentes) que los conforman así como de la
interacción que éstas tienen con su entorno. Dentro de esta tesis se hace uso de este enfoque con el
fin de facilitar el aprendizaje de estrategias de comercialización en el mercado eléctrico
Colombiano. Para alcanzar este cometido se propone un modelo de simulación que permite la
evaluación de diversas estrategias y que está compuesto a su vez de varios modelos que se encargan
de simular dicho mercado en dos aspectos: su funcionamiento general, y las reglas de actuación de
los agentes que en él intervienen, siendo de particular interés aquellos involucrados en la actividad
de comercialización. Para el primer aspecto se proponen diversos modelos matemáticos y
algorítmicos que reflejan la dinámica de algunas de las principales variables del sector; mientras
que para el segundo se propone el uso de la lógica difusa y el aprendizaje de máquina para modelar
los procesos de razonamiento y aprendizaje que, con el fin de obtener mayores utilidades, son
llevados a cabo por los agentes comercializadores.
1.2 Motivación
Los cambios que se han presentado durante las dos últimas décadas en los mercados eléctricos
alrededor del mundo han intensificado la competencia entre las diversas empresas de energía,
convirtiéndose para éstas en un reto del cual depende su permanencia en el sector. Si bien la
introducción de dicha competencia tuvo como finalidad llevar a los mercados hacia la eficiencia
económica que se tradujera en beneficios para los usuarios, les introdujo a dichos mercados un alto
nivel de complejidad. El mercado eléctrico colombiano no es ajeno a este panorama, a partir del
cual ha surgido la necesidad de desarrollar aplicaciones inteligentes que sirvan de ayuda en la toma
de decisiones a las cuales se enfrentan las empresas involucradas. Dichas herramientas tienen como
objetivo ayudar a definir y evaluar estrategias de participación que les permitan a tales empresas
2
posicionarse de una manera eficiente, competitiva y perdurable; para ello deben brindar
mecanismos para modelar la dinámica del mercado y la interacción de todos los agentes que
participan en él, junto con los aspectos técnicos, económicos y operativos presentes.
Diversas investigaciones han sido llevadas a cabo sobre estos aspectos. Particularmente en la
Universidad Nacional de Colombia – Sede Medellín se ha empleado la Dinámica de Sistemas, junto
con otras herramientas, para la simulación del mercado eléctrico colombiano (Raigoza, 1999;
Bedoya, 2001; Ochoa, 2002; Uribe, 2002; Montoya, 2003). Dichos trabajos promueven el
aprendizaje como ventaja competitiva para los agentes comercializadores del mercado, y para
alcanzarlo, utilizan los modelos de simulación para evaluar diferentes estrategias de compra y venta
de energía. Estas aproximaciones se caracterizan por modelar los principales aspectos del mercado
y porque permiten observar, gracias al empleo de micromundos, las consecuencias de las acciones
del usuario en materia de comercialización sobre sus rendimientos dentro del ambiente virtual,
ofreciéndole un ciclo de realimentación durante varios períodos y facilitándole así el aprendizaje.
Sin embargo, estas aproximaciones, que se encuentran basadas en modelos de macro simulación, no
resultan tan apropiadas para evaluar ciertos aspectos del mercado como son: el impacto del
comportamiento individual de cada competidor sobre los demás, teniendo en cuenta que dichos
comportamientos no necesariamente son homogéneos; la capacidad de evolución de las estrategias
de comercialización gracias a mecanismos de aprendizaje; la aparición de comportamientos
emergentes dentro del mercado en base a los criterios individuales de maximización de la utilidad
de los agentes, entre otros.
Son precisamente estos aspectos el objeto de estudio de esta tesis, en la cual se propone desarrollar
un modelo de simulación la comercialización de energía eléctrica en Colombia basado en un
sistema multi-agente. Dicho modelo incorpora ciertas características fundamentales del mercado
como la volatilidad de los precios debidos a la dependencia hidráulica, entre otros. Una
característica del enfoque planteado, y que lo diferencia las otras aproximaciones citadas, es que las
entidades que componen el modelo son simuladas en términos de agentes inteligentes, los cuales
cuentan con mecanismos de razonamiento propios, haciendo posible la evaluación de estrategias
individuales en la actividad de la comercialización. El paradigma de la programación multi-agente
ofrece claras ventajas para abordar este tipo de problemas (Conte et al., 1998; Davidsson, 2000;
Tesfatsion, 2002) por lo que su uso resulta apropiado en esta investigación. Entre dichas ventajas se
3
resaltan la proactividad y adaptabilidad de las entidades simuladas, sus habilidades comunicativas, y
el modelamiento de conceptos mentales como creencias, deseos e intenciones.
1.3 Aportes
Los aportes de esta tesis son de tipo metodológico, conceptual y aplicado. En lo metodológico se
presenta una propuesta metodológica que considera las fortalezas y debilidades de metodologías ya
existentes para el desarrollo de modelos de simulación multi-agente y que contempla una
representación adecuada de los procesos llevados a cabo por los agentes modelados. En lo
conceptual se proponen modelos y algoritmos particulares para la simulación de algunas de las
variables físicas y de mercado más importantes, así como el desarrollo de sistemas de inferencia y
de aprendizaje, los cuales son un aporte desde la inteligencia artificial para al modelado de
mercados eléctricos. En lo aplicado se introduce el paradigma de la Simulación Basada en Sistemas
Multi-Agente en el contexto de la comercialización de energía eléctrica en Colombia, lo cual no
había sido desarrollado anteriormente, o al menos no, de la manera que este trabajo lo presenta; se
incentiva el desarrollo de sistemas que incorporen varias herramientas de la inteligencia artificial; y
se promueve la utilización de tecnologías y aplicaciones de agentes de software cuyo uso en
Colombia y el mundo ha ido ganando interés en los últimos años.
1.4 Definición del problema de investigación
El cambio en la estructura del sector eléctrico colombiano a partir de mediados de los 90’s afectó de
manera considerable la forma en la que este operaba. El conocimiento del mercado, y más aún la
utilización de dicho conocimiento para mejorar los procesos decisorios, es una tarea fundamental
para los agentes involucrados y en especial para aquellos que participan en la actividad de
comercialización de energía (Bedoya, 2001). En este sentido, la capacidad de aprendizaje de
estrategias de comercialización y la forma de hacerla más eficiente y menos costosa, resulta ser una
fuente de ventaja competitiva (Senge, 1990).
Para lograr tal aprendizaje, existe una amplia variedad de técnicas y herramientas. Algunas son de
tipo económico como es el caso de la teoría moderna de inversión, la teoría de arbitraje y la teoría
moderna de portafolios, las cuales tienen como inconveniente que en ellas dominan ciertas reglas y
suposiciones, que no siempre son válidas en la realidad, menos aún en ambientes inciertos como los
4
mercados eléctricos y donde el bien tranzado, es decir, la energía, difiere de otros bienes para los
cuales tales teorías fueron concebidas. Herramientas de otro tipo, como es el caso de la teoría de
juegos, la teoría de la decisión y la teoría formal de negociación, tienen como desventaja que
suponen la racionalidad perfecta de los entes involucrados, lo cual es poco realista. Otros
inconvenientes que comparten las aproximaciones mencionadas, y que son especialmente
importantes en el contexto de la comercialización de energía son (Raigoza, 1999):
• No permiten la incorporación de nuevos agentes a lo largo del modelado, ni la realimentación
continua dentro del sistema.
• En los mercados existen tendencias no lineales en sus comportamientos, y estas técnicas
pretenden representarlos como sistemas lineales.
• No permiten tener en cuenta la componente estocástica para representar la incertidumbre.
• Son metodologías estacionarias que suponen que el comportamiento del sistema es uniforme.
• Se basan en modelos muy generales cuya adaptación es difícil de realizar para algunos casos
específicos.
Otra aproximación para alcanzar el aprendizaje es la simulación de sistemas. Esta, a diferencia de
las anteriores, provee medios para reconocer y evaluar estrategias de una manera intuitiva y
realimentada, de manera que se superan muchos de los inconvenientes mencionados y se evitan los
costos de la experimentación real. Dentro del campo de la simulación, y más específicamente en el
tema de la comercialización de energía eléctrica, existen varios trabajos fundamentados en
Dinámica de Sistemas, los cuales se basan en representar las principales características del mercado
Colombiano a manera de diagramas causales. El objetivo de estos trabajos es ayudar a definir las
estrategias de comercialización de los agentes, bien sea definiendo su nivel de cubrimiento por
medio de contratos, organizando su portafolio de opciones para disminuir el riesgo, o evaluando
estrategias de negociación con generadores y/o usuarios. El enfoque utilizado en estos trabajos
presenta varias ventajas pero existen algunos problemas de interés para los cuales no resulta tan
adecuado. Entre dichos problemas se encuentran el estudio de las relaciones que se llevan a cabo
entre las entidades involucradas (competencia, cooperación, especulación, etc.), el aprendizaje por
medio de la experiencia, los mecanismos de razonamiento cuando existe información incierta, los
comportamientos emergentes que pueden presentarse, etc.
5
Con lo anterior no se quiere decir que herramientas como la Dinámica de Sistemas no sean
propicias para modelar entornos como el mercado eléctrico Colombiano, si no que ésta, junto con
otras herramientas de macro simulación, está más encaminada a estudiar el comportamiento de
variables globales del sistema analizado y, en el caso de los micromundos, a evaluar la incidencia
de éstas en el comportamiento de un solo individuo (el usuario). Pero dejan de lado otras cuestiones
que son objeto de estudio de este trabajo tales como el modelado de la toma de decisiones
individuales a partir de las condiciones del entorno, la incidencia de dichas decisiones en el
desempeño de los agentes, el análisis de la competencia no de manera agregada si no como una
interacción entre agentes heterogéneos, las consecuencias del comportamiento de un individuo
sobre el comportamiento de otros, y por último, la capacidad de los agentes de aprender para alterar
sus estrategias y obtener mayores rendimientos.
Para atacar estos problemas, se plantea dentro de este trabajo la creación de un modelo de
simulación fundamentado en un enfoque diferente a los ya utilizados en el caso colombiano: la
Simulación Basada en sistemas Multi-Agente (MABS por sus siglas en inglés), y cuya elección se
debe a las bondades que presenta y a su desempeño en la evaluación de plataformas y políticas en
otros mercados como el inglés y el norteamericano. La idea tras la realización de este trabajo es que
puedan evaluarse diferentes estrategias dentro de la actividad de la comercialización y en particular
para los comercializadores puros, teniendo en cuenta que esta se desarrolla en un ambiente incierto
como es el mercado eléctrico colombiano. Una característica del modelo planteado es que se tiene
en cuenta que los competidores cuentan con mecanismos de razonamiento, creencias y objetivos
propios, que no necesariamente son iguales, pero que pueden alterarse de manera dinámica con el
fin de alcanzar mejores rendimientos dentro del mercado simulado.
1.5 Preguntas de investigación
A partir de la problemática planteada y de las falencias encontradas en los enfoques existentes,
surgen las siguientes preguntas de investigación que desean resolverse en el desarrollo de este
trabajo:
1. ¿Cuáles son los elementos fundamentales que deben tenerse en cuenta para la simulación
del mercado eléctrico colombiano, particularmente en el negocio de comercialización y
cómo éstos influencian la toma de decisiones de los agentes involucrados?
6
2. ¿Qué metodología es más apropiada para llevar a cabo el desarrollo formal de modelos de
simulación multi-agente como el requerido en este trabajo?
3. ¿Cómo modelar los mecanismos de razonamiento de los agentes comercializadores de
energía, los cuales actúan en un ambiente dinámico como es el mercado colombiano?
4. ¿Es posible modelar mecanismos de aprendizaje que permitan a los agentes simulados
redefinir sus políticas para alcanzar mayores beneficios?
5. ¿Es viable evaluar estrategias de comercialización y medir el rendimiento obtenido que
pudieran obtener agentes de diferentes perfiles en base al modelo propuesto?
1.6 Alcance
Para dar respuesta a las preguntas de investigación, esta tesis se centra en el desarrollo de un
modelo de simulación del mercado eléctrico Colombiano y más específicamente del negocio de
comercialización, en el que se simplifican los procesos llevados por los agentes involucrados. En
particular, tal modelo contempla la simulación del razonamiento y del aprendizaje llevado a cabo
por los agentes comercializadores para tomar sus decisiones estratégicas y para esto se consideran
algunas variables del sector. La elección de dichas variables obedece a la relevancia de su influencia
sobre las decisiones de los agentes y a la facilidad de simularlas adecuadamente mediante algún
modelo matemático. Bajo esta premisa algunas variables (en particular de tipo cualitativo) quedan
por fuera de este trabajo a pesar de ser de interés, aunque son descritas brevemente como
información adicional para el lector.
Tanto el modelo de razonamiento como el de aprendizaje es validado de manera independiente con
base en los datos reales del mercado de los últimos años, mientras que el modelo general de
simulación es validado gracias al prototipo implementado mediante varios casos de prueba. Dichos
casos reflejan diferentes condiciones que pueden presentarse en el mercado (siendo todas probables)
y son obtenidos por medio de la simulación del entorno en el que actúan los agentes. Los resultados
obtenidos son presentados en este documento con su respectivo análisis.
En el caso del modelo de razonamiento de los agentes comercializadores éste se obtiene a partir de
unas reglas de actuación muy generales que permiten la construcción de un sistema de inferencia,
mientras que el modelo que simula el aprendizaje de estos es una aproximación de este proceso
mediante un enfoque de aprendizaje de máquina. Lo que esto significa es que ambos modelos, si
7
bien pueden presentar buenos rendimientos, no pueden ser usados para el modelado de un agente en
particular, caso en el cual se requeriría de modelos más específicos.
Es de resaltar que los modelos presentados en esta tesis, así como su funcionamiento integrado, son
una propuesta que desde la matemática, la algoritmia y la inteligencia artificial buscan reproducir
ciertos comportamientos del sector eléctrico Colombiano y no deben ser usadas como herramientas
de apoyo para la toma de decisiones en el sector a menos que sea bajo la supervisión y el análisis
experto. Se resalta sin embargo que tales modelos pueden servir de punto de partida para futuros
refinamientos que permitan un análisis más a fondo e incluir otros aspectos del mercado
Colombiano.
Por último, cabe señalar que si bien el título de este trabajo incluye el concepto de “aprendizaje de
estrategias de comercialización”, éste no debe confundirse con el mecanismo de aprendizaje que se
modela dentro de los agentes simulados. El primer caso se refiere al aprendizaje que alguien,
respecto a la definición de estrategias de comercialización, puede alcanzar haciendo uso del modelo
general presentado en este trabajo; mientras que el segundo se refiere a la simulación que por medio
de el mecanismo propuesto (entiéndase algoritmo) se hace del proceso llevado a cabo por los
agentes comercializadores del mercado para modificar sus conductas considerando sus perfiles de
riesgo.
1.7 Objetivos
General
Desarrollar un modelo de simulación basado en un sistema multi-agente para apoyar el aprendizaje
de estrategias de comercialización de energía eléctrica en Colombia. Dicho modelo debe considerar
los diferentes perfiles y reglas de actuación de los agentes involucrados, así como la dinámica del
entorno en el que se desenvuelven.
Específicos
1. Proponer una metodología para el diseño y construcción de modelos de simulación basados en
sistemas multi-agente, a partir de la caracterización de metodologías ya existentes, provenientes
de diferentes enfoques, para soportar el modelo de simulación a desarrollar.
8
2. Definir, utilizando la metodología propuesta, un modelo basado en agentes de software para la
simulación de algunos aspectos comerciales y operativos del mercado eléctrico colombiano,
relevantes para la actividad de comercialización de energía. Entre estos aspectos se encuentran
los mecanismos de compra y venta de energía, las restricciones impuestas por los mecanismos
de control, la dependencia hidráulica en la determinación de precios, el comportamiento de la
demanda, entre otros.
3. Formular un mecanismo que simule el razonamiento de los comercializadores para establecer
sus estrategias de negociación y de cubrimiento de riesgo, e incorporarlo en los agentes de
software que harán parte del sistema.
4. Dotar a los agentes de software con mecanismos de aprendizaje que les permitan obtener
mayores utilidades en la actividad de comercialización.
5. Evaluar el desempeño de los mecanismos de razonamiento y aprendizaje propuestos, por medio
del análisis de diferentes casos de estudio.
1.8 Metodología de trabajo
Los pasos de la metodología propuesta para abordar este trabajo de investigación corresponden al
cumplimiento de los objetivos específicos previamente planteados de la siguiente manera:
Para cumplir el objetivo 1 se realizó una revisión de las principales metodologías de diseño y
construcción de sistemas Multi-Agente como MAS-CommonKADS, GAIA, Styx, MaSE, etc., así
como de otras provenientes de la Ingeniería de Software. A partir de dicha revisión se identificaron
las principales características de dichas metodologías, haciendo hincapié en las ventajas y/o
inconvenientes que signifiquen para la construcción de modelos de simulación. Finalmente, con
base en los elementos identificados, se propuso una metodología robusta que establece las fases,
modelos y artefactos que debe considerar el desarrollo de este tipo de modelos.
Para cumplir el objetivo 2 se llevó a cabo un estudio de la estructura actual del mercado eléctrico
Colombiano identificando sus componentes (agentes, organismos de control, mecanismos de
negociación, características físicas y económicas), las relaciones que los gobiernan y la
normatividad que los rige. Una vez identificados se propuso un modelo basado en agentes para
simularlos, en base a la metodología planteada a partir del cumplimiento del objetivo 1.
9
Para cumplir el objetivo 3 se siguieron los siguientes pasos:
1. Se analizó cuáles de los aspectos identificados a partir del cumplimiento del objetivo 2 influyen
en la toma decisiones de los agentes comercializadores y de qué manera lo hacen.
2. Se analizaron diferentes mecanismos de razonamiento y se determinó cuál resultaba más
apropiado para aproximar la toma de decisiones de los agentes comercializadores.
3. Se introdujo en el mecanismo de razonamiento elegido, los elementos identificados en el primer
paso.
4. Se realizó un trabajo de campo (consulta con expertos) para evaluar el mecanismo propuesto y
se realizaron los cambios que se determinaron convenientes.
5. Se incorporó el mecanismo resultante dentro del modelo de razonamiento de los agentes del
modelo de simulación.
Para cumplir el objetivo 4 se siguieron los siguientes pasos:
1. Se determinó cuáles procesos llevados a cabo por los agentes requieren de mecanismos de
aprendizaje que les permitan mejorar sus desempeños.
2. Se caracterizaron diversos algoritmos de aprendizaje ampliamente difundidos en la bibliografía.
3. Se determinó cuál de dichos algoritmos era más propicio para incorporarlo en los procesos
definidos en el primer paso y por qué.
4. Se realizaron adecuaciones al algoritmo elegido en caso de ser necesario.
5. Se incorporó el algoritmo resultante dentro del modelo de razonamiento de los agentes del
modelo de simulación, como una adecuación al mecanismo de razonamiento definido en el
objetivo anterior.
Para cumplir el objetivo 5 se realizaron varias corridas del modelo de simulación propuesto bajo
diferentes condiciones y parámetros, haciendo un análisis de los resultados obtenidos. Esto con el
fin de evaluar tanto el desempeño individual de los agentes de software, como el comportamiento
del sistema visto de manera global.
Finalmente, para plasmar los resultados de este trabajo de investigación, se llevó a cabo de manera
paralela al desarrollo de cada objetivo, la elaboración de este documento de tesis que refleja los
resultados obtenidos. Así mismo, se veló por la divulgación de dichos resultados en eventos y
revistas de interés, para beneficio de la comunidad científica.
10
1.9 Organización del documento
La organización del resto de este documento continúa de la siguiente manera: en el Capítulo 2 se
presentan los antecedentes y el marco teórico sobre la problemática a tratar y los enfoques más
comunes para atacarla, así como una breve descripción del estado del arte de modelos de simulación
para el aprendizaje en mercados eléctricos; en el Capítulo 3 se describe una propuesta metodológica
general para el desarrollo de modelos de simulación multi-agente; en el Capítulo 4 se hace uso de
dicha metodología para definir el modelo del mercado eléctrico Colombiano dentro el alcance
previamente definido; en el Capítulo 5 se hace una descripción de las decisiones que los
comercializadores deben tomar así como las variables que deben analizar para hacerlo; en el
Capítulo 6 se presenta un modelo de inferencia para una de esas decisiones; en el Capítulo 7 se
expone un mecanismo de aprendizaje para optimizar la manera en que los agentes emplean tal
inferencia; en el Capítulo 8 se presenta una validación de los modelos propuestos y del prototipo
respectivo por medio de casos de prueba; en el Capítulo 9 se exponen las conclusiones y el trabajo
futuro. Adicionalmente, en el Anexo A se describen los modelos matemáticos y los algoritmos
propuestos para la simulación de algunos aspectos del sector eléctrico; mientras que en el Anexo B
se presentan algunos detalles técnicos sobre las plataformas y herramientas empleadas para la
construcción de un prototipo de software que soporta el modelo de simulación propuesto.
1.10 Difusión de resultados
A continuación se listan las publicaciones y ponencias en congresos que se han realizado a la fecha
a raíz de los resultados obtenidos en la realización de esta tesis de maestría, así como de
investigaciones relacionadas.
Internacionales
• “Integración de Mecanismos de Razonamiento en Agentes de Software Inteligentes para la
Negociación de Energía Eléctrica“. Revista Ingeniería Informática (Chile), edición 13,
noviembre de 2006.
• “Razonamiento basado en reglas de inferencia para subastas electrónicas tipo inglesa mediante
agentes inteligentes”. V Congreso Internacional “Electrónica y Tecnologías de Avanzada” –
CIETA. Septiembre 2006.
11
• “Modelos de simulación de escenarios para el sector eléctrico Colombiano”. V Congreso
Internacional “Electrónica y Tecnologías de Avanzada” – CIETA. Septiembre 2006.
• “Determinación de estrategias de contratación para el mercado eléctrico Colombiano usando
Lógica Difusa”. V Congreso Internacional “Electrónica y Tecnologías de Avanzada” – CIETA.
Septiembre 2006.
• “Integración de un modelo ontológico para la simulación del proceso de negociación de
contratos de energía eléctrica”. V Congreso Internacional “Electrónica y Tecnologías de
Avanzada” – CIETA. Septiembre 2006.
Nacionales
• “Diseño y Desarrollo de Mecanismos de Razonamiento Multi-Agente para la Negociación de
Energía Eléctrica Utilizando JESS Y JADE”. Revista Avances en Sistemas e Informática.
Volumen Especial: Encuentro de Investigación Sobre Tecnologías de Información Aplicadas a
la Solución de Problemas, 7ª. Versión - EITI2006). Vol. 3, Num. 1. Junio 2006.
• “Modelamiento de un sistema multi-agente para la simulación del proceso de negociación en el
mercado energético colombiano por medio de contratos normalizados bilaterales”. Revista
Avances en Sistemas e Informática. Escuela de Sistemas, Universidad Nacional de Colombia –
Sede Medellín. (En revisión)
• “Una Aproximación Metodológica para la Construcción de Modelos de Simulación basados en
el Paradigma Multi-Agente”. II Congreso Colombiano de Computación. 2007. (En revisión).
• “Modelo de razonamiento basado en el paradigma difuso para la contratación de energía
eléctrica en Colombia”. II Congreso Colombiano de Computación. 2007. (En revisión).
• “Integración de ontologías y capacidades de razonamiento en agentes de software inteligentes
para la simulación del proceso de negociación de contratos de energía eléctrica”. II Congreso
Colombiano de Computación. 2007. (En revisión).
12
CAPÍTULO 2 APROXIMACIONES AL MODELADO DEL MERCADO ELÉCTRICO
COLOMBIANO
El objetivo de este capítulo es presentar los antecedentes, marco teórico y estado del arte que dan
contexto a este trabajo de investigación y que justifican su realización. En primera instancia se
describen algunas generalidades de los mercados eléctricos haciendo hincapié en los problemas a
los que se enfrentan los agentes comercializadores, en especial para el caso Colombiano. Luego se
presentan algunas herramientas teóricas que pueden ser empleadas para resolver dichos problemas
resaltando sus características y su aplicabilidad. Por último se hace un recuento de varios de los
trabajos realizados alrededor de la comercialización de energía eléctrica y se destacan tanto los
aspectos del mercado que consideran como los que dejan por fuera, siendo de particular interés
estos últimos para la justificación de este trabajo.
2.1 Generalidades sobre el mercado eléctrico Colombiano
En los procesos de liberalización de los sectores eléctricos alrededor del mundo, los proponentes de
la reforma han tenido como prioridad alcanzar la eficiencia económica (Ford, 1999). Lo anterior ha
dado paso a la entrada de inversionistas y a la introducción de la competencia en las actividades
donde es posible desarrollarla. Se han dinamizado los mercados favoreciendo a los consumidores,
que en muchos casos han visto bajar los precios y aumentar el número de proveedores potenciales
de sus servicios (Littlechild, 1998; Dyner y Larsen, 2000), pero al tiempo se ha convertido en un
reto para las empresas que prestan los servicios del mercado.
El mercado eléctrico Colombiano no es ajeno a este panorama. Un diagnóstico efectuado a
comienzos de la década de los 90´s sobre la gestión y logros que habían alcanzado las empresas de
generación de electricidad en manos del Estado, mostró resultados altamente desfavorables en
términos de la eficiencia administrativa, operativa y financiera. El sector, considerado de forma
global, enfrentaba la quiebra financiera, la cual finalmente se tradujo en un racionamiento nacional
que abarcó el período 1991-1992. Debido a esta situación el país, a partir de la Constitución de
13
1991, admitió como principio clave para el logro de la eficiencia en los servicios públicos la
competencia donde fuera posible y la libre entrada a todo agente que estuviera interesado en
prestarlos; el Estado pasó a cumplir el papel de ente regulador, mientras que se dejó al sector
privado la producción de los bienes y servicios (Banco de la República, 1998).
En 1992, como consecuencia del severo racionamiento, el Gobierno expidió, haciendo uso del
“estado de emergencia económica” previsto por la Constitución, el Decreto 700. Este Decreto, entre
otras decisiones, fijó normas para la entrada de inversionistas privados en el negocio de la
generación de energía. Así, se dio impulso a varios proyectos previstos en el Plan de Expansión y se
autorizó a las empresas oficiales involucradas a firmar contratos de compraventa de energía a largo
plazo con los consorcios escogidos para tales efectos. Posteriormente, se presentó una
reestructuración del mercado bajo las leyes 142 y 143 de 1994 (Ley de servicios públicos
domiciliarios y Ley eléctrica), que tenían como finalidad aumentar la eficiencia del sistema y
vincular capitales privados al mismo, y se produjo la instauración de la Bolsa de Energía en 1995
(ISA, 1999). Dichas leyes definieron el marco regulatorio aplicable a los negocios de generación,
así como la transmisión, distribución y comercialización de energía eléctrica; igualmente
reglamentó sus aspectos técnicos, comerciales, empresariales y operativos.
Con el nuevo esquema se separaron las funciones del Estado, y se creó un organismo regulador y un
organismo de vigilancia independientes (Comisión Nacional de Regulación de Energía y Gas –
CREG y Superintendencia de Servicios Públicos Domiciliarios – SSPD, respectivamente), que se
encargan de fijar las reglas del mercado, así como de vigilar su cumplimiento además de proteger a
los inversionistas y defender los intereses de los consumidores (Ayala y Millán, 2002). Se promulgó
la competencia en los sectores de la cadena productiva donde es posible obtenerla, tales como la
comercialización y generación, y se mantuvieron como monopolio natural la transmisión y
distribución. La estructura general del mercado se presenta en la Figura 2.1.
Una de las últimas reformas propuestas en el Sector es la implementación del Sistema Electrónico
de Contratos Normalizados Bilaterales (SEC) propuesto en el documento CREG 005 de enero de
2004. Los objetivos buscados con dicho mecanismo en el que se contempla un sistema electrónico
en línea de subastas, con estandarización de contratos y anonimato entre las partes son: brindarle al
mercado la liquidez necesaria para su desarrollo futuro, dinamizar la comercialización, permitir
14
avanzar al sector con la utilización de nuevas herramientas financieras acordes con la exigencia de
los agentes, y alcanzar un mayor beneficio para el sector y los usuarios.
Figura 2.1. Estructura del mercado eléctrico colombiano (Fuente: XM)
A pesar de las reformas llevadas a cabo, o quizá debido a ellas, el mercado eléctrico Colombiano
cuenta con las características de un sistema incierto y complejo; no sólo por su inmadurez, que se ha
visto reflejada en una regulación cambiante, si no también por ser altamente sensible a las fuertes
variaciones hidrológicas que presenta el país, que introducen un alto nivel de incertidumbre en los
precios de la electricidad (Dyner, 2000). Estas características son especialmente relevantes en el
caso particular de la actividad de comercialización, la cual se fundamenta en el aprovechamiento de
márgenes derivados de las fluctuaciones en los precios, en las recompensas que ofrece el mercado al
tomar riesgos y en la negociación de contratos bilaterales para cubrirse del riesgo del mercado de
corto plazo o spot (Ochoa, 2002). Por lo tanto es fundamental para los agentes comercializadores, el
grado de conocimiento que manejan y la oportunidad que éste les brinde para el análisis de la
información generada por el mercado en este nuevo esquema (CREG, Resolución 24 de 1995).
Según Bedoya (2001), el negocio de comercialización es quizá, desde el punto de vista estratégico,
la actividad más compleja que un agente puede llevar a cabo en el mercado de energía. Esto se debe
a que éstos, pese a que no desempeñan funciones operativas dentro del sector, sí actúan como
tomadores de riesgo, asegurando la compra de la producción de la electricidad mediante contratos o
15
en bolsa, para luego entregarla a sus clientes o a otros agentes. Si bien esta explicación de la labor
del comercializador parece simple, involucra el dinamismo que se genera en el sistema al considerar
la interacción de los elementos que se presentan en los mercados de corto y largo plazo. Es debido a
esta complejidad que algunos autores establecen que hay indicios de que esta actividad no se está
realizando de manera adecuada, y en especial, por la falta de profesionales específicamente
entrenados para cumplir esta función (Dyner y Larsen, 2000).
2.2 Aproximaciones para el aprendizaje de estrategias de comercialización
En ambientes complejos e inciertos como es el mercado eléctrico y en especial en la actividad de
comercialización descrita anteriormente, surge la necesidad del aprendizaje organizacional como
ventaja competitiva (Senge, 1990). Según Ochoa (2002), administrar efectivamente este nivel de
complejidad requiere una experiencia y un conocimiento profundo del mercado, por lo que las
empresas deben aprender las reglas del mercado y entender cómo pueden alcanzar una posición
estratégica que les facilite su sostenimiento futuro.
Una de las maneras para alcanzar tal aprendizaje es por medio de la experiencia directa, que en el
caso de los comercializadores se refiere a los procesos de negociación y cubrimiento de riesgo; no
obstante, Elder (1993) establece que los mercados no están diseñados como entornos para el
aprendizaje, y menos aún cuando la intención es aprender cómo negociar para obtener rendimientos
económicos. Otra falencia de esta aproximación es que las variables tiempo y espacio dificultan el
aprendizaje; esto se debe a que las consecuencias de una decisión pueden manifestarse tiempo
después y su repercusión puede ser advertida en sectores diferentes al de su origen (Senge e Isaacs,
1992). Eso sin contar que dicho proceso puede acarrear altos costos para las organizaciones, así
como implicaciones nocivas en caso de errores. Es debido a esta dificultad del aprendizaje en
entornos reales, que nace la necesidad de encontrar mecanismos que permitan a las personas
encargadas de tomar las decisiones planear sus estrategias y observar las posibles consecuencias
que éstas acarrean. De esta manera es posible que los directivos de las empresas evalúen los
posibles efectos de sus acciones y tengan la oportunidad de reestructurar sus modelos mentales al
comprender el funcionamiento del sistema al cual se enfrentan (Sterman, 2000), así como las
principales variables que gobiernan su comportamiento.
16
Estos mecanismos de planeación y aprendizaje pueden ser de tipo teórico, los cuales se encuentran
basados en modelos matemáticos provenientes del campo de la economía como la teoría moderna
de inversión, la teoría de arbitraje, y la teoría moderna de portafolios eficientes. También pueden
tratarse de modelos de comportamiento, provenientes del campo de la psicología y el derecho como
la teoría formal de negociación. O bien, pueden ser de índole más práctico, los cuales se encuentran
enfocados al reconocimiento de estrategias y a la evolución de las mismas, como es el caso de la
teoría de juegos, la teoría de decisiones, y por último el aprendizaje basado en modelos de
simulación.
Cada una de las aproximaciones mencionadas anteriormente ha sido estudiada en algunos trabajos
representativos hallados en la revisión bibliográfica dentro del contexto de la comercialización de
energía y serán expuestos brevemente a continuación, rescatando su aplicabilidad y falencias
respectivas.
2.2.1 Teoría moderna de inversión
Desde el enfoque de la teoría moderna de inversión (Bodie et al., 1996), el proceso de inversión
comprende dos tareas fundamentales: el análisis del mercado y de los activos disponibles para
inversión; y la conformación de un portafolio eficiente (conjunto de inversiones en activos en un
tiempo t), de acuerdo con las preferencias del inversionista. Estas dos tareas buscan definir los
elementos necesarios para estructurar una estrategia de administración del riesgo, entendiéndolo
como el proceso de identificación, cuantificación y disposición de los elementos que permiten
controlar un proceso de inversión en un horizonte de tiempo definido. La ventaja de esta
aproximación es que realiza una estimación del riesgo/rendimiento de las opciones con las que
cuentan los comercializadores. Sin embargo, debido a ciertos elementos intrínsecos de la actividad
de comercialización de energía eléctrica, existen ciertas falencias en la incorporación de esta teoría
para el análisis de las oportunidades de inversión del mercado. Estas falencias se deben
principalmente a dos aspectos: las características del bien energía eléctrica, que difieren
considerablemente de los bienes transados en otros mercados (Correa, 2001; Bedoya, 2001); y la
estructura propia del mercado, la cual presenta ciertas distorsiones que invalidan algunos de los
supuestos empleados en el análisis.
17
2.2.2 Teoría de arbitraje
La teoría de arbitraje (APT, por sus siglas en inglés) es un modelo económico que relaciona el
riesgo y el rendimiento con el objeto de ofrecer una explicación acerca de cómo se afecta el precio
de una oportunidad de inversión en el mercado (Francis, 1988). Este modelo se basa en tres
supuestos: primero, los agentes prefieren mayor a menor riqueza; segundo, los agentes son aversos
al riesgo, es decir, un agente está dispuesto a invertir en una oportunidad riesgosa sólo si obtiene un
rendimiento mayor al que alcanzaría al invertir en una oportunidad libre de riesgo; tercero, los
agentes están en capacidad de valorar y cuantificar cualquier factor de riesgo que afecte el
rendimiento de una oportunidad de inversión. Esta teoría involucra el concepto de arbitraje,
entendido como la compra y venta simultánea de oportunidades de inversión iguales o equivalentes,
que es la base de la ley de precio único (Correa, 2001). No obstante, la implementación del modelo
de rendimiento de APT en el mercado de energía eléctrica en Colombia puede resultar compleja
pues existen aspectos estructurales y funcionales del mercado que impiden el cumplimiento del
supuesto que hace referencia a la valoración y cuantificación de los factores de riesgo. Esto se debe
básicamente a la etapa temprana de desarrollo del mercado, a la presencia de información
incompleta e imperfecta que impide que los precios de las oportunidades de inversión sean
determinados libremente por el mercado y, finalmente, a una inflexibilidad obligada por aspectos
regulatorios que podrían, eventualmente, limitar el alcance de las estrategias de cubrimiento.
2.2.3 Teoría moderna de portafolios
La teoría moderna de portafolios eficientes es un mecanismo básico para la administración del
riesgo. Se entiende como portafolio la combinación de oportunidades de inversión con el objetivo
de aprovechar los comportamientos individuales de estas oportunidades en el mercado para
disminuir el riesgo de inversión y obtener una rentabilidad deseada (Elton y Gruber, 1995). Esta
teoría asume que los inversionistas son optimizadores de la relación media-varianza, esto es, buscan
portafolios con la menor varianza posible para cualquier nivel esperado de rentabilidad (Correa,
2001). El problema que surge al aplicar este modelo en el caso de la comercialización de
electricidad es que para los agentes es difícil realizar una administración adecuada y eficiente del
riesgo mediante las teorías de portafolio. Esto se debe principalmente a causas estructurales, como
la conformación del parque generador, y funcionales, como la iliquidez y la ausencia de mercados
secundarios que les permitan diseñar e implementar estrategias de cubrimiento frente a variaciones
del precio de la energía eléctrica, a diferencia de otros mercados como es el caso del Reino Unido
(Vélez, 2004).
18
2.2.4 Teoría formal de negociación
La teoría formal de negociación surgió a comienzos de la década de los 60’s con lo que hoy se
conoce como el Proyecto de Negociación de Harvard – PNH (Fisher et al, 1994). El aporte de esta
teoría consiste en el estudio de un tipo de negociación conocida como negociación cooperativa o
integrativa, la cual procura brindar ventajas competitivas de largo plazo a los agentes del mercado,
en oposición a las otras estrategias de negociación conocidas, tales como la evasión de la
negociación, la estrategia acomodativa, y la estrategia competitiva o distributiva (Lewicki et al,
1999). La estrategia cooperativa, también conocida como negociación gana – gana, propone
negociar por intereses, buscando criterios objetivos para llegar a un acuerdo que sea satisfactorio a
los objetivos de todas las partes (Ogliastri, 1999). La metodología del PNH es ampliamente
difundida en los talleres de capacitación en negociación más reconocidos del mundo. Sin embargo,
a pesar que el PNH haya sido desarrollado como una teoría prescriptiva que busca aconsejar a los
negociadores para alcanzar acuerdos exitosos, tiene ciertas carencias entre las que se encuentra que
se fundamenta en un paradigma de racionalidad completa, el cual es poco realista en entornos como
el mercado eléctrico (Uribe, 2002).
2.2.5 Teoría de juegos
Ésta es una teoría normativa que trata del análisis del proceso de toma de decisiones de manera
óptima, cuando varios agentes racionales están involucrados en el proceso y cada uno intenta
anticipar las acciones y reacciones probables por parte de sus competidores (Davis, 1997). Esta
teoría se ha convertido durante los últimos años en una herramienta para la teoría económica,
involucrando en su desarrollo a la matemática, la economía y otras ciencias del comportamiento.
Dado su capacidad de tratar con múltiples agentes decisores, esta teoría ha sido aplicada en el
estudio de la negociación, pero cuenta con algunos inconvenientes para el aprendizaje de
estrategias. En primer lugar, tras la teoría de juegos existe un desarrollo matemático que puede
resultar complejo para algunos usuarios de los ambientes de aprendizaje (Uribe, 2002). En segundo
lugar, la teoría de juegos resulta poco viable, pues, al igual que uno de los inconvenientes del PNH,
se basa en un modelo de racionalidad completa de los jugadores (Lewicki et al, 1999; Roth, 1996),
cuya validez ha sido cuestionada desde el planteamiento de la teoría de la racionalidad limitada y
desde los laboratorios de economía práctica.
19
2.2.6 Teoría de decisión
La teoría de decisión (Chernoff y Moses, 1959; Feldman y Sproull, 1977) provee medios para el
manejo de la incertidumbre que gobierna el conocimiento de los agentes que intervienen en un
proceso de toma de decisiones, así como el no determinismo de sus acciones. De acuerdo a esta
teoría la información incierta es manipulada construyendo una distribución de probabilidad de
acuerdo al conjunto de posibilidades, las cuales pueden ser actualizadas a medida que nueva
información es percibida. Entre tanto, el no determinismo es manejado construyendo una
distribución de probabilidad a través del conjunto de posibles resultados de una acción. De esta
manera, al realizar este proceso sobre todas las acciones, es posible realizar una escogencia de las
mismas basada en el conjunto de resultados y en su posibilidad de ocurrencia (Parsons et al, 2002).
La gran desventaja que presenta este enfoque aplicado al mercado de electricidad es la
imposibilidad de proporcionar distribuciones de probabilidad precisas a los eventos que alteran la
toma de decisiones de los agentes, como por ejemplo la variabilidad de los precios de bolsa o la
incertidumbre regulatoria.
2.3 Simulación de sistemas
Un último mecanismo de aprendizaje a analizar y que merece una sección aparte por ser el soporte
de una gran parte de este trabajo de investigación, es la simulación de sistemas. Esta herramienta
permite que los usuarios de los modelos desarrollados apliquen estrategias de negociación,
entiendan los beneficios o desventajas que éstas acarrean en su desempeño, y puedan confirmar sus
modelos mentales o modificarlos según les resulte más beneficioso.
Este enfoque se aparta de los modelos teóricos basados en la racionalidad de los agentes o en la
estimación de una serie de parámetros, siendo de un carácter más empírico. Su fundamento es la
creación de modelos de sistemas reales a un nivel de abstracción adecuado, de manera que sea
posible realizar pruebas y comprobar hipótesis sobre el comportamiento de su contraparte real,
evadiendo así los inconvenientes ya mencionados de la experimentación directa. En este sentido, la
simulación puede ser vista como una tercera manera de hacer ciencia y como tal, puede ser
contrastada con los dos métodos estándares de inducción y deducción. Axelrod (1997) explica las
diferencias de la siguiente manera: al igual que la deducción, la simulación empieza con un
conjunto de suposiciones, pero a diferencia de la deducción, ésta no prueba teoremas si no que
genera datos que pueden ser analizados inductivamente. Sin embargo, a diferencia de la inducción
20
típica, los datos simulados provienen de conjuntos de reglas rigurosamente especificadas en vez de
mediciones directas del mundo real. A manera de conclusión este autor también indica que,
mientras la inducción puede ser usada para encontrar patrones en los datos, y la deducción para
encontrar consecuencias de las suposiciones, la simulación puede ser usada como ayuda para la
intuición.
Los modelos de simulación han sido empleados para predecir la evolución futura de una variedad
de sistemas complejos, desde economías nacionales hasta flujos de caja de empresas. Mientras estos
modelos, normalmente grandes y detallados, han sido bastante útiles para analizar en detalle asuntos
operacionales, ha habido un interés creciente en la aplicación de modelos de simulación más
pequeños y agregados, para lograr un mayor entendimiento en temas estratégicos específicos.
Dichos modelos de simulación estratégica facilitan la comprensión de la dinámica de los mercados
sin incurrir en los costos del ensayo y error, al tiempo que proveen un marco para estructurar y
probar explícitamente suposiciones acerca de la interconexión entre múltiples variables del entorno
(Gary y Larsen, 1998, Morecroft, 1992). De esta manera se agiliza el proceso de aprendizaje, pues
por medio de los modelos es posible visualizar las consecuencias de las acciones en el ambiente
simulado, las cuales permiten transformar los modelos mentales, sin el inconveniente de los
retardos que se producen en el mundo real, tal como se muestra en la Figura 2.2.
Figura 2.2. Ciclo de Aprendizaje a través de Mundos Virtuales
(Fuente: Smith et al, 2000)
Dentro de la simulación de sistemas pueden distinguirse a su vez dos aproximaciones diferentes: la
micro y la macro simulación. A manera de comparación, puede decirse que la macro simulación
Mundo Real
Mundo Virtual Información Reflexión - Acción
Objetivos y estrategias Modelos mentales
21
visualiza los conjuntos de individuos como una estructura que puede ser caracterizada por un
número de variables y de relaciones de causalidad, mientras que en la micro simulación la
estructura es vista como la forma emergente de las interacciones entre los individuos (Davidsson,
2000).
Los modelos de macro simulación, como es caso de la Dinámica de Sistemas, presentan una
aproximación simplificada de la realidad por medio de ecuaciones diferenciales que relacionan las
variables de interés; permiten apreciar los efectos de la realimentación y los retardos dentro de los
diferentes procesos; y por último, le brindan a los usuarios que interactúan con el modelo de
simulación la capacidad de cambiar sus modelos mentales y estrategias para obtener mejores
resultados. Sin embargo, existen algunos problemas de interés para los cuales estas aproximaciones
no resultan adecuadas. Dichos problemas se deben al nivel de granularidad que tales modelos
manejan y a la simplicidad en su formulación que, aunque previamente se mencionó como ventaja,
resulta ser inconveniente para estudiar ciertos aspectos del sistema como pueden ser las relaciones
entre las entidades involucradas, sus mecanismos de razonamiento frente a la información incierta,
su capacidad de aprender de la experiencia, los comportamientos emergentes que pueden
presentarse, etc.
Los modelos de micro simulación por su parte, como es el caso de la Simulación Basada en
sistemas Multi-Agente (MABS, por sus siglas en inglés) cuentan con ciertas características que los
hacen propicios para la simulación de sistemas caracterizados por poseer un entorno complejo en el
que interactúan una variedad de entidades dominadas por estructuras de razonamiento igualmente
complejas. Dentro de estas características se encuentran (Davidsson, 2000):
• Proactividad, que puede ir desde entidades puramente reactivas, hasta entidades completamente
deliberativas y autónomas.
• Lenguaje de comunicación, que puede ir desde la comunicación rústica entre las entidades vía
señales simples, hasta lenguajes completos de agentes como KQML (Finin et al., 1992) o FIPA
(Garcia, 2000).
• Adaptabilidad, que puede ir desde entidades completamente estáticas, hasta entidades con la
capacidad de aprender de manera autónoma.
22
• Modelamiento de conceptos, que puede ir desde usar conceptos de modelamiento tradicional,
hasta conceptos mentales complejos como creencias, deseos e intenciones.
• Escalabilidad, dado que cada agente es implementado típicamente como un proceso
independiente y es capaz de comunicarse con cualquier otro agente en el sistema usando un
lenguaje común, resulta posible agregar o remover agentes durante la simulación sin producir
interrupciones. Como consecuencia de esto y debido a la estructura del modelo que mapea la
entidad simulada con la realidad, es posible cambiar un agente por la entidad simulada
correspondiente, es decir, por una persona real, lo cual permite tener escenarios de simulación
extremadamente dinámicos.
De acuerdo con Ramanah et al (2003), el enfoque MABS posee algunas ventajas para el estudio de
ciertos aspectos de los sistemas simulados respecto a otros métodos de simulación. Entre estas
ventajas se encuentran la facilidad de construcción, los niveles adicionales de validación (esto es,
tanto a nivel del sistema como del individuo), el mayor soporte para la experimentación (ofreciendo
a los usuarios la posibilidad de realizar juegos del tipo “que pasaría sí”), la facilidad de trasladar lo
aprendido a las prácticas de los negocios reales; y por último, la obtención de un modelo “uno a
uno” de la realidad, el cual los otros métodos no poseen. Dentro de estas características la única que
puede objetarse es la que hace referencia a la facilidad en la construcción del modelo de simulación,
pues esta tarea es, en opinión propia, bastante complicada, y más aún cuando se desea un buen nivel
de detalle.
Parunak et al. (1998) añaden que el enfoque MABS resulta apropiado para ambientes caracterizados
por un alto grado de localización y dominados por decisiones discretas; mientras que el
Modelamiento Basado en Ecuaciones (EBM por sus siglas en inglés) es aplicado de manera más
natural a sistemas que pueden ser modelados de manera centralizada y donde la dinámica está
dominada más por leyes físicas que por el procesamiento de información. Estos autores afirman
además, que una de las desventajas de EBM al modelar ciertos sistemas, es el uso de promedios de
las variables críticas a través del tiempo. De esta manera el EBM asume homogeneidad en los
individuos, a pesar de que sus contrapartes en el mundo real evidencian comportamientos altamente
heterogéneos. Adicionalmente, cuando la dinámica del sistema es no lineal, lo cual es común en las
aplicaciones de negocios, las variaciones locales de dichos promedios pueden ocasionar
desviaciones significantes en el comportamiento del sistema global. En contraste, dado que el
Modelamiento Basado en Agentes (ABM por sus siglas en inglés) es inherentemente local, resulta
23
natural que cada agente monitoree el valor de las variables del sistema y de los demás agentes
localmente sin realizar promedios y por tanto, sin perder las idiosincrasias locales que pueden llegar
a determinar el comportamiento global del sistema.
2.4 Trabajos realizados
A continuación se presenta una breve reseña de algunos de las investigaciones más representativas
en el área de la comercialización de energía eléctrica tanto en el Caso colombiano como en el de
otros mercados desregulados en el mundo, junto con algunos de sus aspectos metodológicos más
importantes. La primera de estas investigaciones es de carácter teórico, apoyada en algunas de las
teorías económicas anteriormente descritas, mientras que las restantes son de carácter más práctico
y se encuentran fundamentadas en el principio de aprendizaje y en la evaluación de estrategias por
medio de modelos de simulación.
Correa (2001) presenta una descripción general del mercado de energía eléctrica en Colombia y
plantea el problema de la caracterización de los contratos de largo plazo, con base en el
comportamiento del precio a diferentes niveles de algunos factores planteados. Dichos factores
corresponden al tipo de contrato (pague lo contratado - PC o pague lo demandado - PD), la
duración del contrato, el precio de bolsa del mes anterior, la participación en el mercado por parte
del agente comprador, y el tamaño relativo del contrato. Para realizar el estudio se empleó la técnica
de análisis de varianza como indicador del nivel de riesgo y se presentan los conceptos teóricos para
la implementación de un modelo general de rendimiento de múltiples índices presentados por Elton
y Gruber (1995), los cuales permiten capturar las influencias externas del mercado que ocasionan
movimientos o variaciones en los precios y consecuentemente en los rendimientos de las
oportunidades de inversión; todo esto bajo el enfoque de la teoría de arbitraje. Finalmente, se usó la
teoría de portafolios eficientes como posible alternativa para la diversificación o reducción del
riesgo afrontado por un agente comercializador al estructurar su cartera. Este trabajo está enfocado
al estudio económico de las oportunidades de inversión de los comercializadores y su consecuente
cubrimiento del riesgo debido a la volatilidad de los precios. Sin embargo, dadas las características
del mercado eléctrico Colombiano que no cuenta con un mercado alterno para diversificar el riesgo
como en el caso del Reino Unido, y a la información incierta que manejan los agentes, resulta difícil
estimar los índices sobre el comportamiento de las oportunidades de inversión, que hacen parte de
la metodología de las teorías analizadas.
24
Raigoza (1999), Bedoya (2001), Ochoa (2002) y Uribe (2002) presentan diversas aproximaciones
de un modelo para simular el comportamiento de un comercializador en el mercado Colombiano,
como una herramienta para la toma de decisiones en la compra de energía eléctrica. Estos trabajos
se caracterizan por presentar un estudio del funcionamiento del mercado y por el análisis de algunas
variables de importancia para la comercialización de energía tales como los tipos de contrato, el
nivel de contratación, la hidrología, el embalse ofertable, la volatilidad del precio de bolsa y el
riesgo de transar en ella, entre otras. Estos cuatro trabajos, junto con otros sobre el planeamiento
energético (Smith y Montoya, 1998; Dyner y Franco, 1998; Arango, 2000), se caracterizan por el
uso de la Dinámica de Sistemas como herramienta para la simulación, la cual se basa en la
representación de las relaciones causales que determinan el comportamiento de un sistema,
haciendo hincapié en los procesos de realimentación y retardo.
En particular, los últimos tres trabajos corresponden a las diferentes etapas de evolución del
proyecto ENERBIZ, en los que se añaden en cada etapa más elementos para aproximar el modelo al
sistema real. Estos trabajos se fundamentan en el uso de micromundos que son representaciones de
la realidad en las que el usuario tiene la capacidad de interactuar con el entorno y visualizar las
consecuencias de sus acciones de modo que puede valorar diferentes estrategias y obtener un mayor
entendimiento del funcionamiento de sistema modelado. Una desventaja de esta aproximación es
que el usuario (o usuarios en el caso de la tercera etapa de ENERBIZ) es la única entidad dotada de
razonamiento en el sistema, mientras que las demás componentes con el que éste interactúa son
modeladas de manera agregada. De este modo, se omiten las interacciones que podrían llevarse a
cabo, así como los posibles comportamientos emergentes que podrían presentarse. Este es el caso de
la competencia, la cual se maneja de manera agregada, es decir, que se asume que si el usuario
presta el rol de comercializador, la competencia que este pueda tener (los demás comercializadores
del mercado) se comporta de manera homogénea. Bajo este esquema solo se evalúa el desempeño
del usuario, sin poder compararlo contra las estrategias que pudiera seguir la competencia u
observar mecanismos de aprendizaje donde los agentes involucrados alteren sus estrategias durante
el tiempo de simulación para obtener ventajas competitivas. Otra característica que comparten estos
cuatro trabajos es que a la hora de su realización no se contaba con la adopción de mecanismos
alternos de negociación de energía eléctrica como el SEC del cual se habló en los antecedentes. Por
tal motivo, estos trabajos carecen dentro de su modelación, de los nuevos aspectos del mercado que
este tipo de propuestas implicarían, como es la normalización de los contratos para brindarle
25
liquidez al mercado, la realización de subastas para la compra de los mismos, y la adopción de
instrumentos para el cubrimiento de riesgo como son las opciones.
Montoya (2003) expone la implementación de una herramienta computacional para la simulación
del mercado, teniendo en cuenta aspectos como las tarifas a usuarios regulados y la evolución de la
demanda no regulada; y plantea el uso de la lógica difusa como nueva herramienta metodológica
para el proceso de toma de decisiones de contratación de energía. Se propone el uso de un
mecanismo de inferencia difuso para la determinación de cantidades y duraciones a contratar en
largo plazo y/o las cantidades a comprar en bolsa de energía, considerando factores tales como:
perfil del decisor, precio de bolsa, tipo de contrato y cantidad de energía contratada para un periodo
dado; así como la influencia en el desempeño financiero de una empresa Comercializadora -
Distribuidora, de factores como: evolución del número de usuarios (regulados y no regulados),
variación de los consumos, pérdidas de energía, desconexiones, migraciones entre tipos de usuarios
y estratos, etc. Este trabajo resulta interesente por la incorporación de mecanismos de inferencia en
los agentes del mercado para representar la racionalidad de los mismos, pero cuenta igualmente con
algunas de las limitaciones expuestas para los trabajos de Raigoza (1999), Bedoya (2001), Ochoa
(2002) y Uribe (2002).
Pastrana (2003) presenta por su parte presenta una simulación del proceso de contratación de
energía eléctrica en base a un modelo multi-agente. En este trabajo, los agentes de software asumen
los roles de comercializadores, generadores y usuarios del mercado e interactúan por medio de
protocolos de comunicación para tranzar ciertas cantidades de energía durante los períodos de la
simulación. Este trabajo posee como gran limitación que el proceso de negociación no tiene en
cuenta aspectos fundamentales del mercado Colombiano como son los tipos de contratos, el
modelamiento de la demanda, y en especial, la bolsa de energía.
Otros trabajos realizados para el caso de los mercados de electricidad del Reino Unido y de Estados
Unidos son los propuestos por Harp et al. (2000), Bower y Bunn (2001), Nicolaisen et al. (2001),
North et al. (2002), Koesrindartoto et al. (2005), Bagnall y Smith (2005). Estos trabajos se
caracterizan por el uso del enfoque MABS para evaluar diferentes aspectos operativos y
económicos de los mercados de dichos países. En estos trabajos los sistemas estudiados son
modelados en términos de agentes de software los cuales asumen el papel de sus contrapartes reales,
es decir, de los generadores, usuarios, comercializadores, transmisores, entidades de control, entre
26
otros. Dichos agentes son dotados con capacidades de razonamiento y con mecanismos de
aprendizaje, con lo cual se recrea en alguna medida el dinamismo de los mercados, y de esta manera
se obtiene un ambiente de simulación que es determinado por la interacción de las partes que lo
componen. A pesar de las ventajas que exhiben los modelos propuestos en estos trabajos, existen
ciertas consideraciones que impiden su adopción para el caso Colombiano. Primero, que la
diferencia entre la estructura y características de estos mercados respecto al mercado Colombiano,
imposibilitan la implementación de los modelos que éstos utilizan de manera directa. Y segundo,
que no existe una metodología claramente definida para su desarrollo ni para la incorporación de los
modelos de aprendizaje que proponen.
2.5 Reflexión
A manera de resumen de este capítulo puede decirse que, pese a que han sido realizados diversos
trabajos para modelar mercados eléctricos con el fin de resolver algunos de los problemas que en
estos se presentan, en particular desde el punto de vista de los agentes comercializadores, aún
existen para el caso Colombiano algunas interrogantes de interés que siguen sin responderse debido
principalmente a dos causas. La primera es que el enfoque macro empleado en los trabajos
nacionales no considera algunos aspectos presentes en estos mercados como es la divergencia de
perfiles y esquemas de razonamiento/aprendizaje de los agentes que en ellos interactúan. Segundo
es que, si bien los trabajos realizados en el exterior tienen un enfoque micro que permitiría la
evaluación de tales aspectos, la manera que en fueron llevados a cabo junto a la diferencia entre la
naturaleza de los mercados que modelan y la del mercado Colombiano impiden su extrapolación
hacia este último de manera directa. Ambos inconvenientes motivan la realización de este trabajo
cuya originalidad consiste en emplear un enfoque poco tratado en el país para resolver problemas
coyunturales a los que se enfrentan los agentes comercializadores de los mercados de energía y en
hacer aportes metodológicos respecto al desarrollo de modelos relacionados con sistemas de
inferencia y de aprendizaje que pueden ser usados de referencia para la realización de trabajos
futuros en este campo.
27
CAPÍTULO 3 PROPUESTA METODOLÓGICA PARA LA CONSTRUCCIÓN DE
MODELOS DE SIMULACIÓN BASADOS EN SISTEMAS MULTI-AGENTE
A pesar de que los modelos de simulación basados en agentes (MABS por sus siglas en inglés) han
sido usados con éxito durante la última década para entender diversos procesos sociales así como
para apoyar la formulación y evaluación de políticas en diferentes sistemas (Conte et. al., 1998;
Tesfatsion, 2002), ha habido pocos esfuerzos para formalizar, sistematizar y comunicar métodos
para su desarrollo (Ramanath y Gilbert, 2003). Esto se debe principalmente a que MABS es aún un
campo de estudio reciente, donde existe una marcada falta de acuerdos sobre los acercamientos,
técnicas y herramientas para su desarrollo (Gilbert y Bankes, 2002; Edmonds, 2000; Florez-
Mendez, 1999; Petrie, 2001).
Previamente en la sección de antecedentes se había mencionado esta falencia y se había resaltado
que, si bien han habido trabajos que a partir del enfoque MABS han logrado un modelado adecuado
de sistemas complejos como son los mercados de energía, no han evidenciado el seguimiento de
una metodología formal para su desarrollo, haciéndolos difícil de replicar. Esta característica
justifica precisamente el primer objetivo de este trabajo de investigación. Así, en el resto de este
capítulo se exponen diversos enfoques y sus correspondientes metodologías las cuales pueden ser
empleadas para la creación de proyectos MABS describiendo sus fortalezas y debilidades.
Posteriormente, con base en ellas, se propone una metodología que recoje sus puntos más
sobresalientes de manera que el resultado es una metodología robusta y bien formalizada.
4.1 Enfoques y metodologías existentes
Algunas de las metodologías propuestas para el desarrollo de MABS tienen sus bases en diversos
campos como la simulación de sistemas, la ingeniería de software y la ingeniería de software
orientada a agentes; cada uno de los cuales posee su propio enfoque sobre las fases que deben
contener y sobre los artefactos (entiéndanse los modelos, diagramas, plantillas, etc.) utilizados para
llevarlas a cabo.
28
4.1.1 Simulación de sistemas
La simulación de sistemas, y más específicamente la simulación basada en modelos
computacionales, consiste en una intersección entre las ciencias sociales, matemáticas y de la
computación, que busca la creación de modelos simplificados de la realidad estudiada. Para el
desarrollo de tales modelos se siguen unos pasos genéricos presentados en la Figura 3.1. El
inconveniente de este esquema es que es demasiado general y no presenta una formalización sobre
los artefactos que deben utilizarse en cada fase.
Figura 3.1. Esquema del proceso de desarrollo de modelos de simulación
4.1.2 Ingeniería de software
La ingeniería de software por su parte, se fundamenta en una aproximación denominada ciclo de
vida del software, el cual es un paradigma universalmente aceptado para la creación de software y
que se compone de las fases genéricas de conceptualización o especificación, análisis, diseño,
implementación o construcción, transición, producción y mantenimiento (Jiménez, 2003). La
realización de dichas fases puede ser vista como un proceso retroalimentado, en el cual la
Conceptualización
Diseño
Verificación
Implementación
Validación
Publicación de resultados
Replicación
Preguntas de investigación Sistema real
29
elaboración de una fase puede producir cambios en otra anterior, tal como se muestra en la Figura
3.2.
Este paradigma ha sido criticado por ser demasiado “duro” para la creación de sistemas
caracterizados por emular actividades humanas (Checkland y Scholes, 1990) pues se centra en la
sistematización de procesos, dejando de lado muchas de las ambigüedades inherentes a los procesos
sociales. De aquí que los debates acerca del uso de los metodologías provenientes de este paradigma
para la producción de sistemas con implicaciones organizacionales, culturales, políticas, etc.
continúen en el campo de la ingeniería de sistemas (Ramanath, 2000).
Figura 3.2. Ciclo de vida del software
Esto no quiere decir que metodologías de la ingeniería de software como Rational Unified Process –
RUP (Ericsson, 2000), Extreme Programming – XP (Wells, 2001), UN Método (Jímenez, 2003),
entre otras, se deban descartar para el desarrollo de MABS, si no que, por sí solas, no toman en
consideración todos los aspectos necesarios para llevar a cabo este tipo de proyectos. En cambio, si
Conceptualización
Análisis
Implementación
Diseño
Transición
Producción
Mantenimiento
Especificación de requerimientos
30
pueden brindar un aporte valioso en el sentido que pueden ayudar a alcanzar un acercamiento
sistémico más disciplinado y formalizado para su desarrollo.
4.1.3 Ingeniería de software orientada a agentes
Por último, la Ingeniería de Software Orientada Agentes (AOSE, por sus siglas en inglés) es un
paradigma relativamente reciente que usa la noción de agente como entidad de abstracción primaria
(Jennings y Wooldridge, 2000), y en el cual nuevas metodologías y plataformas han ido surgiendo
para la creación de sistemas multi-agente a medida que recibe más atención por parte de la
comunidad científica. Entre dichas metodologías algunas de las más utilizadas son: MAS-
CommonKADS (Iglesias, 1998), GAIA (Wooldridge et. al., 2000), Styx (Bush et. al., 2001) y
MaSE (DeLoach, 2001), aunque hay también algunos trabajos que proponen la combinación de
varias de estas como es el caso de Cernuzzi y Zambonelli (2005). Entre las plataformas se
encuentran: ZEUS (Nwana et. al., 1998), JADE (Bellifemine et. al., 1999) y FIPA-OS (Posland et.
al., 2000). Una descripción de estas metodologías y plataformas, junto con una breve comparación
entre ellas puede encontrarse en el trabajo de Pastrana (2003).
Para el desarrollo de proyectos de sistemas multi-agente (MAS, por sus siglas en inglés) dichas
metodologías comparten las fases genéricas de análisis y de diseño, siendo algunas más extensas al
considerar una fase previa de conceptualización y, en el caso de aquellas que están asociadas a una
plataforma, una fase posterior de implementación. Un diagrama del proceso de realización de
dichas fases se presenta en la Figura 3.3.
Figura 3.3. Esquema del desarrollo de software orientado a agentes
Conceptualización
Análisis
Implementación
Diseño
Especificación de requerimientos
31
Una ventaja que presentan estas metodologías para el desarrollo de MABS, es que permiten una
representación en términos de agentes de las entidades modeladas, incluyendo aspectos claves de
estos sistemas como son la organización, el razonamiento, los mecanismos de comunicación y de
coordinación, entre otros. Sin embargo, tienen como inconveniente desde el punto de vista de
MABS, que son más orientados al desarrollo de sistemas de software distribuidos que para modelos
de simulación, por lo que no tienen en consideración algunos aspectos relevantes de los procesos
llevados a cabo.
4.2 Metodología propuesta
A manera de resumen, las fortalezas de los tres enfoques analizados en la sección anterior son: el
enfoque sistémico y la consideración de las fases de verificación y validación de los modelos de
simulación; la formalización, el uso de estándares y el proceso de desarrollo en espiral de las
metodologías de creación de software; y la orientación a agentes (junto con las repercusiones que
ésto representa) de AOSE. Sin embargo, dentro de dichos enfoques, no existe una metodología
única que agrupe todos los requerimientos necesarios para la construcción de proyectos MABS. Por
tal motivo, dentro de este trabajo se propone una metodología robusta que recoge las ventajas de
cada uno de estos enfoques así como algunos de los artefactos utilizados en las diferentes fases que
algunas de sus metodologías correspondientes proponen.
Una comparación entre las metodologías analizadas en la que se especifica las fases que contemplan
y los artefactos que utilizan, se presenta en la Tabla 3.1. En contraste, un esquema de las fases de la
metodología propuesta así como de los artefactos empleados en cada una, se presenta en la Figura
3.4.
4.2.1 Fase de captura de requerimientos
Esta fase se considera una fase previa al proceso de modelado en la que se recopila la información
relacionada con el dominio del sistema a modelar. Dicha información debe ser lo más completa
posible, puesto que es el punto de partida para la realización de las fases posteriores y puede
provenir de una o varias fuentes como: entrevistas con expertos del dominio, cuestionarios,
informes técnicos y/o conceptuales, diagramas de procesos, entre otros.
32
4.2.2 Fase de conceptualización
Esta fase busca brindar un contacto inicial con el problema de estudio. Consiste en explorar y
delimitar dicho problema y elaborar un primer esbozo del sistema que puede resolverlo. En esta fase
se identifican las entidades que hacen parte del sistema real, así como sus objetivos, tareas e
interacciones; y de manera global, el funcionamiento del sistema.
Tabla 3.1. Comparación entre metodologías
En la metodología propuesta se hace uso del análisis centrado en el usuario, propio de las
metodologías orientadas a objetos, y cuyo principal objetivo es comprender las necesidades de los
usuarios respecto al sistema en construcción. Para el caso de MABS, el usuario al que se hace
referencia sería el experto en el dominio sobre el que se hace el modelo (o el modelador, en caso
que éste cuente con dicho conocimiento); mientras que las necesidades o requisitos de los cuales se
habla pueden traducirse en la recopilación de las características y funcionalidad que debe poseer el
sistema en desarrollo para simular su contraparte real.
Fase Metodología Conceptualización Análisis Diseño Implementación
MAS-Common KADS
- Casos de uso y MSCs - Modelo de agente - Modelo de tareas - Modelo de organización - Modelo de experiencia - Modelo de coordinación - Modelo de comunicación
- Diseño de red - Diseño de agentes - Diseño de plataforma
GAIA - Modelo de roles - Modelo de interacción
- Modelo de agentes - Modelo de servicios - Modelo de conocimiento
Styx - Identificación de roles y conceptos
- Mapas de casos de uso - Modelo de conceptos del dominio
- Modelo de responsabilidades - Modelo de despliegue - Modelo de relaciones entre roles
- Esqueleto de agentes - Código especifico de la aplicación
MaSE - Modelo de jerarquía de metas
- Casos de uso - Diagramas de secuencia - Modelo de roles - Modelo de tareas concurrentes
- Clases de agentes - Conversaciones - Arquitectura de agentes - Diagrama de despliegue
- Implementación en agentTool
UN Método - Actores y roles - Grafo conceptual - Modelo del dominio - Diagrama de procesos - Diccionario de datos - Diagrama de objetivos - Diagrama de espina de pescado
- Modelo de datos - Modelo de funciones - Diagramas de transición de estados - Matriz CRUD - Arquitectura técnica - Estrategias de conversión de datos
- Modelo lógico de datos - Plan de capacidad - Diseño de la aplicación - Esquema de autorización - Modelo de pruebas del sistema - Estrategias de transición - Manual de usuario inicial
- Diseño físico de datos - Código especifico de la aplicación - Manual del usuario completo - Plan de instalación - Pruebas Alfa
33
Figura 3.4. Esquema de desarrollo de la metodología propuesta
La captura de requisitos del usuario ha sido tratada en varias metodologías orientadas a objetos,
como Object Modeling Technique - OMT (Rumbaugh et. al., 1991), Object Oriented Software
Conceptualización
Análisis
Implementación y verificación
Diseño
Validación
Estudio de Resultados
Replicación
Captura de requerimientos (sistema real)
- Casos de uso
- Modelo de roles (Diagrama y plantilla de roles)
- Modelo de entorno (Plantilla de componentes de entorno)
- Modelo de tareas (Diagrama de actividad UML)
- Modelo de razonamiento y aprendizaje (Diagrama de flujo)
- Modelo de ontología (Diagrama de conceptos)
- Modelo de coordinación (Diagrama de secuencia de mensajes)
- Modelo de agentes (Árbol de tipos de agentes)
- Modelo de comunicación (Definición de agentes de red, lenguajes y protocolos)
- Modelo de plataforma (Diagrama de despliegue UML)
- Código fuente - Registro de versionamiento
- Plantilla de pruebas de validación
- Plantilla de informe de resultados
34
Engineering - OOSE (Jacobson et. al., 1992), Real time Object Oriented Modeling - ROOM (Selic
y Ward, 1994) y Unified Modeling Language – UML (OMG, 2005), aunque no es específica de las
metodologías orientadas a objeto, sino que es una técnica aplicable en otras áreas como el modelado
de procesos de negocios (Pressman, 2002).
Casos de uso
Para esta fase se propone la utilización de casos de uso (Rumbaugh, 1995) común para las
metodologías de la ingeniería de software y utilizados en la mayoría de metodologías orientadas a
agentes. Este modelo describe las relaciones que se presentan entre las entidades que hacen parte
del sistema analizado a un nivel de abstracción elevado, es decir, sin entrar en muchos detalles. En
este modelo dichas entidades se denominan actores y las interacciones se denominan usos. El
análisis mediante casos de uso consiste en (Iglesias, 1998):
• Identificar los actores: Interesa identificar los papeles que desempeñan los elementos que
interactúan al interior del sistema y externos a él, considerando cada papel como un actor
diferente. Normalmente este proceso requiere varias iteraciones.
• Identificar los casos de uso. Para esto, es posible hacer las siguientes preguntas:
- ¿Cuáles son las principales tareas o funciones realizadas por cada actor?
- ¿Qué información del sistema desea, adquiere, produce o cambia cada actor?
• Agrupar los casos de uso si parecen variaciones del mismo tema.
• Determinar las interacciones de cada caso de uso identificado. En particular, el actor que inicia
cada caso de uso, si hay precondiciones que deben ser ciertas para que un caso de uso pueda
comenzar, y la conclusión lógica del proceso.
• Describir los casos de uso. Los casos de uso se suelen describir informalmente empleando
lenguaje natural o derivaciones de la notación gráfica propuesta por Jacobson (1992),
presentada en la Figura 3.5.
• Buscar relaciones entre casos de uso: factorizar partes comunes e indicar si un caso de uso
agrega las interacciones de otro (relación “usa”) o añade información de otro caso (relación
“extiende”).
35
Figura 3.5. Notación gráfica de los casos de uso
4.2.3 Fase de análisis
El objetivo de esta fase es la construcción de modelos conceptuales que permiten representar tanto
la estructura como el comportamiento del sistema. Un modelo conceptual se utiliza para especificar
el “qué” del espacio del problema, sin importar todavía el “cómo” se llegará a la solución, lo que lo
hace independiente de la implementación. Como puede deducirse de las Figuras 3.1, 3.2 y 3.3, esta
fase es común para la ingeniería de software y para AOSE, mientras que no es considerada en el
esquema de la simulación de sistemas en la que el “qué” y el “cómo” se modelan de manera
conjunta en la fase de diseño.
Para el desarrollo de esta fase se hace uso en la metodología propuesta de varios modelos que
buscan representar diferentes aspectos del sistema, de manera que todos se complementan para dar
una visión general de éste.
4.2.3.1 Modelo de roles
Es el modelo de partida en la fase de análisis, en el que se identifican, con base en los actores
previamente definidos en la fase anterior, cuáles van a ser los roles existentes en el sistema. El
concepto de rol puede entenderse como una descripción abstracta del papel llevado a cabo por cada
entidad, el cual tiene asociado una serie de responsabilidades (o funciones) dentro del sistema, así
como un conjunto de capacidades para cumplirlas. Un rol es, en otras palabras, lo que se espera que
un agente haga dentro del sistema, tanto de manera autónoma, como en cooperación con otros
agentes. Usualmente, un rol puede definirse como una tarea específica que el agente debe cumplir
dentro del sistema. En algunas ocasiones sin embargo, una noción más precisa de rol es que éste le
brinda al agente una posición bien definida al interior del sistema, y ésta tiene asociada una serie de
comportamientos esperados.
Caso de uso i
Caso de uso j
Caso de uso k
usa
extiendeActor n
36
Para este modelo se utiliza como artefacto un diagrama de roles propio de la metodología propuesta,
como el que se muestra en la Figura 3.6. En éste se representan los roles identificados por medio
recuadros, así como las interacciones entre ellos: una línea sencilla denota una
comunicación/colaboración, una flecha denota una relación de autoridad/jerarquía, y una línea con
un triángulo al final denota una relación de herencia (donde el rol que se encuentra en el extremo
del triángulo puede entenderse como una subclase/especialización del otro).
Figura 3.6. Diagrama de roles
En este modelo también se utiliza una plantilla de roles como la que se muestra en la Tabla 3.2 para
complementar el diagrama anterior, donde se presenta por cada rol la descripción de su papel dentro
del sistema, sus objetivos y las responsabilidades que tiene asignadas así como las capacidades con
las que cuenta y la información que necesita para realizarlas.
Tabla 3.2. Plantilla de rol
Rol: <nombre del rol> Objetivos: <descripción textual> Responsabilidades: <Responsabilidad 1> <Responsabilidad 2> … <Responsabilidad n> Capacidades: <Capacidad 1> <Capacidad 2> … <Capacidad m> Información requerida: < Información 1>
Usuario Rol 1
Rol 3
Rol 2.1
Rol 4
Rol 5 …
Rol 2
37
< Información 2> … < Información k>
4.2.3.2 Modelo de entorno
En este modelo se especifica el entorno dentro del cual interactúan los roles del sistema, es decir, se
describen los componentes del sistema que no son agentes, pero que de alguna forma intervienen
con los procesos llevados a cabo por éstos. Tal intervención puede entenderse como un flujo de
información uni o bidireccional entre los roles y el entorno en el que se puede identificar las
entradas, en caso que éstas sean necesarias; y las salidas de dicha información, si es que hay alguna.
El proceso mediante el cual tal información es procesada también se describe en este modelo por
medio de la plantilla textual, a menos que éste sea una “caja negra”, o sea irrelevante en el modelo
de simulación. El artefacto utilizado en este modelo es la plantilla de componentes de entorno,
como la que se presenta en la Tabla 3.3.
Tabla 3.3. Plantilla de componentes de entorno
Componente: <nombre> Entradas
Dato Emisor(es) • <descripción> • <descripción>
<nombre del rol o componente>
Procesos <descripción del procesamiento de la información>
Salidas Dato Receptor(es)
• <descripción> • <descripción>
<nombre del rol o componente>
4.2.3.3 Modelo de tareas
Este modelo sirve para detallar la funcionalidad de cada rol y consiste en descomponer y describir
cada una de las tareas llevadas a cabo por éstos como un secuenciamiento de actividades para
cumplir con sus responsabilidades, tomando en consideración sus capacidades, la información que
necesitan y su interacción con el entorno. Para este modelo se utilizan los diagramas de actividad
(Rumbaugh, 1991) de la notación UML como medio de representación, como se ilustra en la Figura
3.7. Este diagrama es usado generalmente para explorar la lógica bien sea de una operación o de
una regla de negocio compleja.
38
Figura 3.7. Diagrama de actividad para representar una tarea t
4.2.3.4 Modelo de razonamiento y aprendizaje
La función de este modelo es identificar las estructuras de inferencia utilizadas por los roles para
llevar a cabo algunas de las actividades que tienen asociadas, bien sea que éstas sean de carácter
reactivo (respuestas ante estímulos o peticiones provenientes de otros agentes) o proactivo (que
sean realizadas de manera autónoma según el juicio del propio agente). Este modelo encapsula las
creencias, objetivos, capacidades y decisiones de cada rol, relacionándolas con las actividades que
deben llevar a cabo. En este contexto una creencia puede ser entendida como una regla de
razonamiento que puede ser alterada según los acontecimientos que se presenten.
El artefacto utilizado para la representación de este modelo es el diagrama de flujo (Tansley y
Hayball, 1993) presentado en la Figura 3.8 donde se esquematiza la lógica de razonamiento para
realizar una determinada actividad. Este modelo es uno de los aportes principales de la metodología
propuesta, puesto que no existe un modelo paralelo en las metodologías analizadas que trate de
manera formal este aspecto de los agentes.
Actividad 1
Actividad 3
Actividad n
Actividad 2
Actividad 3.1
Actividad 3.2
Actividad n+1
Rol 1
Rol 2
Rol n
Tarea t:
39
Figura 3.8. Diagrama de flujo para representar la lógica de razonamiento r
4.2.3.5 Modelo de ontología
El objetivo de este modelo es describir la ontología u ontologías del sistema, es decir, la estructura y
significado de los principales conceptos agrupados por dominio de aplicación que serán
comunicados entre los agentes (independientemente de la forma que en que se empaqueten) y sus
relaciones. La representación de este modelo es similar a la utilizada por el diagrama de clases de
UML (OMG, 2005), donde se presentan los conceptos de la ontología junto con los términos que
los componen, tal como se muestra en la Figura 3.9. Las restricciones de los términos o atributos de
cada concepto, junto con una descripción mas detallada deben especificarse en una plantilla por
separado, como se presenta en la Tabla 3.4.
Tabla 3.4. Plantilla de concepto
Concepto i Nombre Tipo Restricción Requerido Valor por
defecto Atributo 1 Flotante [0,1000] Si 100 Atributo 2 Texto {“A”, “B”, “C” } No “A”
… … … … … Atributo m Booleano Si Verdadero
Evaluar condición 2
Realizar acción n
Actualizar creencia k
Evaluar condición m
condición 1? condición 2?
mientras ~condición 1
Inferencia de la actividad i según el objetivo j
creencia k
Razonamiento r:
40
Figura 3.9. Diagrama de conceptos para representar la ontología o
4.2.3.6 Modelo de coordinación
Este modelo permite profundizar en las interacciones entre los roles identificando su objetivo, los
participantes y las fases de las que se componen. Dichas interacciones se agrupan en conversaciones
o protocolos, que pueden ser vistos como patrones formalizados de comunicación. El artefacto
utilizado en este modelo es el diagrama de secuencias de mensajes (MSC, por sus siglas en inglés)
(Iglesias, 1998), donde se representa el flujo de intercambio de mensajes agrupado por
conversaciones, tal como se muestra en la Figura 3.10.
Figura 3.10. Diagrama de secuencia de mensajes
Rol emisor Rol receptor
mensaje 1
mensaje 2
mensaje 3
mensaje 4
ALT
…mensaje x
Concepto 1
Atributo 1 Atributo 2
… Atributo m
Concepto 2
Atributo 1 Atributo 2
… Atributo p
Concepto j
Atributo 1 Atributo 2
… Atributo q
Concepto k
Atributo 1 Atributo 2
… Atributo t
Concepto h
Atributo 1 Atributo 2
… Atributo x
1-1
0-10-N
0-N
Ontología o:
41
4.2.4 Fase de diseño
Mientras que la fase anterior se encarga del “qué”, la fase de diseño se encarga del “cómo” de lo
que debe hacer el sistema en desarrollo. Desde el punto de vista de la ingeniería del software, el
objetivo de esta fase es transformar los modelos provenientes de la fase de análisis en modelos con
un nivel de abstracción lo suficientemente bajo para poder traducirlos posteriormente a código
fuente durante la implementación. Sin embargo, éste no es el objetivo principal en el caso de AOSE
donde no hay un mapeo uno a uno entre los modelos de ambas etapas. En cambio, lo que se busca
es ampliar la especificación de los requisitos funcionales del sistema e introducir los no funcionales
que deben tenerse en cuenta para su implementación, buscando además la independencia del
modelo de la plataforma de construcción.
Al igual que en el caso de la fase de análisis, para el desarrollo de esta fase se hace uso en la
metodología propuesta de varios modelos que representan diferentes vistas del sistema, capturando
ciertos aspectos (ahora más técnicos) que no habían sido considerados. Estos aspectos servirán más
adelante para traducir los modelos en código fuente o en comandos de la plataforma en la que se
monten los agentes.
4.2.4.1 Modelo de agentes
En este modelo se especifican los diferentes tipos de agentes que existirán en el sistema, así como
las instancias de dichos agentes durante la ejecución. Se entiende entonces por agente aquella
entidad que desempeña uno o más roles dentro del sistema y por tanto posee las características que
éstos especifican (responsabilidades, capacidades, etc.) definidas en la fase anterior.
Figura 3.11. Árbol de tipos de agentes
Rol 1 Rol 3 Rol n
Tipo de agente 1
Tipo de agente 3.1
Tipo de agente 3.2
Tipo de agente m
Rol 2
Tipo de agente 2
… 1.1 n.1 0.1n.11.1
42
Para la representación de este modelo se utiliza un árbol de tipos de agentes, en el cual los nodos
raíz corresponden a los roles y los demás nodos a los tipos de agentes, presentándose un mapeo
lógico entre ambos, como se muestra en la Figura 3.11. La cardinalidad de las asociaciones se
representa con notación n…m, aunque usualmente son relaciones uno a uno.
4.2.4.2 Modelo de comunicación
En este modelo se especifican los requerimientos de las comunicaciones entre los agentes, ya no
desde el punto de vista sintáctico y semántico analizados en el modelo de ontología y coordinación
respectivamente, si no desde el punto de vista del transporte.
Por una parte, es necesario precisar si son necesarios agentes adicionales para administrar la
comunicación entre los agentes del sistema (Agentes Servidores de Nombres – ANS, Agentes
Facilitadores – DF, Agentes de Canal de Comunicaciones – ACC, Agentes Intermediadores o
Brokers, Agentes Gestores de Grupos, etc.) algunos de los cuales hacen parte de estándares como
FIPA (García, 2000).
Por otra parte, se debe especificar el lenguaje de transporte utilizado, es decir, el lenguaje en el cual
se encapsulan los mensajes transmitidos entre los agentes. En este punto se debe definir el estándar
(FIPA ACL, KQML, u otro) y la versión utilizada o, en caso de utilizar uno propio, definir la
estructura de la transmisión de mensajes junto con las preformativas utilizadas.
Igualmente, es necesario identificar los protocolos de comunicación utilizados durante las
conversaciones, en caso que éstas se descompongan en uno o varios de éstos. En este punto debe
definirse si se utilizan protocolos estándar como los de FIPA (ej: FIPA-ContractNet, FIPA-Request,
FIPA-DutchAuction, etc.) o si se utilizan unos propios, definir el diagrama de secuencia de éstos.
4.2.4.3 Modelo de plataforma
Este modelo permite documentar las decisiones de bajo nivel sobre las características de la
plataforma sobre la que se montará el sistema como el lenguaje de implementación seleccionado, el
software y hardware empleado, etc. Dicha plataforma de desarrollo puede ser una ya existente como
ZEUS, JADE, FIPA-OS, etc. o una plataforma propia. El artefacto utilizado en este modelo es el
diagrama de despliegue de UML (OMG, 2005), como el que se muestra en la Figura 3.12, en el que
se especifican los módulos que contiene el sistema (agrupamiento de agentes según algún
parámetro), su ubicación, su medio de comunicación y la conexión con otros sistemas, repositorios
de información o plataformas.
43
Figura 3.12. Diagrama de despliegue
4.2.5 Fase de implementación y verificación
Esta fase se compone de dos etapas: En la primera se lleva acabo la construcción del sistema como
tal, es decir, se traducen los modelos de las fases anteriores a código fuente o a una plataforma
existente. En esta etapa es importante documentar el proceso de codificación y especificar los
detalles técnicos más significativos como el lenguaje o plataforma utilizada, versión, etc. La
segunda etapa, conocida como verificación interna, consiste en verificar la correcta correspondencia
durante la transformación entre las representaciones abstractas de los modelos de las fases
anteriores y el sistema implementado (el modelo de simulación como tal). Es decir, en asegurar que
el código fuente generado verdaderamente refleje el comportamiento implícito de las
especificaciones desarrolladas desde el modelo conceptual. En esta etapa es necesario depurar el
sistema, preferiblemente usando algunos casos de estudio con resultados predecibles. En caso tal
que el resultado de la verificación obligue a realizar cambios en algún componente del modelo, es
necesario llevar un registro de versionamiento en el que se indiquen dichos cambios.
4.2.6 Fase de validación
Mientras que en la etapa de verificación de la fase anterior se chequea que el sistema “funcione”, en
la fase de validación se chequea que “funcione como debe hacerlo”. En otras palabras, mientras que
la verificación se preocupa porque el sistema desarrollado se ejecute como el modelador espera que
lo haga, la validación se preocupa porque el sistema sea un buen reflejo de su contraparte real. En el
caso de MABS particularmente, es necesario que en esta fase la validación se lleve a cabo tanto a
Agente 1
PC 1
Agente n
PC 2
Grupo de agentes 1
Grupo de agentes m
Base de Datos
Servidor 1 <http> <JDBC>
<RMI> Sistema k
Sistema 1
[Java] [C++]
44
nivel micro (a nivel de cada uno de los agentes) como macro (a nivel de la estructura global,
entendida como el resultado de las interacciones entre las partes componentes). Esta fase consiste
entonces en la realización de una serie de pruebas generales para validar el modelo de simulación,
aunque haciendo la salvedad que la aplicación de las mismas dependerá de la naturaleza del
modelo. Estas pruebas han sido recopiladas del trabajo de Sterman (2000) las cuales, aún cuando se
basan en el enfoque de la dinámica de sistemas para la construcción de los modelos de simulación,
se consideran genéricas para modelos de cualquier tipo.
a) Suficiencia de límites: Esta prueba consiste en comprobar que los componentes exógenos al
modelo (tanto constantes como variables) sí poseen en realidad esta naturaleza. Esto se lleva a
cabo verificando que no haya relaciones omitidas dentro del modelo que alteren dichos
componentes y que por tanto deban ser tratados como endógenos.
b) Consistencia de estructura: Esta prueba determina si el modelo de simulación es consistente con
el conocimiento que se tiene del sistema real. Para determinar esto se evalúan tres aspectos: su
nivel de agregación, la veracidad del modelo frente a realidades físicas como las leyes de
conservación, y el realismo en las reglas de decisión de los agentes. En el primer caso se puede
construir un submodelo con base en el existente con mayor o menor nivel de detalle y evaluar si
hay un efecto significativo con los resultados obtenidos frente al original. En el segundo caso es
necesario buscar inconsistencias y suposiciones inapropiadas dentro del modelo sobre la
disponibilidad, costos, duración y otros parámetros acerca de los recursos y actividades
modelados. En el último se sugiere llevar a cabo experimentos en los que se contraste el
comportamiento de cada entidad del modelo de simulación, así como del modelo como tal,
contra los comportamientos observados en personas o grupos reales.
c) Consistencia dimensional: Ésta es una prueba sencilla en la que se verifica que todas las
constantes y variables utilizadas en el modelo estén correctamente dimensionadas. Errores
encontrados en esta prueba pueden indicar desde simples errores tipográficos hasta vacíos en el
entendimiento del proceso siendo modelado.
d) Valoración de parámetros: Esta prueba complementa la anterior y consiste de dos partes. La
primera es verificar que todas las constantes y variables utilizadas tienen un significado claro y
real en su contraparte real. La segunda consiste en verificar la forma de la evaluación de dichos
45
parámetros, bien sea que se haya llevado a cabo por medios estadísticos a partir de datos
numéricos, o por estimación en base a juicios.
e) Condiciones extremas: Esta prueba busca determinar la robustez del modelo de simulación ante
condiciones extremas, es decir, que éste debe comportarse de manera realista sin importar el
valor de las entradas impuestas al modelo. Algunos ejemplos de estos casos pueden ser los
inventarios no pueden ser negativos sin importar las condiciones del mercado, que las
demandas deben ser nulas cuando los precios se alejen al infinito, etc.
f) Reproducción de comportamientos: Para esta prueba es posible utilizar varias herramientas
como indicadores de que el modelo de simulación efectivamente reproduce el comportamiento
del sistema real. Las más comunes son las medidas estadísticas descriptivas que realizan una
evaluación punto a punto, es decir, que calculan el error entre la serie de datos reales Xd y las
salidas Xm del modelo, reportando algún tipo de promedio sobre el horizonte de tiempo.
Algunas de estas medidas se presentan en la Tabla 3.5. La elección de utilizar una medida u otra
(o bien un conjunto de ellas) depende del modelador, aunque debe venir siempre acompañada
de la graficación de los datos simulados contra los reales como una herramienta
complementaria de evaluación.
Tabla 3.5. Estadísticos comunes de ajuste
Métrica Definición Formula R2 Coeficiente de correlación
(adimensional) ( )( ) 22 1
⎥⎦
⎤⎢⎣
⎡ −−= ∑
md
mmdd
SSXXXX
nR
( )∑ ∑ −== 21;1 XXn
sXn
X
MAE Error Absoluto Medio (unidades de los datos) ∑ −= dm XX
nMAE 1
MAPE Error Porcentual Absoluto Medio (adimensional)
%1001×
−= ∑
d
dm
XXX
nMAPE
MAE Mean
Error Absoluto Medio como una fracción de la media (adimensional)
%100×=dX
MAEMeanMAE
MSE Error Cuadrático Medio (unidades2 de los datos) ( )∑ −= 21
dm XXn
MSE
RMSE Raíz del Error Cuadrático MSERMSE =
46
Medio (unidades de los datos)
Estadístico de desigualdad de Theil
Descomposición del MSE en tres componentes: bias (UM), variación desigual (US) y covariacion desigual (UC) UM+US+UC=1 (adimensional)
( ) 2
22
22
;12 RrMSE
SSrU
MSESSU
MSEXXU
dmC
dmS
dmM
=−
=
−=
−=
Existen, sin embargo, algunas circunstancias en las que el modelo de simulación no
necesariamente presenta una correspondencia punto a punto con el sistema real, aún cuando
dicho modelo esté perfectamente especificado. Estas circunstancias hacen referencia a sistemas
como los mercados volátiles y las cadenas de abastecimiento, los cuales pueden amplificar
ciertos comportamientos debido a los sobresaltos aleatorios que los perturban. En estos casos
hay que tener en cuenta que pequeñas diferencias en los eventos aleatorios pueden alterar
dramáticamente la trayectoria del sistema, incluyendo su equilibrio final (en caso que lo tenga);
y por tal motivo el mundo real puede pensarse como una de las tantas posibles realizaciones del
proceso.
g) Análisis de sensibilidad: Esta prueba determina si las conclusiones obtenidas a partir de los
resultados arrojados por el modelo de simulación varían de manera considerable cuando se
alteran ciertos parámetros dentro de su correspondiente universo del discurso. Existen tres tipos
de sensibilidad: numérica, de comportamiento, y de política. La primera existe cuando un
cambio en el valor de uno o más parámetros altera los valores numéricos de los resultados, sin
cambiar su tendencia. La segunda se presenta cuando un cambio en el valor de uno o más
parámetros altera los patrones de comportamiento generados por el modelo (de transiciones
suaves a saltos bruscos, de tendencias constantes a oscilaciones, etc.). La última se presenta
cuando un cambio en el valor de uno o más parámetros reversa los impactos de una política
propuesta, es decir, si produce efectos contrarios. Para llevar a cabo esta prueba es posible
utilizar varios métodos. Uno de ellos puede ser el de evaluar los escenarios mejores y peores, es
decir, aquellos que produzcan los resultados más favorables o desfavorables respectivamente
desde el punto de vista del modelador, y determinar si los patrones de comportamiento difieren
considerablemente en la forma, o si sólo lo hacen en los valores alcanzados. Otro método más
general es usar simulaciones Monte Carlo, las cuales permiten generar intervalos de confianza
47
dinámicos para las trayectorias de las variables del modelo de simulación, especificando una
distribución de probabilidad que caracterice los valores de cada parámetro a analizar.
El artefacto utilizado en esta fase es una tabla resumen con los resultados de cada una de estas
pruebas, como la que se presenta en la Tabla 3.6, donde la columna “Resultado” puede tener uno de
los valores: Satisfactoria, Insatisfactoria, No aplicable, y No concluyente. Mientras que la columna
“Observaciones” contiene información adicional sobre el método utilizado y los resultados
obtenidos. Si bien esta tabla no es un instrumento rígido que deba emplearse en todos los proyectos
realizados, sí sirve como una guía para establecer algunas de las pruebas que pueden ser llevadas a
cabo durante esta fase.
Tabla 3.6. Plantilla de las pruebas de validación
Prueba Resultado Observaciones Suficiencia de límites Consistencia de estructura Consistencia dimensional Valoración de parámetros Condiciones extremas Reproducción de comportamientos
Análisis de sensibilidad
4.2.7 Fase de estudio de resultados
Como fase final de la metodología, siendo la más importante para el usuario del modelo (sea éste o
no el mismo modelador), se encuentra la fase de estudio de resultados. En esta fase generalmente se
llevan a cabo diferentes análisis de escenarios o casos de estudio, en los que se ejecuta el modelo de
simulación dentro de unas condiciones controladas y bajo ciertos parámetros para luego estudiar los
resultados obtenidos. Igual que en la fase de validación, el análisis que se realiza en esta fase se
hace tanto a nivel micro como macro, es decir, desde el comportamiento individual de cada agente,
hasta el comportamiento emergente del sistema resultado de las interacciones. El proceso llevado a
cabo en esta fase debe seguir pautas del diseño de experimentos y debe especificar de manera clara
y concisa las características de los escenarios propuestos junto con los resultados obtenidos y sus
correspondientes interpretaciones. En esta fase sin embargo, la metodología propuesta no presenta
ningún artefacto para representar el proceso, pero si exhorta, como ya se mencionó, a la
presentación de los resultados obtenidos de una manera adecuada, que contenga algunos de los
elementos mostrados en la Tabla 3.7.
48
Tabla 3.7. Plantilla de informe de resultados
Escenario <Descripción> Características
<Valor de los parámetros> valores fijos distribuciones de probabilidad … <Supuestos>
Resultados <Resultados puntuales> tiempo de ejecución períodos de simulación … <Tablas> variables acumuladoras … <Graficas> variables vs. tiempo …
Interpretación Conclusiones
4.2.8 Fase de replicación
La mayoría de las fases expuestas anteriormente son usadas para el desarrollo de modelos de
simulación de diferente índole. Hay sin embargo, una fase adicional que raramente se encuentra
pero que debería ser considerada y es la de replicación (el recuadro punteado en la parte inferior de
la Figura 3.4 denota que esta fase es complementaria). La replicación se refiere a confirmar que los
resultados obtenidos con el modelo son confiables, en el sentido que pueden ser reproducidos por
terceros a partir de las abstracciones brindadas por los modelos desarrollados.
4.3 Reflexión
La metodología propuesta en este capítulo puede ser empleada para el desarrollo de modelos de
simulación de sistemas complejos de diferente índole, y es especialmente útil para aquellos que
tienen un alto grado de interacción donde los diferentes tipos de agentes que los componen tienen
sus propias reglas de actuación. En especial, y tal como se presentan en el siguiente capítulo, esta
metodología puede ser empleada para la simulación de mercados eléctricos pues posee un nivel de
formalismo adecuado y permite modelar diferentes aspectos físicos, operativos y económicos que se
presentan al interior de estos sistemas, así como otros que involucran los procesos de
comportamiento propios de los agentes involucrados.
49
CAPÍTULO 4 MODELO DE SIMULACIÓN BASADO EN AGENTES DEL MERCADO
ELÉCTRICO COLOMBIANO
El segundo objetivo de este trabajo de investigación consiste en definir un modelo basado en
agentes de software para la simulación de algunos aspectos del mercado eléctrico Colombiano,
relacionados con la actividad de comercialización. Por dicha razón en este capítulo se presentan las
primeras fases de construcción del modelo de simulación de acuerdo a la metodología definida en el
capítulo anterior. Las fases consideradas en este capítulo abarcan la captura de requerimientos, la
conceptualización, el análisis y el diseño; mientras que las fases de implementación y estudio de
resultados son objeto de estudio en capítulos posteriores. Cabe señalar sin embargo que aquí se
presenta, más que una representación detallada de los procesos llevados a cabo por los agentes del
mercado, una descripción formal simplificada de dichos procesos que sirve de referencia para la
creación de los modelos que componen el modelo general de simulación contemplado en este
trabajo.
4.1 Fase de captura de requerimientos
Esta fase previa al proceso de modelado, consiste en la recopilación de la información relacionada
con los procesos llevados a cabo en el dominio del sistema a modelar. Para este trabajo, dicha
información consiste en la descripción del funcionamiento del mercado eléctrico Colombiano y en
particular de la actividad de comercialización. Esta información se deja por fuera de este trabajo
pues ya ha sido abordada extensamente en otros y más bien se exhorta al lector a consultar la
bibliografía citada al respecto (ver Bedoya, 2001; Ochoa, 2002; Uribe, 2002; Pastrana, 2003; Arias
y Marulanda, 2006).
4.2 Fase de conceptualización
En esta fase se presenta un contacto inicial con el problema de estudio por medio de su exploración
y delimitación, identificando las entidades que lo componen, así como sus objetivos e interacciones.
50
Casos de uso
En este primer modelo, se identifican los actores (personas, mecanismos, subsistemas, entidades,
etc.) que componen el sistema, así como las funciones que desempeñan. Para el caso del sistema de
estudio, y en base a los requerimientos obtenidos de la fase anterior, es posible identificar que en el
mercado eléctrico Colombiano, y más específicamente en el proceso de comercialización de la
energía, intervienen principalmente los siguientes actores:
• Generadores: Su principal función es generar y vender energía en el mercado o en la bolsa,
aunque en algunos casos pueden asumir el papel de compradores para protegerse de posibles
eventualidades que les impidan cumplir con sus obligaciones.
• Comercializadores: Son los encargados de comprar la energía ya sea en la bolsa o mediante
contratos con los generadores o con los mismos comercializadores para posteriormente venderla
a otros agentes del mercado o a los consumidores.
• Usuarios: representan al grupo de consumidores finales y se pueden dividir dependiendo de sus
rangos de consumo en:
- Usuarios regulados, los cuales compran energía a un precio establecido por la CREG
mediante una formula tarifaria.
- Usuarios no regulados, los cuales pueden negociar algunos aspectos del precio de la
energía con el comercializador que elijan.
• Administrador del Sistema de Intercambios Comerciales – ASIC: Entidad encargada del
registro y liquidación de los contratos de energía entre agentes del mercado.
• Centro Nacional de Despacho – CND: Es el encargado de la planeación, supervisión y control
de la operación integrada de los recursos de generación, interconexión y transmisión del sistema
interconectado nacional.
• Comisión de Reguladora de Energía y Gas – CREG: Su misión es regular estos servicios
públicos de acuerdo con los criterios establecidos en la Ley.
• Superintendencia de Servicios Públicos Domiciliarios – SSPD: Su misión es velar por la
correcta prestación de todos los servicios.
• Bolsa de energía: Es un mecanismo de balance a corto plazo donde generadores y
comercializadores pueden tranzar sus excedentes o faltantes de energía con resolución horaria.
51
• Sistema Electrónico de Contratos Normalizados Bilaterales - SEC: Es un mecanismo de
contratación a largo plazo propuesto por la CREG donde compradores y vendedores pueden
tranzar paquetes de energía por medio de subastas anónimas.
Una vez identificados los actores se procede a describir los casos de uso correspondientes. Estos se
presentan en la Figura 4.1 y sus descripciones en las Tablas 4.1 a 4.6.
Figura 4.1. Notación grafica de los casos de uso
Tabla 4.1. Caso de uso Negociación de contratos largo plazo
Actores involucrados Comercializador, Generador, SEC y ASIC
Objetivos Asociados Tranzar electricidad por medio de contratos normalizados bilaterales en el SEC de tal manera que se permita a los agentes del mercado satisfacer sus demandas y cubrir sus riesgos
Descripción
El generador envía ofertas de venta al SEC para que este inicie una subasta. Los comercializadores tienen conocimiento de las ofertas y pueden realizar pujas o contra-ofertas Una vez terminada la subasta, el SEC publica la contra-oferta ganadora y el ASIC registra los datos del contrato
Generador
Comercializador
Usuario regulado
Usuario no regulado
CREG
SEC
ASIC
Bolsa de energía
SSPD
Negociación de contratos de largo plazo
Transacciones de energía en bolsa
Ventas de energía al mercado regulado
Ventas de energía al mercado no regulado
Regulación del mercado
Control del mercado
52
Precondiciones Los agentes involucrados deben estar registrados Los agentes deben cumplir las restricciones pertinentes de acuerdo a la regulación de la CREG
Flujos alternativos Si la subasta no finaliza con un ganador, no se registra el contrato
Poscondiciones El contrato queda registrado ante el ASIC
Tabla 4.2. Caso de uso Transacciones de energía en bolsa
Actores involucrados Comercializador, Generador, Bolsa de energía y ASIC
Objetivos Asociados Tranzar electricidad faltante o excedente de los comercializadores y generadores en la bolsa
Descripción
El CND luego de realizar el despacho de contratos que los agentes tengan suscritos, envía automáticamente los sobrantes o faltantes de energía a la bolsa. La bolsa tranza esta energía entre los agentes que hayan tenido déficit o superávit respecto a sus contratos pactados y sus obligaciones comerciales
Precondiciones Los agentes involucrados deben estar registrados Los agentes deben cumplir las restricciones pertinentes de acuerdo a la regulación de la CREG
Poscondiciones Las compras y ventas en bolsa quedan registradas
Tabla 4.3. Caso de uso Ventas de energía al mercado regulado
Actores involucrados Comercializador, Usuario regulado
Objetivos Asociados Suministrar energía a los usuarios regulados
Descripción El comercializador entrega la energía que el usuario regulado consuma al precio que determine la formula tarifaria
Precondiciones El agente comercializador debe estar registrado El usuario debe calificar como regulado
Poscondiciones
Tabla 4.4. Caso de uso Ventas de energía al mercado no regulado
Actores involucrados Comercializador, Usuario regulado
Objetivos Asociados Negociar el suministro de energía a un usuario regulado
Descripción El comercializador y el usuario no regulado llegan a un acuerdo sobre la cantidad, precio y periodo de la energía que el usuario desea comprar
Precondiciones El agente comercializador debe estar registrado El usuario debe calificar como no regulado
Poscondiciones Acuerdo de venta de energía al usuario no regulado
Tabla 4.5. Caso de uso Control del mercado
Actores involucrados SSPD
Objetivos Asociados Inspeccionar y vigilar las entidades prestadoras de servicios públicos domiciliarios
Descripción La SSPD se encarga de evaluar y controlar la prestación eficiente de los
53
servicios públicos y de proteger los derechos de los usuarios Precondiciones
Poscondiciones Normatividad para la prestación de servicios públicos
Tabla 4.6. Caso de uso Regulación del mercado
Actores involucrados CREG
Objetivos Asociados Regular los aspectos operativos, técnicos y comerciales del mercado eléctrico
Descripción La CREG formula normas que rigen el mercado y que determinan las reglas de juego para la participación de los agentes
Precondiciones
Poscondiciones Normatividad vigente para la participación de los agentes en el mercado
4.3 Fase de análisis
En esta fase se plantean modelos conceptuales que permiten representar tanto la estructura como el
comportamiento del modelo de simulación, enfocándose en el “qué” del espacio del problema, sin
importar todavía el “cómo” se llegará a la solución.
4.3.1 Modelo de roles
En este modelo se identifican cuáles van a ser los roles existentes en el modelo de simulación con
base en los actores definidos en la fase anterior. La Figura 4.2 muestra el correspondiente diagrama
de roles, en el cual puede verse que no existen relaciones de jerarquía ni de herencia, si no sólo de
interacción.
Figura 4.2. Diagrama de roles
Como puede verse de este diagrama, no todos los actores identificados en la fase anterior
corresponden con los roles definidos en ésta debido al alcance definido para este trabajo. En este
Comercializador
Administrador
Generador
54
caso los roles Generador y Comercializador sí guardan una analogía con los actores previamente
descritos, mientras que el rol Administrador se modela por simplicidad (y porque no es el fin de este
trabajo realizar un análisis de su desempeño dentro del mercado) de tal manera que resulta ser el
encargado de cumplir con las funciones del ASIC, CND y CREG, así como de suplir los servicios
de los mecanismos de negociación de corto y largo plazo (El SEC y la bolsa de energía
respectivamente). Otras consideraciones que se deben tener en cuenta son:
• El comportamiento de los generadores, es decir, la manera como deciden sus precios de venta,
bajo qué condiciones operan, etc.; no será modelado. En cambio, se simularán las ofertas
producidas por éstos en base a los costos de operación de los diferentes tipos de generación.
• De la misma manera, se omitirá el modelado del comportamiento de los usuarios. En cambio, se
simularán las demandas de éstos en base al análisis de registros históricos.
• Las funciones llevadas a cabo por el ASIC, el CND y la CREG (únicamente las concernientes a
la administración, monitoreo y regulación de la actividad de comercialización) serán modeladas
dentro de un único rol denominado Administrador pues para efectos del modelo no es necesario
manejarlos de manera independiente.
• El único rol dentro del modelo de simulación que puede considerarse que cumple con las
características de un agente de software inteligente es el rol Comercializador pues cuenta con
capacidades de razonamiento y aprendizaje. El resto de roles identificados cumplen funciones
operativas y de control, siendo más de carácter reactivo.
La descripción detallada de cada uno de estos roles se presenta en las Tablas 4.7 a 4.9.
Tabla 4.7. Plantilla del rol Comercializador
Rol: Comercializador Objetivos
Obtener utilidades de sus transacciones de energía Responsabilidades
• Registrarse ante el administrador • Cumplir con la reglamentación • Satisfacer la demanda de sus usuarios
Capacidades • Definir estrategia de compra • Realizar contratos normalizados • Comprar y vender energía en la bolsa • Proyectar su demanda • Analizar tendencias de precios
55
• Analizar disponibilidad hídrica Información requerida
Información propia • Perfil de riesgo • Demanda propia mensual • Contratos firmados • Porcentaje de participación respecto de la demanda del mercado • Propensión a transar en bolsa • Factor de contratación mensual • Utilidad mensual • Precio de venta Información del mercado • Precios históricos de contratos • Precios de bolsa • Condiciones hidrológicas • Información de subastas
Tabla 4.8. Plantilla del rol Generador
Rol: Generador Responsabilidades
• Proveer la energía que será subastada Capacidades
• Generar ofertas de venta de contratos normalizados bilaterales Información requerida
• Condiciones hidrológicas • Precios de bolsa • Precios históricos de contratos • Información de subastas
Tabla 4.9. Plantilla del rol Administrador
Rol: Administrador Responsabilidades
• Proveer a los agentes del mercado con mecanismos para la transacción de energía • Informar a los agentes las condiciones del mercado y las transacciones realizadas • Verificar que los agentes cumplan con la normatividad
Capacidades • Registrar agentes • Realizar el balance de energía para los comercializadores y gestionar las
transacciones en bolsa correspondientes Información requerida
• Agentes registrados y demanda de los mismos • Ofertas de compra y venta de energía • Contratos firmados • Precios de venta de los agentes • Demanda real de los agentes
56
4.3.2 Modelo de entorno
En este modelo se describen los componentes del modelo de simulación que no son agentes, pero
que intervienen con los procesos llevados a cabo por éstos, es decir, que conforman el entorno en el
que los agentes se desenvuelven. En las Tablas 4.10 a 4.12 se presentan las respectivas plantillas de
los componentes identificados, sin embargo, el detalle de cada uno de ellos se presenta en el Anexo
A donde se describen los modelos matemáticos y los algoritmos empleados.
Tabla 4.10. Plantilla de componente Módulo de hidrología
Módulo de hidrología Procesos Este módulo genera escenarios hidrológicos coherentes con los que se presentan en el sector eléctrico Colombiano representados por las variables que determinan la disponibilidad hídrica del sistema Salidas
Dato Receptor(es) • Valor mensual del embalse ofertable • Valor mensual de los aportes de los ríos
Todos
Tabla 4.11. Plantilla de componente Módulo de demanda
Módulo de evolución de demanda Entradas
Dato Emisor(es) • Precio de venta propio • Demanda propia
Comercializador Comercializador
Procesos Este módulo simula el comportamiento de la demanda total del mercado durante el periodo de simulación asumiendo un crecimiento anual promedio cercano al 3%. Adicionalmente simula los movimientos de usuarios que pueden producirse cuando estos perciben que un comercializador puede suplir su demanda a un precio más bajo del que están obteniendo Salidas
Dato Receptor(es) • Valor mensual de la demanda total del
sistema • Valor mensual de la demanda propia de cada
comercializador
Administrador Comercializador
Tabla 4.12. Plantilla de componente Módulo de precios
Módulo de ofertas de energía Procesos Dado que los agentes generadores simulados contemplan mecanismos de razonamiento para tomar decisiones, este módulo se encarga de simular la evolución de los precios resultantes de las ofertas que estos generarían tanto para contratos como para la bolsa de energía
57
Salidas Dato Receptor(es)
• Precio mensual promedio de bolsa • Precio mensual promedio de contratos
Todos
4.3.3 Modelo de tareas
En este modelo se descomponen y describen las tareas llevadas a cabo por los roles como un
secuenciamiento de actividades para cumplir con sus objetivos y responsabilidades, tomando en
cuenta sus capacidades y su interacción con el entorno. En las Figuras 4.3 y 4.4 se presentan los
respectivos diagramas de las tareas identificadas para el modelo de simulación, y que corresponden
básicamente a los esquemas de compra de energía en los mecanismos de largo y corto plazo
respectivamente.
Figura 4.3. Diagrama de la tarea Comprar energía en el SEC
Generador Administrador Comercializador
Generar ofertas
Registrar y publicar ofertas
Revisar ofertas
Realizar contra-oferta
Analizar contra-ofertas
Fin de subasta
Publicar contra-oferta ganadora actual
Publicar contra-oferta ganadora final
Registrar contrato
No Si
Definir porcentaje de contratación
58
En el caso del largo plazo el diagrama presentado en la Figura 4.3 representa la participación del rol
en una subasta para adquirir un contrato normalizado, por lo que un proceso de compra como tal
puede entenderse como la sucesión de varias de estas subastas.
Figura 4.4. Diagrama de la tarea Comprar en la bolsa de energía
4.3.4 Modelo de razonamiento y aprendizaje
En este modelo se identifican las estructuras de inferencia utilizadas por los roles para llevar a cabo
algunas de las actividades que tienen asociadas (las más relevantes desde el punto de vista del
modelo de simulación a desarrollar). En la Figura 4.5 se puede observar el esquema general de
razonamiento y aprendizaje llevados a cabo por el rol comercializador para determinar el porcentaje
de su demanda que debe satisfacer por medio de contratos. El detalle de estos mecanismos se
presenta en los capítulos 6 y 7. Para este caso particular se tienen 2 instantes de tiempo. En el
instante t se muestra el razonamiento de la decisión a tomar, mientras que en el instante t+1 se
muestra como se refuerza o se rechaza la creencia de la conveniencia de transar en la bolsa de
energía. Las convenciones empleadas en esta figura son: PC = Porcentaje de contratación, DP =
Demanda Proyectada, PrB = Precio en Bolsa y PrC = Precio de Contratos.
Administrador Comercializador Módulo de precios Módulo de hidrología
Hacer balance entre demanda y energía
contratada
Definir porcentaje de contratación
Determinar embalse ofertable
Calcular precio de venta en la
bolsa
Despachar excedente o faltante en la bolsa
de energía
Registrar contrato y Notificar transacción
Informar demanda
59
Figura 4.5. Razonamiento de la actividad Definir porcentaje de contratación
Figura 4.6. Diagrama de conceptos
TIPO CONTRATO
Carga Duración Modalidad …
OFERTA
Id_oferta Precio Cantidad Tipo de contrato
COMERCIALIZADORNombre Id_comercializador Tipo … CONTRATO CP
Transacción Agente Periodo Precio Cantidad …
CONTRA OFERTA
Id_oferta Comprador Precio Cantidad
INDICADORES
Periodo Precio_promedio_lp Hidrología …
CONTRATO LPId_contrato Comprador Fecha Precio Cantidad Tipo de contrato …
0..n
1..1
0..n
1..1
1..1 1..n
1..1
1..n
0..n
1..1
1..2
0..n
Disponibilidad hídrica esperada (t+1)
Dinámica de precios (t)
Propensión a transar en bolsa
Credibilidad en el sistema de inferencia
Definir PC (t+1)
Contratar PC (t+1) * DP(t+1)
Instante t
Instante t+1
PC (t) ≠ 100% PC (t) < 100% PrB (t) > PrC (t)
PrB (t) < PrC (t) Confirmar creencia en el sistema
Rechazar creencia en el sistema
No modificar creencia en el sistema
Si
No Si
Si
Si
No No
No
60
4.3.5 Modelo de ontología
En este modelo se describe la estructura y significado de los principales conceptos agrupados por
dominio de aplicación que serán comunicados entre los agentes, así como sus relaciones. La Figura
4.6 muestra la ontología utilizada dentro del modelo.
4.3.6 Modelo de coordinación
En este modelo se especifican las interacciones entre los roles del modelo agrupadas por medio de
conversaciones. En las Figuras 4.7 a 4.9 se presentan las conversaciones identificadas usando los
diagramas de secuencia de mensajes correspondientes.
Figura 4.7. MSC Registro
Figura 4.8. MSC Compra de energía en subasta
Administrador Comercializador
Registro
Confirmación de registro
SEC Comercializador
Ofertas
Envió contra-oferta
Publicar contra-oferta ganadora en la iteración actual
Fin de subasta
Publicar contrato
Publicar contra-oferta ganadora
Fin de subasta?
61
Figura 4.9. MSC Informes periódicos
4.4 Fase de diseño
En esta fase se busca principalmente ampliar la especificación de los requisitos funcionales del
modelo de simulación e introducir los no funcionales que deben tenerse en cuenta para su
implementación.
4.4.1 Modelo de agentes
En este modelo se especifican los diferentes tipos de agentes que existirán en el modelo de
simulación dependiendo de los roles que lleven a cabo, así como las instancias de dichos agentes
durante la ejecución. En la Figura 4.10 se presenta el árbol de tipos de agentes identificados.
Figura 4.10. Árbol de tipos de agentes
4.4.2 Modelo de comunicación
Este modelo especifica los requerimientos de las comunicaciones entre los agentes desde el punto
de vista del transporte de los mensajes. Primero hay que precisar que, dado que JADE (Bellifemine
et. al., 1999) será la plataforma usada para el manejo de los agentes de software del modelo, son
necesarios algunos agentes adicionales para administrar dicha comunicación: Un Agente Servidores
Comercializador
Comercializador Tipo 1
0.n Comercializador
Tipo 2
0.n 1.1
Administrador
Administrador
ROLES
AGENTES
Generador
Generador Hidráulico
0.n
Generador Térmico
0.n
Administrador Comercializador
Demanda
Informe de despacho en bolsa
Informe de indicadores
62
de Nombres – ANS que se encarga de proveer el servicio de registro de los agentes en la plataforma
y de brindarles un identificador único, un Agente Facilitador – DF que presta el servicio de
“páginas amarillas” a través del cual un agente puede encontrar a otro que preste el servicio que
requiera, y un Agente de Canal de Comunicaciones – ACC que se encarga de coordinar el
intercambio de mensajes entre los agentes.
Otro aspecto a considerar es que, dada la plataforma elegida, el lenguaje de transporte utilizado es
FIPA ACL pues es el que dicha plataforma determina, además de que es un lenguaje robusto y
claro. Por último, es necesario precisar que algunos de los protocolos de comunicación utilizados
durante las conversaciones son: FIPA-Request y FIPA-EnglishAuction. (FIPA, 2000)
4.4.3 Modelo de plataforma
En este modelo se documentan las características de la plataforma sobre la que se montará el
modelo de simulación. El diagrama de despliegue correspondiente se presenta en la Figura 4.11.
Nótese que los agentes de software no necesariamente tienen que estar ubicados en la misma
máquina, lo cual permitiría en trabajos posteriores producir juegos multi-jugador en los que, aparte
de los agentes de software, participen agentes humanos.
4.5 Reflexión
En este capítulo se presentó el desarrollo de la metodología propuesta en el capítulo anterior
aplicada para la simulación del mercado eléctrico Colombiano, el cual es de especial importancia
por dos razones fundamentales. La primera es que sirve como una cartilla para implementación de
un prototipo de software que si bien no es la meta fundamental de esta tesis, si es de gran utilidad
para validar los modelos propuestos y alcanzar el objetivo propuesto. Segundo es que proporciona
un modelado formal de los agentes que participan en la actividad de comercialización del mercado
eléctrico Colombiano, así como de sus procesos principales, lo cual brinda un mayor entendimiento
de dicho sistema y puede servir como punto de partida para posteriores investigaciones y
desarrollos tanto conceptuales como prácticos.
63
Figura 4.11. Diagrama de despliegue
PC 1 [JADE]
Agente Comercializador 1
Agente Comercializador 2
Agente Comercializador n
[JESS / FuzzyJ]
Sistemas de inferencia
Agente Administrador BD
JDBC
RMI
RMI
PC 2
[JADE]
Agente Comercializador n+1
[JESS / FuzzyJ]
Sistemas de inferencia
PC k
[JADE]
Agente Comercializador n+j
[JESS/ FuzzyJ]
Sistemas de inferencia
Agente Generador 1
Agente Generador 2
Agente Generador m
64
CAPÍTULO 5 TOMA DE DECISIONES DE LOS AGENTES COMERCIALIZADORES DE
ENERGÍA
Los objetivos tercero y cuarto de este trabajo de investigación consisten en formular mecanismos
que permitan simular el razonamiento de los agentes comercializadores respecto a sus estrategias de
negociación y de cubrimiento de riesgo; y establecer de qué manera dichas estrategias varían en el
tiempo debido a un proceso de aprendizaje. Para cumplir con ambos objetivos, en este capítulo se
describen algunas de las variables del mercado que de manera general influyen significativamente
en la toma decisiones de estos agentes y la forma en que lo hacen. Posteriormente en el capítulo 6 se
describe un mecanismo que permite capturar tal razonamiento de manera que brinde una
recomendación sobre la cantidad de energía que un agente debe comprar por medio de contrato;
mientras que en el capítulo 7 se describe un modelo de aprendizaje que le permita hallar un valor
óptimo del grado de credibilidad que el agente debe tenerle a dicha recomendación con el fin de
obtener las mayores utilidades posibles con base en su perfil de riesgo.
5.1 Decisiones de la actividad de comercialización
Como ya se ha indicado previamente en los antecedentes, la comercialización de energía es una
actividad de intermediación económica con características particulares que la diferencian de otros
bienes de consumo, en la cual las estrategias que deben tomarse pretenden lograr una diferencia
positiva entre los precios de venta y de compra de la electricidad, de manera que se generen los
mayores márgenes de utilidad posibles. Para lograr esta meta, tales estrategias deben considerar
principalmente tres aspectos: el porcentaje de contratación, la estrategia de compra en contratos y el
precio de venta.
El porcentaje de contratación se define como la cantidad de la energía que el agente compra en
contratos para cubrir su demanda comercial y por tanto determina la cantidad de energía que
compra o vende en la bolsa para compensar el faltante o excedente respecto a dicha demanda según
sea el caso. La estrategia de compra involucra dos aspectos: el primero se refiere a los volúmenes de
energía que desea adquirir mediante contratos de corto y de largo plazo; y el segundo, a la manera
65
en que dichos contratos son negociados bajo un sistema de intercambios determinado como puede
ser el SEC. Por último, el precio de venta se define como el precio que el agente ofrece la energía a
su demanda. Este precio para el caso de los usuarios regulados está fijado mediante una fórmula
tarifaria, mientras que para los usuarios no regulados contempla el margen de ganancia que el
agente espera obtener en base a las compras realizadas, tomado en consideración la elasticidad-
precio de la energía.
Las diferentes fuentes de información con que cuenta el comercializador para soportar tales
estrategias son tanto endógenas como exógenas, y tiene diferentes efectos en las decisiones
descritas. Dentro de las endógenas se encuentra información propia de la compañía tal como su
composición, razón social y económica, situación financiera, demanda propia y su evolución, sus
precios de compra y venta históricos, planes de crecimiento, propensión a tomar riesgos, etc. Las
exógenas por su parte, pueden provenir de diferentes fuentes (Medina, 2006):
• Información propia del mercado eléctrico tal como la demanda total del sistema u otros agentes,
precios promedio históricos de bolsa, precios promedio históricos de contratos, precios de venta
de los agentes competidores, etc.
• Información hidrológica tal como el embalse ofertable, caudal agregado, aporte de los ríos,
ocurrencia de fenómenos climáticos, etc.
• Información macroeconómica tal como el crecimiento general de la economía y del sector en
particular, la devaluación de la moneda nacional, el precio y consumo de otros recursos
energéticos, etc.
• Igualmente, puede consistir en información de tipo cualitativa referente a las condiciones del
país, así como las expectativas que puedan tenerse y que pueden repercutir en el sector
eléctrico. Algunos ejemplos de estos casos puede ser las condiciones políticas y sociales, el
riesgo país, los cambios regulatorios, la política internacional, etc.
5.1.1 Factor de contratación
Para satisfacer su demanda comercial, los agentes comercializadores pueden contratar la totalidad
de ella por medio de contratos de largo y de corto plazo como una estrategia de cubrimiento del
riesgo, o bien tomar posiciones especulativas contratando por debajo o por encima de su demanda
con el objetivo de comprar los faltantes o vender los sobrantes en la bolsa de energía en caso de que
66
los precios de corto plazo les sean favorables de acuerdo a la posición tomada. En la parte superior
de la Figura 5.1 se muestra un patrón típico ficticio de contratación para un agente comercializador;
en algunos períodos de tiempo la energía contratada es igual a la demanda comercial (contratación
completa), mientras que en otros la energía contratada se encuentra por debajo (subcontratación) o
por encima (sobrecontratación) de dicha demanda. Esta configuración puede deberse, entre otros
factores, a la diferencia entre los precios de los contratos y los de la bolsa la cual, a pesar de no ser
conocida a priori por los agentes agregando por tanto un factor de riesgo, puede estimularlos a
tomar una posición determinada tal como se observa en la parte inferior de la Figura.
Figura 5.1. Esquema de contratación
Otro aspecto a considerar en este punto es que con la propuesta actual del SEC desaparecerían los
Contratos pague-lo-demandado, en donde se pagaba un precio estipulado únicamente por la
cantidad consumida, quedando únicamente los contratos pague-lo-contratado, donde el comprador
paga la cantidad de energía pactada independientemente de si es consumida o no. De esta manera
difícilmente habrá un ajuste exacto entre la demanda proyectada a futuro y la energía contratada.
tiempo (meses)
energía
Demanda
Energía contratada
Subcontratación
Sobrecontratación
precio
Bolsa
Contratos
(a)
(b)
tiempo (meses)
67
Históricamente, los agentes comercializadores han realizado transacciones en magnitudes que
superan su demanda comercial en un porcentaje mayor al 20%, mientras que las transacciones en
Bolsa se han encontrado alrededor del 40%, con un máximo del 47% respecto a dicha demanda
(UPME, 2004). En la Figura 5.2 se muestra el porcentaje de la demanda total del sistema cubierta
en contratos para el período 2000-2005. Puede observarse que en general los agentes del mercado
tienden a estar sobrecontratados en un porcentaje promedio de 2.16%, y que la subcontratación
raramente se encuentra por debajo del 5%.
90
95
100
105
110
115
120
Dic
-99
May
-00
Oct
-00
Feb-
01
Jul-0
1
Dic
-01
May
-02
Oct
-02
Mar
-03
Ago
-03
Ene
-04
Jun-
04
Nov
-04
Abr
-05
Sep
-05
Feb-
06
Figura 5.2. Porcentaje de la demanda del sistema eléctrico Colombiano cubierta con contratos
(Fuente: Neón, 2006)
Este comportamiento se debe a la alta volatilidad que presenta el precio de bolsa y a que los
contratos han resultado ser más económicos en el largo plazo (UPME, 2004), aún cuando en general
el precio de bolsa se encuentra por debajo del de contratos tal como se muestra en la Figura 5.3. Sin
embargo, la decisión de fijar un factor de contratación determinado para un período dado, depende
de muchos factores, y no sólo de la percepción que tenga el agente sobre el comportamiento de los
precios para el período analizado. Entre estos factores se encuentran algunos aspectos propios del
agente como su perfil de riesgo, es decir, que tan conservador o agresivo es; y otros externos a él
como son las condiciones del mercado.
68
30
40
50
60
70
80
90
Dic
-99
May
-00
Oct
-00
Feb-
01
Jul-0
1
Dic
-01
May
-02
Oct
-02
Mar
-03
Ago
-03
Ene
-04
Jun-
04
Nov
-04
Abr
-05
Sep
-05
Feb-
06
Pre
cio
($/k
wh)
Bolsa C ontratos
Figura 5.3. Precios corrientes de contratos y de bolsa (Fuente: Neón, 2006)
Para ejemplificar este aspecto, se ha graficado en la Figura 5.4 el porcentaje de compras en Bolsa de
dos agentes comercializadores que, aunque cubren una pequeña porción de la demanda total
nacional, son útiles para efectos ilustrativos: Comercializadora Andina de Energía S.A. E.S.P. y
Energía Confiable S.A. E.S.P. Igualmente, se grafica la diferencia absoluta entre los precios de
bolsa y los de contratos en el período 2000-2006.
-10%
0%
10%
20%
30%
40%
50%
60%
70%
80%
Dic
-99
May
-00
Oct
-00
Feb-
01
Jul-0
1
Dic
-01
May
-02
Oct
-02
Mar
-03
Ago-
03
Ene
-04
Jun-
04
Nov
-04
Abr-0
5
Sep
-05
Feb-
06
-30
-20
-10
0
10
20
30
40
Comercializadora Andina de Energía S.A. E.S.P. Energía Confiable S.A. E.S.P. Diferencia de Precios
Figura 5.4. Comparación entre agentes comercializadores (Fuente: Neón, 2006)
Como se puede observar en esta figura, el porcentaje de compras del segundo agente para todo el
período es muy cercano a cero (3.39% en promedio) con un pico de 40%, mientras que el primero
69
tiene un porcentaje más alto (12.9% en promedio) con un pico de 78.11%. Esto indica que el perfil
de Comercializadora Andina de Energía S.A. E.S.P. es aparentemente especulativo pues realiza
compras en bolsa cuando el precio se encuentra por debajo del de contratos, mientras que el perfil
de Energía Confiable S.A. E.S.P. es aparentemente conservador para el período analizado.
5.1.2 Estrategia de compra
Un agente comercializador puede, además de definir el porcentaje de su demanda comercial que
desea contratar, el plazo de los contratos que va a utilizar para cubrir tal porcentaje. En general,
puede decirse que los agentes cubren una parte de su demanda que es fija (el valor mínimo típico de
la demanda comercial, o una porción de este, durante un determinado período) con contratos de
largo plazo, mientras que la restante que puede ser variable es cubierta con contratos de corto plazo.
Esto tanto para el caso de contratación completa, de sub o de sobre contratación tal como puede
verse en la Figura 5.5. Antes de la implementación del SEC un contrato podía ser considerado de
corto plazo sí su duración era menor o igual a tres meses, de mediano plazo entre tres y doce meses,
y de largo plazo para aquellos superiores a un año (UPME, 2004). En el SEC se normaliza tal
duración, de manera que sólo se contemplan contratos de un mes o de un año.
Figura 5.5. Distribución de contratos de largo y corto plazo
De acuerdo al reporte presentado por la UPME (2004), el número de contratos despachados creció
de 74 en diciembre de 1995 a 321 en el mes de noviembre de 2003, como se muestra en la Figura
5.6. Así mismo, la duración de los contratos se incrementó durante el mismo período a 2 años en
tiempo (meses)
energía
Demanda
Contratos corto plazo
Contratos largo plazo
energía firme
70
promedio, véase la Figura 5.7, aunque se registraron contratos en el rango de duración menor a un
mes, así como también de término indefinido.
Figura 5.6. Número de contratos despachados
(Fuente UPME, 2004)
Una consideración importante en este punto, es que los contratos de largo plazo suelen ser los más
usados por los agentes del mercado para satisfacer sus demandas, y suelen ser un mecanismo común
para el cubrimiento del riesgo, dado que no existen en este momento otras opciones financieras. Sin
embargo, se espera que con la maduración del mercado, y con la entrada en funcionamiento del
SEC, la utilización de éstos disminuya notablemente (Resolución CREG 035 de 2004).
Figura 5.7. Duración promedio de los contratos
(Fuente UPME, 2004)
El otro aspecto a tratar respecto a la compra de energía además de la definición de los tipos de
contratos para cubrirla, es el proceso de negociación para obtenerlos. Dado que el mecanismo de
71
subasta anónima propuesto por el SEC no se ha implementado aún, no existe información
disponible acerca de cómo será el comportamiento de los agentes del mercado, y por lo tanto, sobre
la evolución futura de los precios. Lo que se puede hacer mientras tanto es, simplemente, un
análogo con el sistema actual de contratación bilateral en el que se hacen convocatorias públicas
para cubrir la energía del mercado regulado y negociaciones para el mercado no regulado.
Independientemente del mecanismo utilizado, el aspecto a analizar es la manera en que los agentes
determinan los precios de los contratos, los cuales son el resultado de la negociación entre vendedor
y comprador en la que se busca obtener un acuerdo entre la oferta producida por el primero, y la
respuesta a ésta del segundo. Por lo tanto, la decisión consiste en determinar el precio tope al cual el
agente comercializador está dispuesto a comprar. Esto no significa que este precio corresponda
necesariamente al precio de compra, pues este depende del precio de apertura y del desarrollo de las
subastas, pero si brinda información sobre el precio máximo de compra por cada tipo de contrato en
un período determinado.
5.1.3 Precio de venta
El precio de venta de la energía para los usuarios regulados está dado por la fórmula tarifaria
vigente expedida por la CREG de manera que los comercializadores no intervienen de manera
directa en su determinación, aunque si lo hacen de manera indirecta por medio de su eficiencia en la
compra de energía. En cambio, para el caso de los usuarios no regulados, el precio unitario (y más
específicamente el componente C de la fórmula) es convenido entre las partes dependiendo de
ciertos factores como puede ser la cantidad de energía a despechar, y es expresado usualmente
como el margen de ganancia que obtiene el comercializador con respecto al precio promedio de
compra de los contratos necesarios para cubrirla. Para la determinación de dicho margen debe
considerarse la elasticidad precio-demanda de la energía. Esto se debe a que en teoría los usuarios
no regulados pueden cambiar de comercializador libremente sí perciben que los precios que éste les
ofrece son superiores a los promedio del mercado o si prefieren la calidad de servicio de algún otro.
5.1.4 Otras consideraciones
Otro aspecto a tratar acerca de las decisiones de los comercializadores se refiere a la estrategia de
participación en las subastas para obtener los contratos que éstos requieren para alcanzar sus
porcentajes de contratación objetivo. Este aspecto no será estudiado a fondo en este trabajo, pues
como ya se ha indicado no existe aún información para analizarlo; sin embargo se invita al lector a
consultar el trabajo relacionado de Arias y Marulanda (2006).
72
5.2 Mecanismo de razonamiento
Los agentes comercializadores del mercado basan las decisiones descritas en sus políticas de
contratación y en la información que tienen disponible sobre el mercado. Por lo tanto, para simular
el proceso de razonamiento realizado por estos agentes, en esta tesis se propone agrupar algunas de
las principales variables que estos consideran de la siguiente manera:
• Proyección de la demanda
• Evaluación de la disponibilidad hídrica
• Análisis de la dinámica de precios
La salida de los módulos que corresponden al análisis de estas variables, así como los valores de
otras variables consideradas, se integran en un sistema de razonamiento, el cual tiene por objeto
obtener las decisiones descritas en la sección anterior, tal como se muestra en la Figura 5.8.
Figura 5.8. Esquema general del mecanismo de razonamiento
Proyección de la demanda
Evaluación de la disponibilidad hídrica
Análisis de la dinámica de precios
Propensión a transar en bolsa
Factor de contratación
Distribución de contratos
Precio de compra
Margen de utilidad sobre precios de contratos
ASPECTOS A CONSIDERAR DECISIONES A TOMAR
Factor de contratación mínimo y máximo
73
A continuación se describe cada uno de estos módulos y las demás variables consideradas, así como
la manera en que afectan los procesos de decisión.
5.2.1 Proyección de la demanda
Este módulo se encarga de proyectar la demanda comercial del agente n períodos hacia delante, a
partir de las siguientes variables de entrada: participación actual del agente en el mercado, la cual es
cuantificada como el porcentaje de la demanda nacional regulada y no regulada que cubre; tasa de
crecimiento esperada de dicha demanda; y curva de demanda típica mensual del sistema. En la parte
superior de la Figura 5.9 se presenta la curva de demanda para los doce meses de los años 2000 al
2005, mientras que en la parte inferior de la misma figura se presenta el promedio de la demanda
para cada mes en dichos años (eje principal), así como el porcentaje del mes respectivo respecto del
promedio anual (eje secundario).
3,200
3,400
3,600
3,800
4,000
4,200
4,400
0 2 4 6 8 10 12
200020012002200320042005
3,500
3,600
3,700
3,800
3,900
4,000
0 2 4 6 8 10 127.7%
7.9%
8.1%
8.3%
8.5%
8.7%Demanda mensual Porcentaje
Figura 5.9. Curva de demanda típica mensual
(Fuente: Neón, 2006)
74
Con base en estos datos, la proyección puede obtenerse como:
iaiaai PMDCECADemandaDemanda *** ,0, = (1)
Donde:
Demandai,a es la demanda proyectada para el mes i del año a y puede expresarse en GWh-mes,
Demanda0 es la demanda comercial que tiene el agente en el período cero y que es igual a la
demanda comercial nacional multiplicada por su porcentaje de participación,
CAa es el crecimiento anual esperado de la demanda para el año a,
CEi,a es el crecimiento esperado de la demanda del agente debido a los planes de expansión que éste
pueda tener o a la captación de usuarios que cambien de comercializador, y
PMDi es el porcentaje de demanda nacional mensual respecto al total promedio anual para el mes i
5.2.2 Evaluación de la disponibilidad hídrica
Este módulo tiene como objetivo valorar las posibles condiciones hidrológicas que pueden existir
para un período n. Sin embargo, lo que se busca, más que determinar un valor exacto para las
variables relacionadas con esta evaluación, es dar un indicativo de su posible comportamiento
general, o en otras palabras su tendencia. Esto con el fin de brindar una valoración sobre el posible
valor del precio de bolsa con respecto a este factor.
Para llevar a cabo dicha evaluación se han considerado en este estudio varios factores: Primero, el
comportamiento previo de algún indicador que describa el impacto de la hidrología en el sistema
eléctrico y que puede dar alguna pista sobre la tendencia de la hidrología. Segundo, el mes para el
cual se esté haciendo la evaluación pues típicamente en Colombia los meses de Diciembre a Abril
corresponden a la estación de verano, mientras que los restantes corresponden a la estación de
invierno. Y tercero, la probabilidad de ocurrencia de algún evento macroclimático extremo como el
fenómeno de El Niño o de La Niña, los cuales suelen presentarse con una periodicidad de entre 3 y
6 años (Bedoya, 2001).
Con base en estos datos, una función para obtener esta evaluación puede escribirse como:
75
),...,,,( ,,2,1
,
ajiaiai
ai
asHidrológicsCondicioneasHidrológicsCondicioneasHidrológicsCondicioneifEsperadaHídricaidadDisponibil
−−−
= (2)
Donde:
Hidrología Esperadai,a es la evaluación hidrológica para el mes i del año a y
Hidrologíak,a es el valor de uno o más indicadores hidrológicos para un mes k anterior a i
La salida de dicha función más que un valor cuantitativo, es una apreciación cualitativa de la
hidrología esperada en relación a un escenario típico, pudiendo tomar valores de Muy Alta, Alta,
Normal, Baja, o Muy Baja, y cuyos rangos se calculan en base al histórico del indicador
seleccionado. Así por ejemplo, una hidrología esperada que se encuentre alrededor del 100% de su
valor típico en un determinado mes se consideraría Normal, mientras que una que se encuentre por
encima del 140% se consideraría Muy Alta.
5.2.3 Análisis de la dinámica de precios
Este módulo se subdivide en dos partes: La primera tiene como objetivo analizar el comportamiento
del precio de bolsa en períodos inmediatamente anteriores comparado con los precios promedio de
los contratos en el mercado, con el fin de prever su relación en el futuro cercano. Esto no implica
necesariamente que los agentes deban realizar un pronóstico de estos precios, si no que se trata más
bien de dictar un juicio sobre hacia dónde aparentemente se dirigen. Para esto puede utilizarse la
siguiente función:
),(Re , anterioranteriorai PCPBhpreciosdelacion = (3)
Donde amiaiaianterior PBPBPBPB ,,2,1 ,...,, −−−= y aniaiaianterior PCPCPCPC ,,2,1 ,...,, −−−=
Siendo PB, PC, el precio de bolsa y el precio de contratos respectivamente.
La salida de dicha función indica la relación entre dichos precios, es decir, determinar cúal estará
por encima del otro, o si por el contrario, no habrá una diferencia significativa entre ambos.
76
La segunda parte de este módulo analiza el comportamiento de los precios promedio de compra de
los contratos firmados por el agente comparado con los precios promedio del mercado. Este análisis
brinda una señal clara sobre la eficiencia del agente en cuanto a la negociación realizada en dichos
contratos y le brinda un punto de referencia para negociaciones futuras
5.2.4 Precio de compra
La segunda salida del módulo anterior simula el comportamiento del agente comercializador
respecto a la comparación que hace entre su desempeño en la compra de contratos y el de la
competencia y, a partir de dicha comparación, alterar el precio tope de compra para las
negociaciones inmediatamente posteriores. Esto con el fin que el agente logre superar a sus
competidores, o al menos de situarse dentro del promedio. Una función para realizar este análisis
tiene la forma:
)Pr,(Pr*Pr , anterioranteriorai mercadoeciopropioecioktopeecio ψ= (4)
Donde:
amiaiaianterior propioeciopropioeciopropioeciopropioecio ,,2,1 Pr,...,Pr,PrPr −−−= y
aniaiaianterior mercadoeciomercadoeciomercadoeciomercadoecio ,,2,1 Pr,...,Pr,PrPr −−−=
Mientras que ψ es un factor adimensional definido por el agente.
5.2.5 Propensión a transar en bolsa
La propensión a transar en bolsa se modela como un factor que representa la disposición del agente
a realizar compras o ventas en la bolsa de energía, tomando en consideración el riesgo que ésto
implica debido a la volatilidad del precio. El valor de este factor indica la naturaleza del agente, es
decir, si es conservador o especulativo, y depende de características propias del agente como
pueden ser su razón social, sus políticas de contratación, su umbral máximo de transacciones en la
bolsa, su perfil de riesgo, etc. Su valoración se hace de manera porcentual, lo que quiere decir que
una propensión de 0 significa una aberración total a transar en bolsa, es decir que la totalidad de su
demanda comercial será cubierta por contratos; mientras que un valor de 100 significa la completa
disposición a utilizar este mecanismo tanto para las situaciones de subcontratación como de
sobrecontratación. Este factor está íntimamente ligado a otros dos parámetros considerados por los
77
comercializadores: los porcentajes de contratación mínimo y máximo que están dispuestos a
emplear de acuerdo a su perfil de riesgo. Así por ejemplo si un agente es completamente adverso a
transar en bolsa, esto significa que tales porcentajes serían iguales al 100%; por el contrario, si un
agente es completamente propenso, el porcentaje de contratación mínimo sería de 0% mientras que
el máximo no tendría límite. En este segundo caso sin embargo se determina para el modelo
propuesto una cota superior del 200% suponiendo restricciones de presupuesto.
5.2.6 Distribución de contratos
Una vez la demanda de energía n períodos hacia delante ha sido estimada, el agente comercializador
debe determinar cuánta de esa energía corresponde a su demanda firme, es decir, aquella parte que
es relativamente invariable y, a partir de ella, definir si cubrirla completa o parcialmente con
contratos de largo plazo, como se muestra en la Figura 5.10. Para esto el agente debe decidir en
cuántos períodos, de los n proyectados, desea adquirir contratos de largo plazo y en que cantidad,
teniendo en cuenta que la energía que no sea cubierta por estos respecto a su demanda se cubrirá
bien sea con contratos de corto plazo o por medio de la bolsa. Dicha distribución puede obtenerse
por medio del análisis histórico de la variabilidad de la demanda propia a partir del cual puede
definirse un porcentaje de cubrimiento típico. Sin embargo, esta decisión está también supeditada a
la propensión a transar en bolsa del agente y por tanto de su perfil de riesgo. Esto pues ambas
decisiones deben ser coherentes en el sentido que a mayor propensión a transar en bolsa, menor
debe ser la cantidad de energía comprada previamente en contratos anuales, ya que dicho agente
desearía contar con un margen amplio de su demanda para, dadas las condiciones del mercado,
comprar el restante en la Bolsa.
Figura 5.10. Esquema de contratación a largo plazo
tiempo (años)
energía
Demanda
Contratos largo plazo
energía firme
78
5.2.7 Factor de contratación
El valor de este factor depende de las condiciones propias del agente comercializador y de las del
mercado, y determina el porcentaje de la demanda comercial que el agente obtiene por medio de
contratos durante un determinado período. Para determinar dicho factor, las salidas de algunos de
los módulos anteriores son ponderadas por medio de un mecanismo de inferencia, tal como se
muestra en la Figura 5.11, y los valores que éste puede tomar se sitúan entre el porcentaje de
contratación mínimo y máximo que dicho agente configure para su perfil de riesgo.
El sistema de inferencia utilizado en este caso puede ser implementado como una función
paramétrica que le asigne pesos a las entradas o como un sistema experto basado en reglas. Para el
modelo propuesto en este trabajo se optó por la segunda opción, y más específicamente por un
sistema experto difuso puesto que es un tipo de inferencia que se asemeja de manera apropiada a lo
que sucede en la realidad, donde los agentes toman sus decisiones en base a las reglas (no siempre
claras) que han aprendido de su experiencia. Varios ejemplos de este tipo de sistemas de inferencia
aplicados a mercados eléctricos pueden encontrarse en el trabajo de Medina (2006).
Figura 5.11. Esquema de inferencia para determinar el factor de contratación
Una descripción detallada de este esquema de inferencia se presenta en el siguiente capítulo,
mientras que la manera como cada agente “cree” en la conveniencia de utilizarlo y en qué grado, se
presenta en el capítulo 7.
5.2.8 Margen de utilidad
Este parámetro se refiere al margen de ganancia que obtiene el comercializador por sus ventas de
energía a los usuarios no regulados, y se define como la diferencia entre el precio de compra y el de
Evaluación hidrológica
Dinámica de precios
Propensión a tranzar en bolsa
Inferencia Factor de contratación Σ
79
venta, y que se cobra junto con los otros componentes del costo. Tal margen puede ser estático e
indiferente para todos los usuarios, o puede ser dinámico y depender de las características de cada
cliente como pueden ser la cantidad demandada, la forma de pago o la fidelidad.
Dado que los usuarios no serán representados de manera explicita e individual dentro del modelo de
simulación propuesto, la discriminación del margen por usuario no será considerada. En cambio, sí
se podría considerar la variación que éste puede tener en el tiempo, con el fin de medir la elasticidad
precio-demanda de la energía y analizar los movimientos de los usuarios entre un proveedor u otro,
asumiendo que las condiciones necesarias (geográficas, físicas, económicas, etc.) para hacerlo son
posibles.
5.3 Reflexión
Mientras que en el capítulo anterior se presentó un modelado muy general, aunque formal, de los
agentes que participan en la actividad de comercialización del mercado eléctrico Colombiano, con
el fin de formular una estructura general del modelo de simulación; dentro de este capítulo se
presentó una abstracción detallada de los factores que los agentes comercializadores de energía
deben considerar a la hora de tomar sus decisiones estratégicas. Tal abstracción sirve no sólo para
formular los modelos que se presentan en los capítulos siguientes, si no que también brindan un
entendimiento más profundo de los procesos decisorios de estos agentes. Si bien tal entendimiento
también hace parte de otros trabajos anteriormente mencionados, dentro de esta investigación se
hace por medio de formulaciones matemáticas y funcionales que facilitan su utilización desde un
punto de vista metodológico y no sólo descriptivo.
80
CAPÍTULO 6 MECANISMO DE INFERENCIA DIFUSO PARA LA CONTRATACIÓN DE
LOS AGENTES COMERCIALIZADORES DE ENERGÍA
Con el fin de dar cumplimiento con el tercer objetivo de este trabajo en este capítulo se desarrolla
un modelo de inferencia para simular los mecanismos de razonamiento empleados por los agentes
comercializadores para tomar sus decisiones estratégicas a partir de su percepción de las
condiciones del sector y de sus condiciones propias. En particular, se estudia la determinación del
factor de contratación para un período determinado, como una función del comportamiento de los
precios en los períodos inmediatamente anteriores y de la disponibilidad hídrica esperada.
6.1 Aspectos a considerar
Tal como se expuso en el capítulo anterior, los agentes comercializadores de energía eléctrica basan
sus decisiones en el análisis de información referente tanto a su estado propio como al del sector
eléctrico y del país. Dentro de la información que estos agentes analizan y que es exógena a ellos se
encuentran aspectos que pueden medirse tanto de manera cuantitativa como cualitativa e influyen
directa o indirectamente en la formación de los precios de la electricidad. En el trabajo de Medina
(2006) se expone una explicación detallada de tales aspectos, sin embargo en el modelo propuesto
en esta tesis se hace una simplificación y se considera sólo una fracción debido básicamente a dos
razones. La primera es que, a pesar de que son muchos aspectos los que determinan la dinámica del
mercado en Colombia, y si bien algunos son determinantes en la formación de precios en períodos
específicos, los empleados en este trabajo son los que en general puede decirse que tienen mayor
peso a la hora de tomar las decisiones estudiadas. Y la segunda es que, dado que el objetivo de este
trabajo es incorporar el modelo de inferencia presentado en este capítulo dentro del modelo general
de simulación, serían necesarios modelos específicos para la simulación de la evolución de cada
aspecto a considerar y más aún de sus interrelaciones, lo cual requeriría de una investigación
extensa que se encuentra por fuera del alcance planteado.
En este orden de ideas, los aspectos elegidos para consideración son la evolución de los precios de
la electricidad y la disponibilidad hídrica del sistema. Para su elección se siguieron dos premisas. La
81
primera es que los precios en sí son la principal señal para la toma de decisiones de los agentes
comercializadores. Tal aseveración concuerda con los postulados de teorías financieras como es el
análisis técnico, el cual se fundamenta en los principios de Dow Jones (Sánchez, 2000) empleados
en el análisis de mercados financieros. El primero de estos principios estipula que “los precios lo
descuentan todo”, el cual puede ser considerado la piedra angular del análisis técnico. Según este
principio todos los elementos que afectan el mercado, ya sean políticos, económicos, sociales,
psicológicos o de cualquier otra índole, están de hecho reflejados en la acción del precio. Por lo
tanto, al analizar la acción del precio de un mercado específico, se están analizando indirectamente
todos los factores relacionados con ese mercado. La segunda premisa es que, aún cuando los precios
por sí mismos generan señales para la toma de decisiones, no hay que desconocer que para el caso
particular del mercado eléctrico Colombiano existen variables claramente identificadas que los
afectan significativamente (UPME, 2004), y que por tanto el modelo de inferencia debe
contemplarlas, siendo la principal de estas variables la disponibilidad hídrica del sistema.
6.2 Análisis de la evolución de precios
El objetivo del análisis de la evolución de precios es determinar para un período t determinado la
relación entre los precios de bolsa y de contratos, es decir, cuál de estos precios se encuentra por
encima del otro o si son similares, y de esta manera intuir qué opción de compra de energía es más
atractiva en dicho período, tal como se expuso en la sección 3.2.3. Para llevar a cabo tal análisis es
necesario conocer un histórico de los valores de los precios de bolsa y de contratos hasta t. Su
fundamento es que a medida que el mercado Colombiano ha ido madurando, y que aunque la
volatilidad en los precios es alta (en particular para el precio de bolsa), los cambios abruptos en la
relación de precios, no en los precios en sí, son menos frecuentes y, en los casos en los que se
presentan, pueden ser explicados en gran medida por las demás variables estudiadas.
La herramienta empleada para llevar a cabo dicho análisis son los promedios móviles para ambos
precios. Con éstos se busca estudiar sus tendencias y brindar una señal, aunque no contundente, de
la relación entre ambos en el corto plazo. El tipo de promedio empleado en el modelo propuesto es
un promedio ponderado simple cuya formula se presenta en (1), y en el que se promedian los
precios de los últimos n períodos dándole mayor importancia a los más recientes y menos a los más
antiguos de manera progresiva.
82
∑
∑
=
== n
i
n
ii
i
PiPP
1
1*
(1)
El valor de n elegido es 3 meses pues corresponde a un horizonte de tiempo adecuado para las
decisiones de corto plazo. En la Figura 6.1 se puede observar la evolución de precios tanto de bolsa
como de contratos en el período 1999-2005 (los puntos rojos y azules), así como sus
correspondientes promedios ponderados (las líneas de los colores respectivos) y la diferencia
porcentual entre ambos (la línea verde). Tal diferencia se calcula como se muestra en (2), donde
PPP se refiere al Precio Promedio Ponderado.
contratos
contratosbolsa
PPPPPPPPP
reciosPdePorcentualDiferencia)( −
= (2).
20
3040
50
60
7080
90
Jul-9
8
Feb-
99
Ago
-99
Mar
-00
Oct
-00
Abr
-01
Nov
-01
May
-02
Dic
-02
Jun-
03
Ene
-04
Ago
-04
Feb-
05
Sep
-05
Mar
-06
Oct
-06
-0.6
-0.4
-0.2
-
0.2
0.4
0.6
Precio de Bolsa PPP Bolsa Precio de Contratos PPP Contratos Diferencia
Figura 6.1. Evolución de precios y promedios ponderados para bolsa y contratos
(Fuente: Neón, 2006)
Si se fuera a tomar una decisión respecto al factor de contratación basándose únicamente en este
criterio, podría decirse que cuando la diferencia porcentual entre los promedios en un período t sea
positiva se debería tomar una posición de sobrecontratación en el período t+k (con k cercano a uno)
esto pues se esperaría que si la tendencia presente continúa los precios de bolsa se encontrarán por
encima de los de contratos. De manera análoga, cuando la diferencia sea negativa la decisión a
83
tomar sería una posición de subcontratación pues se esperaría que la situación en los precios fuera
contraria. En el caso de que tal diferencia sea prácticamente nula, es decir que oscile alrededor de
cero, la decisión a tomar sería tomar una posición de cautela y contratar para el período t+k un
porcentaje cercano al 100% de su demanda, esperando que un cambio en la tendencia de los precios
se evidencie en períodos posteriores.
6.3 Evaluación de la disponibilidad hídrica
Los precios de la electricidad en todos los mercados de energía están directamente relacionados con
los costos de generación y, puesto que el sistema de generación Colombiano es en su mayoría
hidráulico, la evaluación de la disponibilidad hídrica del sistema es fundamental para las decisiones
de contratación. Por tal motivo, tal como se expuso en la Sección 3.2.2, el objetivo de este numeral
es deducir la disponibilidad hídrica esperada para el período t+1 a partir de las condiciones
hidroclimáticas en t, y al histórico completo de las variables que dan cuenta de dicha disponibilidad.
Para cuantificar la capacidad de generación de las plantas hidráulicas es posible recurrir a los
indicadores “Aportes de los ríos” y “Embalse ofertable”, los cuales dan cuenta para un período
determinado de la cantidad de agua que dichas plantas tienen disponible para la generación. En la
Figura 6.2 se muestra la evolución de ambas variables en el período 1996-2005 expresada en GWh.
-
1,000
2,000
3,000
4,000
5,000
6,000
7,000
Ago-
96
Jun-
97
Abr-
98
Feb-
99
Dic
-99
Oct
-00
Jul-0
1
May
-02
Mar
-03
Ene-
04
Nov
-04
Sep-
05
Jul-0
6
-2,000
-
2,000
4,000
6,000
8,000
10,000
12,000
14,000Aportes Embalse
Figura 6.2. Evolución de Aportes de los ríos y Embalse ofertable
(Fuente: Neón, 2006)
84
Más específicamente, el embalse ofertable corresponde a la diferencia entre la sumatoria de los
niveles de los embalses del país y sus respectivos límites operativos mínimos los cuales son
determinados por la CREG (dichos mínimos desaparecen a partir de la resolución 071 de 2006 en la
que se determina el nuevo esquema del cargo por confiabilidad). Mientras que los aportes de los
ríos corresponden a la sumatoria de los aportes hídricos de las cuencas que alimentan al sistema de
generación. De esta manera, es posible definir la disponibilidad hídrica total del sistema como la
suma de ambas variables. Un gráfico con el histórico de la disponibilidad hídrica medida en GWh
para el período 1999-2005 se presenta en la Figura 6.3.
7,000
9,000
11,000
13,000
15,000
17,000
0 1 2 3 4 5 6 7 8 9 10 11 12 13
1999200020012002200320042005
Figura 6.3. Disponibilidad hídrica mensual, años 1999-2005
(Fuente: Neón, 2006)
Para obtener su valor esperado en un mes determinado es posible emplear un método como el que
se propone a continuación:
1. Se calcula la disponibilidad hídrica promedio mensual con base en el histórico de los últimos m
años. En el modelo propuesto, el valor de m elegido es 7, que consiste con el registro a partir
del año 1999. Esto porque en 1998 como medida de seguridad ante eventos climáticos extremos
se cambiaron los límites operativos. La curva típica para el período estudiado se presenta en la
Figura 6.4.
2. Se calcula el porcentaje promedio que corresponde a cada mes respecto del total anual, así
como la variación promedio entre meses. Estos valores se presentan en la Tabla 6.1.
85
3. La disponibilidad hídrica esperada – DHP para un mes j, se calcula entonces a partir del valor
en el mes inmediatamente anterior j-1 y se multiplica por la variación promedio –VP entre
dichos meses, tal como se muestra en (3).
jijj VPDHDHE ,1 *−= (3)
9,000
10,000
11,000
12,000
13,000
14,000
15,000
0 1 2 3 4 5 6 7 8 9 10 11 12 136.0%
6.5%
7.0%
7.5%
8.0%
8.5%
9.0%
9.5%
10.0%
Disponibilidad promedio Porcentaje
Figura 6.4. Disponibilidad hídrica promedio años 1999-2005
(Fuente: Neón, 2006)
Tabla 6.1. Disponibilidad hídrica promedio años 1999-2005 Mes Disponibilidad hídrica
promedio mensual Porcentaje Variación
Ene 10.263,40 6,84% -16,70% Feb 9.734,59 6,49% -5,15% Mar 9.837,38 6,55% 1,06% Abr 11.160,67 7,44% 13,45% May 13.812,10 9,20% 23,76% Jun 14.810,29 9,87% 7,23% Jul 13.894,04 9,26% -6,19%
Ago 13.556,75 9,03% -2,43% Sep 13.413,27 8,94% -1,06% Oct 13.673,35 9,11% 1,94% Nov 13.612,00 9,07% -0,45% Dic 12.321,21 8,21% -9,48%
Total 150.089 100,00%
La validación de este modelo de pronóstico se realizó con los datos reales del período 1999-2005 y
los resultados obtenidos se muestran en la Figura 6.5. La raíz del error medio cuadrático es de
960,81, que corresponde a un error promedio de 6%.
86
De manera análoga a como se hizo con el caso de la diferencia porcentual de precios, si se fuera a
tomar una decisión respecto al factor de contratación basándose únicamente en la disponibilidad
hídrica esperada, podría decirse que cuando en un período t ésta se encuentre por encima de su
promedio histórico se debería tomar una posición de subcontratación, esto pues se esperaría que
dada la cantidad excedente de agua para ese período, los precios de bolsa se encontrarán bajos y
posiblemente los de contratos se encuentren por encima. Así mismo, cuando la disponibilidad
hídrica esperada se encuentre por debajo de su promedio, la decisión a tomar sería una posición de
sobrecontratación pues se esperaría que la situación en los precios fuera al revés. En el caso de que
la disponibilidad hídrica esperada tenga un nivel medio la decisión a tomar sería no considerar este
criterio y contratar para el período t+k un porcentaje cercano al 100% de su demanda, puesto que no
sería posible hacer especulaciones.
7,0008,0009,000
10,00011,00012,00013,00014,00015,00016,00017,00018,00019,000
Jul-9
8
May
-99
Mar
-00
Ene-
01
Nov
-01
Sep-
02
Jun-
03
Abr
-04
Feb-
05
Dic
-05
Oct
-06
Disponibilidad real Modelo
Figura 6.5. Disponibilidad hídrica real vs. Modelo de pronóstico
6.4 Determinación del factor de contratación
Una vez identificadas las variables a considerar así como las relaciones de éstas con la variable de
decisión, es decir, con el factor de contratación, es necesario definir un mecanismo que las pondere
de una manera similar a como lo haría un agente del mercado. Una manera de lograr esto es por
medio de un Sistema de Inferencia Difuso - SID (Kosko, 1995) cuyos fundamentos han sido
87
empleados ampliamente en diversos sistemas de toma de decisiones, e incluso para el caso
particular de los mercados de energía (Medina & Moreno, 2006a, 2006b; Montoya, 2003).
El primer paso para la creación del SID es la definición de los conjuntos difusos de las variables
tanto de entrada como de salida. Tales conjuntos se sitúan dentro del universo del discurso de cada
variable, el cual se extrae de su registro histórico, y su forma se determina a partir de una función de
pertenencia que para este caso son de tipo triangular. Una manera de especificar los rangos de cada
conjunto es emplear los correspondientes diagramas de frecuencia y complementar la información
brindada con el conocimiento experto. Para el caso de las variables de entrada del modelo
propuesto, es decir, la diferencia porcentual de precios y la disponibilidad hídrica, se emplearon los
diagramas de frecuencia presentados en la Figura 6.6, donde los ejes de abscisas representan los
universos del discurso y los ejes de las coordenadas el número de ocurrencias para el período 1999-
2005. Los conjuntos resultantes se validaron con conocimiento experto y su representación gráfica
se presenta en las Figuras 6.7 y 6.8.
Diferencia porcentual de precios
Disponibilidad hídrica
Figura 6.6. Diagrama de frecuencia de las variables de entrada
Para el caso de la variable de salida se empleó como universo del discurso el rango continuo
[0,200]. Como límite inferior de dicho rango se definió 0% puesto que un agente comercializador
podría eventualmente no cubrir absolutamente nada de su demanda por medio de contratos y
comprarlo todo en bolsa. Como límite superior se definió 200% pues un supuesto del modelo es que
por restricciones de presupuesto (o de otro tipo) un agente comercializador no puede contratar más
de ese porcentaje de su demanda en un determinado período. Tal supuesto busca darle simplicidad
al modelo, y es coherente con las condiciones reales del mercado. Para la definición de los
88
conjuntos difusos se emplearon rangos igualmente espaciados dentro del universo del discurso,
como se muestra en la Figura 6.9, y se eligió un número de éstos lo suficientemente amplio (5)
como para cubrir el espectro de decisiones que un comercializador podría tomar.
Figura 6.7. Conjuntos difusos para la diferencia de precios
Figura 6.8. Conjuntos difusos para la disponibilidad hídrica esperada
Figura 6.9. Conjuntos difusos para el factor de contratación
0 200 100 15050 7525 175125
muy sub- contratado
sub-contratado contratado
1
0
sobre-contratado
muy sobre-contratado
-50 50 0 30-30 -15 15
muy baja muy alta baja altanormal1
0
-100 100 0 50-50 -25-75 7525
muy inferior muy superior inferior superiorsimilar1
0
89
Una vez definidos los conjuntos difusos, se procede a definir las reglas del sistema de inferencia.
Tales reglas son del tipo SI <antecedentes> ENTONCES <consecuente>, donde los antecedentes
corresponden a la agregación (conjunción o disyunción) de los valores de las variables de entrada
(conjuntos difusos), mientras que el consecuente corresponde al valor resultante de la variable de
salida. De esta manera, las reglas pueden representarse por medio de una matriz, donde las filas y
las columnas se determinan con base en los conjuntos difusos de todas las variables de entrada, y la
dimensión de dicha matriz es su correspondiente producto cartesiano.
Para definir dichas reglas puede emplearse una metodología formal basada en valores históricos de
las tuplas entradas-salida (Sudkamp & Hammell, 1994), o puede emplearse conocimiento experto
explícito, como es el caso presentado en este trabajo. La matriz de reglas para el modelo propuesto
se presenta en la Tabla 6.2.
Tabla 6.2. Matriz de reglas del sistema de inferencia Diferencia porcentual de precios Muy inferior Inferior Similar Superior Muy superior
Muy baja Sub contratado Contratado Sobre
contratado Muy sobre contratado
Muy sobre contratado
Baja Sub contratado Contratado Sobre
Contratado Sobre
contratado Muy sobre contratado
Normal Muy sub contratado
Sub contratado
Contratado Sobre contratado
Muy sobre contratado
Alta Muy sub contratado
Sub contratado
Sub Contratado
Contratado Sobre contratado
Dis
poni
bilid
ad h
ídric
a es
pera
da
Muy alta Muy sub contratado
Muy sub contratado
sub contratado
Contratado Sobre contratado
Así por ejemplo, la expresión “Un precio de bolsa significativamente por encima del de contratos en
un mes determinado 1, sumado con una expectativa de una disponibilidad hídrica escasa para el mes
siguiente 2, incita a tener un nivel de contratación elevado para el mes siguiente 3; puede modelarse
como la siguiente regla difusa:
SI diferencia porcentual de precios ES muy superior 1 Y disponibilidad hídrica esperada ES muy
baja 2 ENTONCES factor de contratación ES (o debe ser) Muy sobre contratado 3.
Finalmente, como método de concreción para el modelo se aplicará el método del centroide, el cual
es un método ampliamente aceptado y cuya fórmula se relaciona con el cálculo del valor esperado
de las distribuciones de probabilidad mediante la siguiente relación:
90
( )
( )∫
∫=
zC
zC
C z
zZ
dz
dz z
´
´
´µ
µ (4)
Donde µC´ (z)= es la función de pertenencia de salida
La defuzzyficación o concreción mapea los conjuntos difusos de salida en un solo número o
resultado puntual como resultado del proceso de inferencia. La superficie de mapeo correspondiente
a las combinaciones de variables de entrada con la salida del sistema de inferencia se observa en la
Figura 6.10.
Figura 6.10. Superficie difusa para la variable de respuesta
6.5 Desempeño del modelo
Para evaluar el desempeño del sistema de inferencia propuesto se emplearon inicialmente los datos
reales correspondientes a las variables de entrada para el período 1999-2005, es decir, se emplearon
los valores históricos de los precios de bolsa y de contratos, así como del embalse ofertable y los
aportes de los ríos correspondientes de dicho período. Otras validaciones del desempeño del modelo
bajo diferentes escenarios se presentan en el capítulo 9. En la Figura 6.11 se puede observar el
91
porcentaje de contratación recomendado por el sistema de inferencia contrastado con el
comportamiento de los precios, mientras que en la Figura 6.12 se contrasta dicho porcentaje pero
con la disponibilidad hídrica real del mes correspondiente.
0
10
20
30
40
50
60
70
80
90
100
Nov
-98
May
-99
Dic
-99
Jun-
00
Ene-
01
Jul-0
1
Feb-
02
Sep-
02
Mar
-03
Oct
-03
Abr-0
4
Nov
-04
May
-05
Dic
-05
0%
20%
40%
60%
80%
100%
120%
140%
160%
180%
200%Precio de Bolsa Precio de Contratos Porcentaje de Contratacion 100%
Figura 6.11. Precios vs. Porcentaje de contratación
7,000
9,000
11,000
13,000
15,000
17,000
Nov
-98
May
-99
Dic
-99
Jun-
00
Ene-
01
Jul-0
1
Feb-
02
Sep-
02
Mar
-03
Oct
-03
Abr-0
4
Nov
-04
May
-05
Dic
-05
0%
20%
40%
60%
80%
100%
120%
140%
160%
180%
200%Disponibilidad hídrica real Porcentaje de Contratacion 100%
Figura 6.12. Disponibilidad hídrica vs. Porcentaje de contratación
De estas figuras se puede notar que, si bien las señales brindadas por ambas variables de entrada no
siempre son complementarias, es decir, que interpretadas individualmente no siempre producirían la
92
misma conclusión, la ponderación de ambas por medio del modelo de inferencia propuesto presenta
buenos resultados. Esto se refleja en los comportamientos “cautelosos” (porcentajes de contratación
cercanos al 100%) que se presentan en períodos de incertidumbre, y en comportamientos agresivos
(porcentajes altos de sub o sobre contratación) ante condiciones del mercado e hidroclimáticas más
claras.
Por otra parte, en la Figura 6.13 se observa la utilidad por transacciones en bolsa obtenida mes a
mes contrastada con el porcentaje de contratación. La ganancia mensual promedio obtenida fue de
$1.81, entendiendo la ganancia como la diferencia entre lo que hubiera obtenido el agente al
comprar el 100% de su demanda en contratos, y lo que ganó estructurando sus compras con base en
el porcentaje de contratación recomendado. En otras palabras este valor representa cuánto más
barato se compró en promedio cada mes (expresado en $/kWh) empleando el sistema, en contraste
con una estrategia de contratación completa. Esta cifra puede no parecer alta, pero al dimensionarla
respecto a la cantidad de energía que compra un agente comercializador en el mercado
mensualmente sí resulta bastante significativa.
$ -5
$ -1
$ 3
$ 7
$ 11
$ 15
$ 19
Nov
-98
May
-99
Dic
-99
Jun-
00
Ene-
01
Jul-0
1
Feb-
02
Sep-
02
Mar
-03
Oct
-03
Abr-
04
Nov
-04
May
-05
Dic
-05
0%
20%
40%
60%
80%
100%
120%
140%
160%
180%
200%Ganancia Porcentaje de Contratacion 100%
Figura 6.13. Ganancia vs. Porcentaje de contratación
Los puntos con mayores pérdidas se presentaron en Julio de 2001 y Diciembre de 2005 meses en
los cuales se presentaron caídas significativas en el precio de bolsa justo después de períodos de
incrementos del mismo.
93
6.6 Reflexión
El modelo de inferencia presentado en este capítulo es una propuesta fundamentada en la lógica
difusa para la definición del factor de contratación de los agentes comercializadores de energía a
partir del análisis de algunas de las variables mas importantes del sector. A pesar que este enfoque
ha sido empleado con éxito en otros trabajos citados en la bibliografía, el modelo presentado en este
capítulo presenta principalmente dos ventajas frente a estos. La primera es que posee una
formulación muy simple según la cual se consideran únicamente dos de las variables más relevantes
desde el punto de vista del comercializador. Si bien el considerar otras variables puede hacer que el
modelo sea más robusto, también puede introducirle a éste más ruido y más aún si es con fines de
simulación. La segunda es que en este trabajo no sólo se presenta la formulación del modelo de
inferencia, si no que también se determina su rendimiento (independiente de otras decisiones que
pueda tomar un agente) de manera numérica con datos reales del mercado en los últimos años por
medio de su evaluación frente a una estrategia de contratación del 100% que correspondería a un
perfil de comercializador pasivo. Tal análisis demostró de manera explícita que el modelo permite
obtener ganancias promedio significativamente por encima de una estrategia pasiva.
94
CAPÍTULO 7 MECANISMO PARA MODELAR EL APRENDIZAJE DE ESTRATEGÍAS
DE COMERCIALIZACIÓN DE ENERGÍA
El cuarto objetivo de este trabajo consiste en la formulación de un mecanismo de aprendizaje que
les permita a los agentes modelados obtener mayores utilidades en la actividad de comercialización.
Por tal motivo, en este capítulo se describen los procesos llevados acabo por dichos agentes que son
susceptibles de mejoras mediante algún tipo de aprendizaje. Posteriormente, se hace una breve
descripción de algunos de los algoritmos de aprendizaje de máquina más difundidos en la literatura
y, con base en éstos, se propone un mecanismo que puede ser incorporado en los agentes
modelados.
7.1 Decisiones de los agentes
Tal como se mencionó en el capítulo 5, entre las decisiones que deben considerar los agentes
comercializadores se encuentra la definición de su porcentaje de contratación para cada período.
Así, el objeto de estudio en este capítulo es la dinámica de dicha decisión a partir del rendimiento
percibido por el agente para lo cual se parte del principio que la racionalidad de los agentes no
necesariamente es estática, si no que éstos pueden modificar sus decisiones de contratación a través
del tiempo según les resulte más beneficioso, o según adquieran más experiencia de su participación
en el mercado.
7.2 Generalidades de los métodos de aprendizaje de máquina
Un método de aprendizaje puede considerarse como una forma determinada de hacer que un agente
que interactúa con su entorno cambie sus parámetros internos para que pueda adaptarse a nuevas
situaciones y solucionar, a la larga, la tarea que le ha sido encomendada. Según la realimentación de
la que dispone el agente para evaluar su desempeño actual, pueden clasificarse las técnicas
disponibles en la Inteligencia Artificial en, al menos, cuatro grupos: aprendizaje supervisado,
aprendizaje no supervisado, aprendizaje por optimización estocástica y aprendizaje por refuerzo.
95
En el aprendizaje supervisado el agente cuenta con la respuesta correcta para un cierto número de
situaciones como realimentación, es decir, con un conjunto de datos de entrenamiento, entendido
como una colección de ejemplos donde cada ejemplo comprende una situación determinada y la
respuesta correcta que un “supervisor” brinda para dicha situación. La diferencia entre la respuesta
correcta y la respuesta actual del agente para las situaciones comprendidas en dicho conjunto de
datos (señal de error) es utilizada para modificar los parámetros internos del agente buscando
minimizar el error en el futuro. De acuerdo a esta definición, es posible identificar que un problema
de este tipo de aprendizaje es la generalización: “¿Cómo inferir la respuesta correcta a situaciones
no presentes en el conjunto de entrenamiento a partir de aquellas que sí lo están?”. Un ejemplo de
este tipo de algoritmos son las Redes Neuronales Artificiales (Haykin, 1994).
En contraste, en el aprendizaje no supervisado el agente no cuenta con ningún tipo de
realimentación. Se espera que éste haga una clasificación de un conjunto de datos, asignando cada
uno de ellos a una determinada categoría con alguna clase de valor semántico. La mayor parte de
técnicas del aprendizaje no supervisado se basan en la suposición que puntos cercanos en un
espacio n-dimensional según una métrica determinada (situaciones similares desde la percepción
del agente) deben pertenecer a una misma clase. Un ejemplo de este tipo de algoritmos es el
Agrupamiento k-means (MacQueen, 1967).
Como aprendizaje por optimización estocástica se refiere a todas aquellas técnicas en las cuales el
desempeño del agente es calificado con un algún índice y es necesario optimizarlo paulatinamente
con alguna heurística particular de exploración aleatoria en el espacio de soluciones. Algunos
ejemplos de estos algoritmos son el temple simulado y la búsqueda tabú (Reeves, 1993; Sadiq &
Habib, 1999). Otro tipo de algoritmo de esta categoría son los algoritmos evolutivos (Fogel, 1995;
Bäck, 1996), basados todos en ideas de la teoría de la evolución, como la selección natural, la
recombinación genética y la mutación.
Por su parte, el aprendizaje por refuerzo (Sutton & Barto, 1998) está basado en la idea de la
psicología comportamental según la cual un organismo vivo aprende un determinado
comportamiento a partir de la correlación entre las acciones tomadas y el efecto a largo plazo que
éstas le reportan en términos de dolor y placer. El agente tenderá a repetir las acciones que le
producen placer y a suprimir las acciones que le producen dolor. La única realimentación con la que
cuenta el agente es, entonces, una señal de refuerzo o recompensa que, según el valor que tome,
96
puede ser interpretada como un “premio” o un “castigo” por el comportamiento llevado a cabo. En
este caso, la interacción que se da entre el agente y su entorno es del tipo prueba y error: diferentes
acciones se prueban en el mismo estado en diferentes etapas del aprendizaje, intentando determinar
la mejor. A diferencia del aprendizaje supervisado, la información disponible para el agente no es la
acción correcta a ser tomada en un estado particular, sino sólo una medida cuantitativa o cualitativa
de la conveniencia o inconveniencia de la ejecución de una acción en dicho estado. En este sentido,
al aprendizaje por refuerzo es llamado en ocasiones aprendizaje con un crítico (que califica
cualitativamente el comportamiento del agente), en contraste con el aprendizaje supervisado o
aprendizaje con un supervisor (que conoce la acción correcta para un conjunto determinado de
estados).
7.3 Aprendizaje reforzado
Dadas las características de los tipos de algoritmos descritos en el numeral anterior, se eligió el
aprendizaje reforzado (o aprendizaje por refuerzo) como el paradigma más indicado para el tipo de
aprendizaje requerido en este trabajo y por tanto en este numeral se realiza una descripción más
profunda de su naturaleza y principios.
7.3.1 Modelo general
En el modelo estándar de aprendizaje reforzado, un agente está conectado a su ambiente vía
percepción y acción. En cada paso de interacción el agente recibe una entrada i acerca del estado
actual s del ambiente y toma una acción a para generar una salida correspondiente. Tal acción altera
el estado del ambiente y el valor de esta transición de estado es comunicado al agente por medio de
una señal de refuerzo escalar r. El comportamiento B del agente debe escoger acciones que tiendan
a incrementar la suma de largo plazo de los valores de la señal de refuerzo, y para aprender a hacer
esto a través del tiempo, debe seguir sistemáticamente algún método de prueba y error, para lo cual
puede apoyarse en una amplia variedad de algoritmos diseñados para este propósito.
Formalmente, y de acuerdo con la Figura 7.1, un modelo de aprendizaje en general consiste de:
• Un conjunto discreto de estados del ambiente S
• Un conjunto discreto de acciones del agente A
• Un conjunto de señales escalares de refuerzo R, típicamente [0,1] o los números reales
97
La Figura 7.1 incluye además una función de entrada I, que determina la manera en la que el agente
ve el estado del ambiente, es decir, cuál es su percepción de los cambios que en éste se producen.
Típicamente se asume que esta función se trata de la función identidad (esto es, que el agente
percibe el estado exacto del ambiente), pero puede considerarse también funciones que permitan
modelar una observación parcial o alterada. El trabajo del agente es entonces modificar su
comportamiento B, mapeando estados con acciones, de manera que se maximice una medida de
largo plazo del refuerzo. En general, el ambiente en el que el agente se desempeña es no
determinístico, esto significa, que tomar la misma acción para el mismo estado en dos ocasiones
diferentes puede resultar en estados siguientes diferentes y/o diferentes valores de la señal de
refuerzo.
Figura 7.1. Modelo estándar de aprendizaje reforzado
Como se indicó previamente, el aprendizaje por refuerzo difiere de técnicas ampliamente estudiadas
como es el aprendizaje supervisado de varias maneras. La diferencia más importante es que no hay
una presentación de parejas de entrada/salida; en cambio después de escoger una acción el agente
recibe del entorno una recompensa y el subsecuente estado. En este sentido, es necesario que el
agente recoja información a través de la experiencia acerca de los posibles estados del entorno,
acciones, transiciones y recompensas que pueden guiarlo hacia la optimalidad. Por tanto, puede
decirse que otra diferencia importante entre estas técnicas es que el aprendizaje reforzado implica
necesariamente una exploración del entorno.
BI
R
i
r
a
sS
AMBIENTE
AGENTE
98
7.3.2 Medida de la optimalidad
Para poder diseñar algoritmos que se comporten de manera óptima (o mejor dicho, que busquen el
óptimo) es necesario precisar primero qué se entiende por optimalidad. En particular, es necesario
especificar cómo el agente debe tener en cuentan el futuro para las decisiones que debe tomar en el
presente. Para este fin, existen tres criterios que se presentan a continuación en los que se centran la
mayoría de los trabajos en esta área (Kaelbling et al., 1996).
El criterio de horizonte finito tiene como principio que en un momento dado de tiempo, el agente
debe optimizar la recompensa esperada para los siguientes h pasos, y no necesita preocuparse sobre
lo que puede pasar después, tal como se muestra en (1). En ésta y en las siguientes expresiones, rt
representa la recompensa escalar recibida t pasos en el futuro.
⎟⎠
⎞⎜⎝
⎛∑=
h
ttrE
0 (1)
El criterio de horizonte finito descontado considera en cambio la recompensa de largo plazo, pero
descontando las recompensas en cada instante de tiempo de manera geométrica de acuerdo a un
factor de descuento γ (donde 0 < γ ≤ 1) como se muestra en (2).
⎟⎠
⎞⎜⎝
⎛∑∞
=0tt
t rE γ (2)
Otro criterio de optimalidad es el de recompensa promedio, según el cual el agente debe tomar
acciones que maximicen su recompensa media para un período amplio de tiempo. Su representación
se muestra en (3), y puede ser interpretado como el caso limite del criterio de horizonte infinito
descontado cuando el factor de descuento vale 1.
⎟⎠
⎞⎜⎝
⎛ ∑=
∞→
h
tth
rh
E0
1lim (3)
Un problema de este último criterio es que no distingue entre dos políticas, una en la que se obtenga
una recompensa alta en los primeros pasos, de otra que lo haga en los últimos, o de otra que tenga
99
una recompensa estable pero regular durante todo el período analizado. Esto puede ser un
inconveniente en escenarios en los que malas señales de refuerzo tengan implicaciones dañinas (el
primer y segundo caso), o que se precise alcanzar el óptimo en algún momento (el tercer caso).
7.3.3 Medida de rendimiento del aprendizaje
Los criterios dados en la sección anterior pueden ser usados para definir las políticas de un
determinado algoritmo. Sin embargo, también es de interés evaluar la calidad del aprendizaje en sí.
Para esto existen diversos aspectos que se pueden considerar, algunos de los cuales se describen a
continuación.
Convergencia eventual al óptimo. Muchos algoritmos de aprendizaje tienen una garantía de
convergencia asintótica al comportamiento óptimo. Sin embargo esto, aunque teóricamente sea
atractivo, puede resultar no serlo en términos prácticos. Esto pues un agente que rápidamente llegue
al 99% del óptimo por ejemplo, puede ser preferible en muchos problemas a uno que garantice
alcanzar el 100% pero a una tasa de aprendizaje muy baja.
Velocidad de convergencia. Como alternativa al aspecto anterior, y dado que usualmente la
optimalidad se alcanza de manera asintótica, es posible medir la velocidad en la que el algoritmo
“se acerca” al óptimo (definiendo la cercanía por medio de una función de distancia). Sin embargo
esta alternativa tiene una falencia. Un algoritmo que intente acercarse al óptimo tan rápido como sea
posible puede incurrir innecesariamente en grandes penalizaciones durante el período de
aprendizaje, mientras que uno menos agresivo podría gastar un poco más de tiempo para acercarse,
pero obteniendo una mayor recompensa acumulada.
Arrepentimiento. A partir del razonamiento anterior, una medida más apropiada podría ser el
decremento esperado en la recompensa obtenida debido a la ejecución del algoritmo de aprendizaje,
el cual se conoce como medida de arrepentimiento (Berry y Friestedt, 1985).
7.4 Mecanismo de aprendizaje propuesto
Dada la complejidad computacional y estadística de algunos de los algoritmos de aprendizaje
específicos descritos en este capítulo, y teniendo en cuenta que uno de los objetivos de este trabajo,
más que ahondar en los métodos de aprendizaje de máquina, es simular el posible aprendizaje que
100
podría tener un agente comercializador a partir de su interacción con su entorno (en este caso el
mercado), se optó por proponer un algoritmo de aprendizaje que, si bien tiene una concepción
simple en comparación con el resto, se fundamenta en varios de los principios del aprendizaje por
refuerzo aquí presentados, y resulta coherente con los procesos que al respecto se dan en el mercado
real.
Retomando los elementos descritos en la Figura 7.1, se tiene para el mecanismo propuesto:
Un conjunto de estados del ambiente S: En este caso los estados corresponden a los esquemas de
contratación resultantes del agente, es decir, a su distribución de compras en contratos y en bolsa en
un período dado.
Un conjunto de acciones del agente A: Las acciones que el agente puede tomar en un período t se
refieren a la determinación de su factor de contratación, entendiendo éste como la ponderación entre
el factor por defecto que el agente tenga y el factor recomendado por el sistema de inferencia,
descrito en el capítulo anterior. Más formalmente se puede decir que tal factor se calcula como:
Si t > 1 Entonces Si factor recomendado > 1 Entonces factor = MIN(factor recomendado * λ + factor por defecto * (1 – λ), PC máximo) De lo contrario Si factor recomendado < 1 Entonces factor = MAX(factor recomendado * λ + factor por defecto * (1 – λ), PC mínimo) De lo contrario Entonces factor = factor recomendado De lo contrario Entonces factor = factor por defecto
El factor por defecto se puede interpretar como la estrategia por defecto que tendría el agente si no
contara con un mecanismo de aprendizaje y aplicara siempre la misma estrategia. Es decir, este
factor podría ser 1 en el caso de un agente completamente adverso al riesgo que siempre contrate el
100% de su demanda por medio de contratos; o podría ser un valor menor (pero cercano) a 1 para
meses de invierno y un valor mayor (pero cercano a 1) en meses de verano; o cualquier otra
estrategia estática que el agente pudiera implementar. Los valores PC máximo y PC mínimo
corresponden a los porcentajes de contratación máximo y mínimo respectivamente que el agente
fija de acuerdo con su perfil de riesgo. Para clarificar el significado de las anteriores variables se
presenta el siguiente ejemplo: Un agente comercializador puede tener un factor por defecto que sea
101
contratar el 90% de su demanda para meses que típicamente son de invierno, y 105% para meses de
verano. Y puede tener un PC mínimo de 60% y un PC máximo de 120%, lo cual indica que en el
más extremo de los casos, podría subcontratarse en un 40% (dejar este porcentaje para comprarlo en
bolsa), o sobrecontratarse en un 20% (dejar este porcentaje para venderlo en bolsa).
Por su parte λ se interpreta como el factor de credibilidad que tiene el agente en el sistema de
inferencia, y en el mercado en sí. En este sentido el aprendizaje, tal como se expone más adelante,
consiste en encontrar el valor óptimo de ese grado de credibilidad, que le asegura al agente obtener
las mayores utilidades posibles en el largo plazo dado su perfil de riesgo. De esta manera,
retomando el ejemplo del párrafo anterior, podría tenerse que para un período determinado
correspondiente a un mes de invierno, el factor recomendado sea 0.7 y el valor de λ sea 0.8, por lo
que el factor resultante sería:
factor = MAX(factor recomendado * λ + factor por defecto * (1 – λ), PC mínimo)
= MAX(0.7 * 0.8 + 0.9 * (1 – 0.8), 0.6)
= MAX(0.7 * 0.8 + 0.9 * (1 – 0.8), 0.6)
= MAX(0.74, 0.6)
= 0.74
Es decir, que la decisión para ese período sería contratar el 74% de su demanda.
Un conjunto de señales escalares de refuerzo R: En este caso la señal de refuerzo corresponde a la
diferencia entre la ganancia obtenida por el agente al haber tomado la acción a y la ganancia que
hubiera obtenido si tuviera la posibilidad de escoger la mejor acción, es decir, si tuviera la
información a priori de los precios de bolsa y de contratos, y hubiera actuado consecuentemente con
dicha información. Para calcular estas ganancias se procede de la misma manera a como se expuso
en el capítulo anterior para la validación del modelo de inferencia. Esto es, calculando la diferencia
entre la utilidad obtenida con un esquema de contratación al 100% y la obtenida con el esquema de
contratación correspondiente.
Formalmente, puede decirse que la utilidad obtenida con la estrategia óptima en un periodo t (UEO
t) es:
UEO t = Capital empleado estrategia 100% - Capital empleado estrategia optima
102
= Compras en contratos (estrategia 100%) – [compras contratos + compras bolsa – ventas bolsa] (estrategia óptima)
Para calcular las compras en contratos de la estrategia 100% basta con multiplicar la demanda por el
precio de contratos. En cambio, para calcular las compras en contratos, las compras en bolsa y las
ventas en bolsa de la estrategia óptima, es necesario partir del supuesto que se conocen los precios
de contratos y de bolsa del período correspondiente, y por tanto se definen con base em la diferencia
real entre tales precios de la siguiente manera:
Si Diferencia real de precios ≥ 0 (si el precio de bolsa es mayor que el de contratos) Entonces Compras contratos = Precio contratos * Máximo PC * Demanda Compras bolsa = 0 Ventas bolsa = Precio bolsa * (Máximo PC – 1) * Demanda De lo contrario (si el precio de contratos es mayor que el de bolsa) Entonces Compras contratos = Precio contratos * Mínimo PC * Demanda Compras bolsa = Precio bolsa * (1 - Mínimo PC) * Demanda Ventas bolsa = 0
De la misma manera, para calcular la utilidad obtenida con la estrategia empleada en un período t
(UEE t) es:
UEE t = Capital empleado estrategia 100% - Capital empleado estrategia empleada
= Compras en contratos (estrategia 100%) – [compras contratos + compras bolsa – ventas bolsa] (estrategia empleada)
De esta manera, la señal de refuerzo puede definirse como: UEO t / UEE t
En este caso, las compras en contratos, las compras en bolsa y las ventas en bolsa de la estrategia
empleada, se calculan con base en el factor de contratación elegido de la siguiente manera:
Compras contratos = Precio contratos * Factor elegido; Si Factor elegido < 1 (contratación por debajo del 100%) Entonces Compras bolsa = Precio bolsa * (1 – factor elegido) * Demanda Ventas bolsa = 0 De lo contrario (contratación por encima del 100%) Entonces Compras bolsa = 0 Ventas bolsa = Precio bolsa * (factor elegido – 1) * Demanda
Función de entrada I: Para este modelo se asume que no hay distorsión entre la respuesta del
entorno y la percepción que de ésta tiene el agente, y por lo tanto I corresponde a la función
identidad, es decir, F(x)=x.
103
Modificación del comportamiento B: Para el mecanismo propuesto, la modificación del
comportamiento se refiere a la actualización de λ a partir de la señal de refuerzo obtenida. En este
caso dicha modificación se modela como el valor en que se aumenta o disminuye λ, calculado por
medio de una función que es inversamente proporcional a la señal de refuerzo. Es decir, si la
diferencia entre la ganancia obtenida en el tiempo t respecto a la máxima ganancia que se hubiera
tenido dado el perfil de riesgo es cercana a cero, esto significa que la estrategia elegida es buena, y
por tanto el valor de λ no debería alterarse. Por el contrario, si esa diferencia es amplia, λ debería
alterarse considerablemente. En este sentido, la variable δ que se interpreta como el tamaño de paso
del algoritmo, actúa como un delta de la ganancia a obtener.
Más formalmente, tal modificación en un período t se realiza de la siguiente manera:
Si ganancia obtenida > 0 Entonces δ = (1 – ganancia obtenida / ganancia máxima) * θ Si factor > 1 Entonces Si Diferencia real de precios ≥ 0 Entonces λ t+1 = λ t + δ De lo contrario Entonces λ t+1 = λ t – δ De lo contrario Si factor < 1 Entonces Si Diferencia real de precios ≤ 0 Entonces λ t+1 = λ t + δ De lo contrario Entonces λ t+1 = λ t – δ
Donde θ representa el factor de proporcionalidad.
Algoritmo de aprendizaje: Teniendo en cuenta estos elementos, el algoritmo completo de
aprendizaje propuesto puede describirse de la siguiente manera:
Para t desde 1 hasta p (numero de periodos)
Si t > 1 Entonces Calcular factor elegido
De lo contrario Entonces factor elegido = factor por defecto
Calcular utilidad óptima y utilidad obtenida Calcular δ Determinar valor de λ Calcular factor recomendado por el sistema de inferencia para el siguiente periodo
104
En este apartado cabe anotar que el parámetro λ para t=1 es igual a cero, lo cual significa que al
inicio de la simulación la credibilidad del agente respecto del sistema de recomendación es nula y
esto lo hace inclinarse por elegir su factor de contratación por defecto. Sin embargo, a medida que
avanzan las iteraciones, tal parámetro se altera dependiendo de las señales de refuerzo que le
entregue el entorno, en este caso el mercado.
Medida de optimalidad y de rendimiento del algoritmo: A partir de la definición de la señal de
refuerzo es posible identificar que el algoritmo propuesto sigue un criterio de horizonte finito como
medida de optimalidad y que como medida del rendimiento del aprendizaje se emplea el concepto
de arrepentimiento.
7.5 Desempeño del modelo
De manera similar a como se evaluó el desempeño del modelo de inferencia, se evaluó el de
aprendizaje empleando los datos reales correspondientes al período 1999-2005. En la Figura 7.2 se
muestra la evolución de la ganancia obtenida (empleando la misma definición de ganancia que en el
numeral anterior) respecto a la máxima ganancia que podría obtenerse dada la propensión al riesgo
del agente, es decir, los porcentajes mínimo y máximo de contratación correspondientes (en este
caso de 0 y 200). También se muestra en la figura la evolución del factor λ.
-$ 5
$ 0
$ 5
$ 10
$ 15
$ 20
$ 25
$ 30
$ 35
$ 40
Feb-
99
Ago
-99
Mar
-00
Oct
-00
Abr
-01
Nov
-01
May
-02
Dic
-02
Jun-
03
Ene
-04
Ago
-04
Feb-
05
Sep
-05
Mar
-06
0.0
0.2
0.4
0.6
0.8
1.0
Ganacia obtenida Ganacia maxima Lambda
Figura 7.2. Ganancias obtenidas vs. Lambda
105
En la figura anterior puede apreciarse claramente que el comportamiento del aprendizaje es
asintótico y que la velocidad de convergencia está determinada por el tamaño de paso del algoritmo,
el cual está ligado al delta de la ganancia.
En la Figura 7.3 se muestra la diferencia entre el factor de contratación elegido y el recomendado
por el sistema de inferencia. Igualmente, se muestra la relación de dicha diferencia con el valor de λ
correspondiente.
-
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
Feb-
99
Ago
-99
Mar
-00
Oct
-00
Abr
-01
Nov
-01
May
-02
Dic
-02
Jun-
03
Ene
-04
Ago
-04
Feb-
05
Sep
-05
Mar
-06
0.0
0.2
0.4
0.6
0.8
1.0
Recomendacion Factor Lambda
Figura 7.3. Factor de contratación vs. Lambda
Otra manera de visualizar las ganancias se presenta en el Figura 7.4, donde puede observarse que la
franja de las ganancias no es estable, si no que presenta picos en escenarios extremos del mercado,
y tiene valores positivos pero cercanos a cero cuando los panoramas no son tan claros. También se
presenta una franja de pérdidas cuyo valor máximo es de 1.83 $/kWh, pero éste puede verse como
un caso particular, pues en el resto las pérdidas no superan los 0.6 $/kWh. Otros aspectos de interés
es que la utilidad promedio obtenida fue de 1.61 $/kWh, la pérdida promedio fue de 0.06 $/kWh y
la ganancia promedio fue de 1.66 $/kWh. El análisis para los puntos en los que se presentaron
mayores pérdidas es el mismo al presentado en el capítulo anterior.
Como era de esperarse, dado que el mecanismo de razonamiento brindó buenos resultados, el
algoritmo de aprendizaje propuesto converge a su utilización en un alto grado, es decir con un λ
resultante cercano a 1.
106
$ -5
$ 0
$ 5
$ 10
$ 15
$ 20
Feb-99
Ago-99
Feb-00
Ago-00
Feb-01
Ago-01
Feb-02
Ago-02
Feb-03
Ago-03
Feb-04
Ago-04
Feb-05
Ago-05
Figura 7.4. Ganancias obtenidas
7.6 Reflexión
El mecanismo de aprendizaje presentado en este capítulo es un aporte que se hace desde la
inteligencia artificial, y más específicamente desde el aprendizaje de máquina, para el modelado del
proceso de aprendizaje que puede ser llevado a cabo por agentes de software a partir de las
decisiones que toman y de las implicaciones económicas que éstas les acarrean. En particular, se
realiza el modelado de dicho aprendizaje para el caso de agentes dentro del modelo de simulación
del mercado de energía eléctrica Colombiano, aunque puede ser extensible a otros mercados
eléctricos. Cabe señalar que este mecanismo es una novedad respecto a otros trabajos en los que no
se considera este aspecto de los agentes, y hace que el modelo de simulación en su conjunto sea más
robusto y dinámico.
107
CAPÍTULO 8 VALIDACIÓN Y ANÁLISIS DE RESULTADOS
El último objetivo de este trabajo de investigación consiste en la validación del sistema de
simulación propuesto, tanto a nivel de los diferentes modelos y mecanismos que lo componen como
a nivel global. Esto es, desde los modelos matemáticos que soportan la simulación del entorno que
refleja el mercado eléctrico Colombiano: condiciones hidroclimáticas, dinámica de precios,
evolución y elasticidad de la demanda; hasta el comportamiento individual de cada agente: su
desempeño comercial y aprendizaje; y por supuesto, el resultado de sus interacciones.
El desarrollo de este capítulo coincide con la fase final de la metodología propuesta al inicio de esta
tesis, enfocándose principalmente en el análisis de los escenarios resultantes de la simulación, y en
menor medida, con el estudio de reproducción de comportamientos de la fase de validación anterior
a ésta. Cabe señalar que en la fase de validación no se emplean las pruebas mencionadas en la
metodología propuesta en el capítulo 3, pero si se presenta un breve análisis cualitativo. Entre tanto,
el detalle de la fase de implementación se presenta en el Anexo B dado que consiste en información
más técnica.
Para alcanzar la meta de este capítulo se corrieron varios casos de prueba en el prototipo
implementado bajo diferentes condiciones y parámetros validando por una parte que el modelo en
su conjunto reflejara la dinámica del mercado y por otra parte analizando el comportamiento de los
agentes incluidos en la simulación.
8.1 Caso 1
El primer caso de prueba, cuyos resultados y respectivo análisis se presenta a continuación, se
configuró con las siguientes características:
• Se simuló un período de 5 años que corresponde a 60 meses que es el período máximo que
permite el modelo, esto pues un horizonte más amplio se consideraría poco realista dada la
naturaleza altamente cambiante del mercado Colombiano.
108
• Se simularon por simplicidad únicamente dos generadores que aportan al sistema la totalidad de
energía que se requiere para el segmento simulado. Cada uno de estos agentes tiene una o varias
centrales de generación que pueden ser de diferentes tipos (lo cual se refleja en la varianza de
los precios) y son los que ponen las ofertas de compra en el mecanismo de subasta.
• Si bien según el párrafo anterior existen únicamente dos vendedores que aparecen en los
contratos normalizados, esto no significa que sean los únicos que oferten en la bolsa de energía.
En este caso, los agentes que suministran la energía, a diferencia de los que participan en el
SEC, se asumen de manera implícita por medio del modelo correspondiente, es decir, no se
modelan individualmente (en el modelo se contempla la participación de generadores tanto
hidráulicos como térmicos).
• Se simulan cuatro agentes comercializadores que atienden la totalidad de la demanda del
sistema. Los parámetros de cada uno se presentan en la Tabla 1.
Tabla 8.1. Configuración de los agentes comercializadores del caso de prueba
Nombre Porcentaje de la demanda
total que cubre
Propensión al riesgo
Factor por defecto
Aprendizaje PC Min
PC Max
Comercializador1 40% 0.0 100% No 100% 100% Comercializador2 30% 0.35 100% Si 90% 110% Comercializador3 20% 0.70 100% Si 70% 130% Comercializador4 10% 1.0 100% Si 0% 200%
En la Tabla 8.1 se puede observar que cada agente simulado responde a un perfil estratégico y de
exposición al riesgo muy diferente. El agente Comercializador1 es el que atiende la mayor
proporción de la demanda, es completamente adverso al riesgo y no hace uso del mecanismo de
aprendizaje para modificar su nivel de aceptación del sistema de inferencia. Se puede decir entonces
que este agente es de tipo pasivo, que no busca aprovechar posibles ventajas que se presenten en el
mercado debido a fluctuaciones en los precios, y que adopta una actitud conservadora comprando
una gran porción de su demanda proyectada en contratos de larga duración (CE-año) y dejando solo
un restante que corresponde a la porción mas volátil para comprarla en contratos de corta duración
(CE-mes). El resto de agentes simulados si ejecutan el mecanismo de aprendizaje y se diferencian
en los niveles de exposición a bolsa que contemplan y en la estrategia de contratación de largo y
corto plazo. El agente Comercializador2 tiene una propensión al riesgo levemente conservadora y
un nivel de exposición máximo a bolsa cercano al 10%. El agente Comercializador3 tiene una
propensión al riesgo más elevada tendiente a ser especulador y un nivel de exposición máximo a
109
bolsa cercano al 30%, lo cual es bastante significativo. El agente Comercializador4 es el caso
extremo, siendo completamente propenso al riesgo, lo cual implica que puede en teoría alcanzar a
tener niveles de sobrecontratación de hasta el 200% de su demanda y niveles de subcontratación
del 0%. Otra característica de este perfil es que es completamente especulador, y por tanto prefiere
no poseer contratación de largo plazo esperando las condiciones del mercado para, dado el caso, no
comprar, comprar poco, o sobrecontratarse, pero empleando contratos de corta duración. Un último
aspecto a considerar es que todos los agentes comercializadores simulados tienen un factor de
contratación por defecto de 100%, esto lo que significa es que cuando el factor de credibilidad al
sistema de inferencia (el parámetro λ descrito en el capítulo anterior) sea cercano a cero la decisión
de contratación del comercializador tenderá a dicho valor.
Como primer característica a analizar se presenta la disponibilidad hídrica obtenida, la cual se ve
reflejada en las variables Aportes de los Ríos y Embalse Ofertable, tal como se muestra en la Figura
8.1. Aquí se observa que dentro de los períodos simulados no se presenta un efecto climático
importante (entiéndase ocurrencia de Niños o Niñas fuertes) y ambas variables presentan una
evolución típica respecto a su historia reflejando claramente los ciclos inter-anuales. Sólo alrededor
del mes 14 y 58 se visualiza una reducción moderada en el Embalse Ofertable, llegando a unos
valores mínimos durante el verano del segundo y último año simulado.
Siendo coherente con este escenario hidro-climático se observa en la Figura 8.2 la evolución de los
precios para los mismos períodos. En dicha gráfica se muestra un crecimiento sostenido en el precio
de contratos con leves variaciones intra-anuales, mientras que el precio de bolsa, al igual que en el
mercado real, presenta altibajos debidos principalmente a la disponibilidad de los recursos hídricos.
En promedio puede decirse que el precio de bolsa tiene un valor más bajo que el precio de
contratos, aunque presenta varios picos cuando el embalse ofertable se encuentra en los menores
valores de cada año. En particular, se presentan dos picos importantes durante los veranos más
críticos, cuando el precio de bolsa alcanza valores superiores al 25% respecto al precio de contratos;
mientras que se observa un valle importante durante el invierno del cuarto año, en el que el precio
de bolsa alcanza valores inferiores hasta en un 32% respecto al precio de contratos.
110
Figura 8.1. Disponibilidad hídrica para el caso de prueba 1
Figura 8.2. Evolución de precios para el caso de prueba 1
La demanda del sistema se presenta en la Figura 8.3, en la cual se puede observar la variación típica
entre los diferentes meses del año, así como un crecimiento general moderado a lo largo del
horizonte de simulación.
111
Figura 8.3. Demanda del sistema para el caso de prueba 1
En la Figura 8.4 se presentan los esquemas de contratación de los agentes simulados respecto a la
duración de los contratos adquiridos. En esta figura se muestra como una franja azul la cantidad de
energía comprada por medio de contratos CE-año y como una franja rosa la comprada por medio de
contratos CE-mes. Aquí se puede observar que a menor perfil de riesgo existe un mayor nivel de
contratación por medio de contratos de larga duración, lo cual implica que este tipo de agentes
prefieren comprar con anticipación y por un tiempo prolongado una gran cantidad de su demanda
proyectada con el fin de evitar el riesgo debido a las volatilidades del mercado. Por el contrario, a
mayor perfil de riesgo, la cantidad de energía que se compra en este tipo de contratos es menor, y se
posterga la decisión de su contratación para que ésta dependa de las condiciones a corto plazo del
mercado. Este último caso parecería ser altamente riesgoso bajo el mecanismo actual de
contratación, pero se considera como viable para efectos ilustrativos en este trabajo de
investigación, puesto que uno de los principales fundamentos del SEC es brindarle liquidez al
mercado. En este punto cabe resaltar que la liquidez de un mercado se define como la capacidad
para realizar transacciones sujeta a la voluntad de las potenciales contrapartes para hacerlo, y que
dicha capacidad se relaciona con dos aspectos: el volumen de transacciones efectuadas y de la
diferencia poco significativa entre el precio demandado y ofrecido, los cuales son objetivos del
SEC.
112
Comercializador 1
Comercializador 2
Comercializador 3
Comercializador 4
Figura 8.4. Esquemas de contratación por duración del contrato para el caso de prueba 1
Referente a la compra de los contratos que conforman dichas franjas la Tabla 8.2 presenta un
resumen de las transacciones realizadas entre los agentes comercializadores y los generadores. Aquí
se puede observar que aunque dentro de los parámetros de la simulación se considera sólo una
fracción de la demanda total real de energía del sistema Colombiano, la cantidad de contratos
normalizados que deben adquirir los comercializadores para suplir su demanda es bastante alta, y en
la gran mayoría de los casos se realizan por el mayor número de unidades posibles.
Este resultado concuerda con los comentarios hechos en el trabajo presentado por el Grupo de
investigación de mercados de energía eléctrica de la Escuela Colombiana de Ingeniería (2006),
según los cuales la estandarización de los contratos a un factor de carga de 75 kWh, junto con la
restricción de una cantidad máxima de 500 contratos por subasta, podrían ocasionar alguna
complejidad desde el punto de vista operativo para el SEC. Es decir, que se manejaría una cantidad
exagerada de contratos, lo cual lleva a pensar que sería conveniente aumentar la cantidad de los
mismos.
113
Tabla 8.2. Transacciones realizadas por los comercializadores para el caso de prueba 1
Contratos CE-año Contratos CE-mes Agente comprador Año # contratos Energía transada
(MWh) # contratos Energía transada
(MWh) 1 31 1140 119 4455 2 30 1125 138 5122,5 3 31 1162,5 143 5347,5 4 32 1192,5 145 5377,5
Comercializador1
5 34 1252,5 150 5580 1 14 525 165 6150 2 15 555 225 8370 3 16 570 198 7357,5 4 16 585 171 6300
Comercializador2
5 17 607,5 216 8040 1 4 150 164 6045 2 5 157,5 236 8820 3 4 150 197 7312,5 4 4 150 137 5047,5
Comercializador3
5 5 187,5 202 7507,5 1 0 0 101 3757,5 2 0 0 142 5310 3 0 0 123 4560 4 0 0 89 3315
Comercializador4
5 0 0 125 4612,5 1 49 1815 549 20407,5 2 50 1837,5 741 27622,5 3 51 1882,5 661 24577,5 4 52 1927,5 542 20040
Total
5 56 2047,5 693 25740 Total 258 9510 3186 118387,5
Respecto a la estrategia de los agentes, los porcentajes de contratación que estos emplean durante
los diferentes períodos se muestran en la Figura 8.5. Aquí se observa claramente las estrategias de
sobre y sub contratación así como su magnitud empleadas por los agentes dependiendo de las
condiciones del mercado. Para el comercializador 1 tal porcentaje fluctúa alrededor del 100%
siendo consistente con su política de contratación. En este caso tal valor no es exactamente igual al
100% debido a que hay una pequeña diferencia (de alrededor de 2%) entre lo que cada agente tiene
como objetivo de contratación para un período y lo que en realidad contrata. Dicha diferencia se
explica por el mecanismo de la subasta ya que puede darse uno de los siguientes casos: El primero
es que se cierre el tiempo en el cual se encuentre activa la subasta sin que el agente haya ganado la
totalidad de las ofertas en las que estaba interesado, y segundo es que el agente muestre la intención
de ganar algunas ofertas que estén un poco por encima de su demanda previendo que otros agentes
114
salgan ganadores y no lo hagan. Para el resto de agentes dicho porcentaje fluctúa al interior del
intervalo comprendido entre sus porcentajes de contratación mínimo y máximo correspondientes,
dependiendo, tal como ya se expuso, de las condiciones del mercado y de la credibilidad que posean
frente al sistema de inferencia en un momento dado.
Figura 8.5. Porcentajes de contratación para el caso de prueba 1
De acuerdo con la Figura 8.5, y tal como es de esperarse, a mayor propensión al riesgo, los agentes
incurren en porcentajes de contratación mas alejados del 100%, y la magnitud de dicha desviación
depende básicamente de tres factores:
• Al resultado de la recomendación del sistema de inferencia al respecto, el cual involucra el
análisis de la diferencia entre los precios de bolsa y de contratos, así como de la disponibilidad
hídrica del sistema.
• Al nivel de credibilidad que cada agente tenga frente del sistema de inferencia, producto de su
mecanismo de aprendizaje.
• El porcentaje de demanda que ya tenga contratada el comercializador de acuerdo a su esquema
de contratación de largo y corto plazo. Esto en particular es importante cuando se presenten
posibles situaciones de subcontratación pues solamente los agentes que tengan bajos niveles de
115
contratación para el o los períodos correspondientes podrán aprovechar en mayor medida la
situación de precios de bolsa inferiores.
Ligada a la figura anterior, se muestran en la Figura 8.6 los esquemas de compra de energía para los
comercializadores simulados así como una comparación de su demanda proyectada contra la
demanda comercial real que tuvieron para cada uno de los períodos. En esta figura se muestra en la
franja azul la demanda proyectada, en la franja rosa la demanda comercial, en la franja verde la
energía comprada por medio de contratos y en la franja amarilla la energía comprada en bolsa para
cada uno de los comercializadores simulados. Aquí se puede observar que, si bien existen unas
leves diferencias entre la demanda que cada agente proyecta para un horizonte de tiempo y la
demanda comercial que en realidad tienen, en general sus estimaciones son adecuadas y les
permiten realizar una buena planeación de sus compras de energía.
Comercializador 1
Comercializador 2
Comercializador 3
Comercializador 4
Figura 8.6. Esquema de compra de energía vs. proyección de demanda para el caso de prueba 1
Ahora, en cuanto al rendimiento de los agentes respecto a sus estrategias de compra de energía, la
Figura 8.7 muestra el precio promedio de los contratos adquiridos por cada comercializador. Aquí
116
se puede observar que en promedio el precio al que se transan los contratos bajo el esquema de
subastas es similar para todos los agentes comercializadores. Sin embargo, también puede
observarse que se presentan unas leves diferencias que se deben básicamente a dos factores. El
primero es que la estrategia de contratación de largo plazo adoptada por los agentes con menor
propensión al riesgo produce que las fluctuaciones de los precios los afecten en menor medida y
puedan obtener, como en este caso, precios levemente inferiores respecto de los otros agentes. Y
segundo que el mecanismo mismo de la subasta obliga a los agentes a ser muy competitivos a la
hora de realizar sus ofertas y las decisiones que deben tomar al respecto se ven afectadas por varios
aspectos, uno de los cuales es que aquellos que tienen una mayor demanda que cubrir deben en
general ser más agresivos para ganar las ofertas, mientras que los que tienen menos demanda
cuentan con menos presión en este sentido.
Figura 8.7. Precio promedio de contratos para el caso de prueba 1
Como complemento a la figura anterior, la Figura 8.8 presenta los precios promedio de compra para
todos los comercializadores. Este precio se diferencia del anterior en que contempla las compras de
energía realizadas en bolsa y por tanto, dependiendo de las buenas o malas decisiones tomadas por
los agentes, puede estar por debajo o por encima del precio promedio de contratos. Estas
desviaciones se presentan cuando los comercializadores se encuentran subcontratados y deben
comprar los faltantes en la bolsa. En particular esta situación puede observarse para los meses 7 a
12 y 35 a 52, las cuales son consistentes con el escenario de precios presente durante esos períodos.
117
En el primer caso la desviación no es tan significativa pues, por una parte, los agentes aún se
encuentran en las fases iniciales de aprendizaje, y por otra porque la diferencia negativa entre los
precios de bolsa y de contratos se mantiene durante unos pocos meses. En el segundo caso por el
contrario tal desviación es bastante significativa y le representa a los agentes que “leen”
adecuadamente las condiciones del mercado tener una ventaja competitiva en el grado que sus
decisiones son acertadas.
Figura 8.8. Precio promedio de compras para el caso de prueba 1
Finalmente, como otro indicador del rendimiento de los agentes simulados y del desempeño del
mecanismo de aprendizaje implementado, la Figura 8.9 muestra las utilidades obtenidas por
transacciones en bolsa. Aquí se puede observar que en los primeros meses tales utilidades son
prácticamente nulas, pero a partir del quinto mes comienzan a ser significativas, obteniendo su pico
más alto al final del cuarto año en el cual, terminando la época de invierno, se presentó un alto nivel
de recursos hídricos para la generación, sumado a precios de bolsa muy por debajo de los de
contratos. Esta situación favoreció a los agentes con altos porcentajes de subcontratación pues
compraron energía a precios muy inferiores al promedio del mercado. En esta figura también se
observa que para algunos meses las transacciones en bolsa les reportaron pérdidas de prácticamente
igual magnitud a los agentes con una propensión al riesgo diferente de cero. El promedio de dichas
pérdidas cuando las hubo fue de $0,1657/kWh teniendo su mayor valor promedio en $0.55/kWh
118
durante el mes 29. Cabe resaltar sin embargo, que durante dicho mes se presentó una caída abrupta
del precio de bolsa (situación que no es completamente atípica en el mercado real), la cual no fue
prevista acertadamente por los agentes.
Figura 8.9. Utilidades obtenidas por transacciones en bolsa para el caso de prueba 1
Como dato importante se destaca también que la utilidad promedio por transacciones en bolsa para
el agente comercializador 4 fue de $1,7219/kWh, de $1,4607/kWh para comercializador 3 y de
$0,6448/kWh para comercializador 2. Estos valores pueden no parecer significativos, pero al
llevarlos a la escala de las transacciones que se efectúan en el mercado Colombiano representan
importantes ventajas competitivas para los agentes participantes.
8.2 Caso 2
El segundo caso de prueba se corrió bajo los mismos parámetros que el caso anterior con el fin de
evaluar el desempeño de los mismos tipos agentes bajo escenarios de mercado diferentes. Para este
segundo caso la disponibilidad hídrica obtenida se muestra en le Figura 8.10. Aquí se observa que
dentro de los períodos simulados se presenta dos efectos climáticos importantes: un Niño en su fase
final al inicio de la simulación, y una Niña de mediana duración durante el segundo y tercer
trimestre del penúltimo año.
119
Figura 8.10. Disponibilidad hídrica para el caso de prueba 2
Figura 8.11. Evolución de precios para el caso de prueba 2
120
El reflejo de tales condiciones se presenta en la Figura 8.11 donde se muestra la correspondiente
evolución de los precios. En este caso de prueba, al igual que en el anterior, puede decirse que el
precio de bolsa tiene un valor promedio más bajo que el precio de contratos, sin embargo en esta
ocasión la variación entre ambos es más alta, siendo consistente con los escenarios más críticos
presentes. Como puede observarse en dicha figura, durante el Niño el precio de bolsa alcanza
valores superiores al 37% respecto al precio de contratos; mientras durante la Niña tal diferencia
llega a ser hasta de un 47%.
Los porcentajes de contratación utilizados por los agentes se muestran en la Figura 8.12. En este
caso se observa una estrategia de sobrecontratación para los agentes con un perfil de riesgo
diferente de cero durante los primeros meses y de ahí en adelante la tendencia es de
subcontratación. Solamente alrededor de los meses 17 y 29 dichos agentes tienden a contratar la
totalidad de su demanda, situación que se debe al aumento de los precios de bolsa. Puede observarse
además que los niveles de subcontratación llegan a ser significativamente bajos, alcanzando a ser de
tan solo 30% para el agente comercializador 4.
Figura 8.12. Porcentajes de contratación para el caso de prueba 2
Respecto al rendimiento de los agentes en relación con sus estrategias de compra de energía, la
Figura 8.13 muestra el precio promedio de los contratos adquiridos por cada comercializador. Aquí
121
se puede observar que, al igual que en el caso de prueba anterior el precio promedio al que se
transan los contratos bajo el esquema de subastas es similar para todos los agentes
comercializadores, aunque se siguen presentando unas leves diferencias (cuyas razones ya han sido
expuestas en el caso anterior).
Figura 8.13. Precio promedio de contratos para el caso de prueba 2
Ahora, en cuanto a los precios promedio de compra presentados en la Figura 8.14 puede notarse que
esta vez la diferencia con el precio promedio de contratos es mucho más significativa a partir del
mes 30, lo cual se debe a los altos niveles de subcontratación empleados por los agentes durante
estos períodos. Tal diferencia les significa a los agentes más eficientes comercialmente
(entendiendo por eficiencia la habilidad de comprar a precios más bajos de los presentes en el
mercado) ganar clientes que, viendo la diferencia en los precios que estos pueden ofrecerle, se
cambian de comercializador bajo el principio de la elasticidad precio de la energía. En este punto
cabe recordar que estos cambios de comercializador son técnicamente, y que estos suceden bajo el
fundamento que las tarifas cobradas por los agentes dependen del precio de compra de la energía
destinada para satisfacer dicha demanda.
122
Figura 8.14. Precio promedio de compras para el caso de prueba 2
Las variaciones en la demanda de energía de los comercializadores para este caso de prueba se
muestra en la Figura 8.15 donde puede observarse que el agente menos eficiente, en este caso
comercializador 1 siendo el que mayor demanda inicial cubría, pierde cerca del 8.2% de la
demanda total, porcentaje se reparte entre los agentes más eficientes, comercializador 4 y
comercializador 3 en proporción a la eficiencia de éstos, y de acuerdo al algoritmo presentado en el
Anexo A.
Figura 8.15. Porcentajes de cubrimiento de la demanda para el caso de prueba 2
123
Por último, como indicador del rendimiento de los agentes simulados y del desempeño del
mecanismo de aprendizaje implementado, la Figura 8.16 muestra las utilidades obtenidas por
transacciones en bolsa. Aquí se puede observar que, a diferencia del caso de prueba anterior, la
velocidad de aprendizaje se fomenta gracias a la exposición de los agentes a una situación crítica al
inicio de la simulación. También se puede observar que tales utilidades alcanzan su pico más alto a
mediados del cuarto año en el cual, durante la época de invierno, se presentó un alto nivel de
recursos hídricos para la generación sumado a precios de bolsa muy por debajo de los de contratos.
Como es de esperarse, esta situación favoreció de nuevo a los agentes con altos porcentajes de
subcontratación. Al igual que en la Figura 8.9 también se observa que hubo algunas pérdidas
similares durante unos pocos meses para los agentes con propensión al riesgo diferente de cero en
una magnitud promedio de $0.1473/kWh. En este caso la utilidad promedio por transacciones en
bolsa para el agente comercializador 4 fue de $4,1195/kWh, de $2,9061/kWh para comercializador
3 y de $1,0607/kWh para comercializador 2, lo cual significa valores cercanos al doble respecto al
caso de prueba anterior.
Figura 8.16. Ganancias obtenidas por transacciones en bolsa para el caso de prueba 2
Otras consideraciones para este segundo caso de prueba como son la evolución de la demanda del
sistema, los esquemas de contratación con relación a la duración de los contratos, los volúmenes de
124
transacciones realizadas, y la comparación de la demanda proyectada contra la real de los agentes,
no son presentadas en detalle pues su interpretación es muy similar al caso anterior.
8.3 Reflexión
Los casos de prueba presentados en este capítulo permitieron evaluar de manera tanto cuantitativa
como cualitativa el desempeño del modelo general de simulación entendiéndolo como la
integración de los modelos que lo componen y los resultados obtenidos dieron cuenta de la
pertinencia de los planteamientos empleados en sus formulaciones. Cabe indicar además que los
casos de prueba se corrieron gracias al prototipo de software implementado que, aunque no hace
parte explícita del objeto de este trabajo, es un aporte práctico en el que confluyen varias
tecnologías y herramientas de la ingeniería de sistemas.
125
CAPÍTULO 9 CONCLUSIONES Y TRABAJO FUTURO
Los diferentes cambios que se han presentado en el sector eléctrico Colombiano han buscado
principalmente introducir la competencia entre las diversas empresas involucradas, en particular a
las dedicadas a la generación y a la comercialización, con el fin de convertirlo en un mercado más
eficiente. Este nuevo esquema, a diferencia del anterior en el que el gobierno se encargaba de suplir
este bien público, enfrenta a dichas empresas a altos niveles de riesgo de mercado, pero también a
grandes oportunidades de negocio. Bajo este panorama se desarrolló en esta tesis de maestría un
modelo de simulación que permite definir y evaluar estrategias de participación de agentes
comercializadores. Para lograr esta meta el modelo propuesto se diseñó e implementó basado en el
paradigma multi-agente, el cual se diferencia de los enfoques empleados en trabajos previos en que
contempla el sistema modelado como el resultado de la interacción entre sus partes. Esta
característica permite analizar ciertos aspectos de dicho sistema como es el rendimiento individual
de cada competidor teniendo en cuenta que estos pueden contar con perfiles heterogéneos, así como
el impacto que dicho rendimiento tiene sobre los demás. También permite estudiar las capacidades
de aprendizaje que poseen los agentes y que les permiten alterar sus estrategias con el fin de
alcanzar ventajas competitivas.
Para que el modelo supuesto sea un buen reflejo de la realidad, éste consideró las características
propias del bien transado, es decir de la energía eléctrica, así como la alta influencia que las
condiciones hidrológicas tienen sobre la formación de su precio. Igualmente consideró la entrada en
funcionamiento del Sistema Electrónico de Contratos – SEC como mecanismo para la transacción
de contratos estandarizados de futuros.
De los resultados arrojados por las pruebas realizadas tanto al modelo general de simulación
propuesto como a los modelos que lo componen, y de acuerdo a los hallazgos obtenidos a lo largo
de la realización de este trabajo es posible exponer las siguientes conclusiones, algunas de las cuales
dan respuesta a las preguntas de investigación formuladas en el capítulo 1:
126
Para dar respuesta a la primera pregunta de investigación, el capítulo 4 presenta un modelado
general de los agentes del mercado eléctrico Colombiano que intervienen en la actividad de
comercialización, así como de sus principales funciones. Mientras que en el capítulo 5 se modela
con más detalle algunos de los aspectos más relevantes que los comercializadores consideran a la
hora de tomar sus decisiones estratégicas. En este punto se insiste en que si bien estos agentes
toman en consideración una gran cantidad de variables que reflejan de alguna manera su realidad
propia y la del mercado tanto en un instante de tiempo determinado como en uno futuro, en esta
tesis se modelaron aquellos aspectos que pueden considerarse más generales, esto sin desconocer
que tales procesos de toma de decisión pueden, y en el mundo real son, mucho más complejos.
Entre estos aspectos se encuentra la evolución de la demanda propia, la disponibilidad hídrica del
sistema, la evolución de los precios de la energía tanto en el mercado spot como en contratos, al
igual que algunos parámetros propios del agente como es su propensión a transar en bolsa, el factor
de contratación empleado en un determinado periodo, su estrategia de compra en contratos, entre
otros.
Respecto al modelado de las variables que se relacionan con dichos aspectos, cabe indicar que los
modelos complementarios presentados en este trabajo para la simulación del entorno en que se
desenvuelven los agentes, los cuales se exponen en detalle en el anexo A, consisten en
formulaciones matemáticas y algorítmicas que de acuerdo a las pruebas realizadas, resultan ser
adecuadas para tal modelación pues presentan un ajuste satisfactorio respecto a los datos históricos.
En este punto se hace hincapié en que dichos modelos no pretenden ser herramientas de pronóstico
para las variables analizadas y se exhorta al lector a no emplearlas para tales fines. Esto pues su
finalidad, más que la predicción, es reflejar la dinámica de tales variables de tal manera que se
puedan simular escenarios hidrológicos, de demanda y de precios que sean coherentes con la
realidad del mercado Colombiano.
Para dar respuesta a la segunda pregunta de investigación en el capítulo 3 se presenta una propuesta
metodológica la cual pretende ser, más que un instrumento rígido para la construcción de modelos
de simulación multi-agente, una guía formal que permita al desarrollador contar con artefactos
apropiados dentro de cada una de las fases requeridas. De esta manera se busca que el producto
obtenido, tanto a nivel conceptual como de software, cuente con un alto nivel de calidad. Cabe
señalar que si bien tal propuesta metodológica es empleada en esta tesis en el ámbito de los
mercados eléctricos, ésta puede ser usada en campos diferentes que estén caracterizados por un alto
127
nivel de interacción entre las entidades que componen el sistema modelado así como por estructuras
de razonamiento y aprendizaje individuales. Ejemplos de otros campos en los que esta metodología
podría aplicarse pueden ser las bolsas de valores, las subastas electrónicas de bienes tangibles, los
juegos de negociación iterativos estilo el dilema del prisionero, entre otros.
Para complementar el enunciado anterior, cabe resaltar que el desarrollo del modelo general de
simulación para el mercado eléctrico Colombiano presentado en el capítulo 4 con base en dicha
metodología es lo suficientemente claro y completo lo cual facilita su comprensión e
implementación. Además, es flexible y escalable lo que permite hacerle posteriores complementos y
modificaciones.
Para dar respuesta a la tercera pregunta de investigación, se modeló el proceso de razonamiento de
los agentes comercializadores respecto a la definición de su factor de contratación por medio de un
modelo de inferencia difuso propuesto en el capítulo 6. Dicho modelo contempla la incertidumbre
presente en la decisión que estos agentes deben tomar por medio de conjuntos difusos con los que
se representan las variables consideradas así como por un conjunto de reglas que sintetizan el
conocimiento experto. El tipo de modelo empleado es un sistema de inferencia Mamdani cuya
variable de salida es el factor de contratación recomendado en el corto plazo, mientras que las dos
variables de entrada corresponden a la disponibilidad hídrica esperada y a la diferencia porcentual
entre los precios promedio ponderados de bolsa y de contratos.
Para dar respuesta a la cuarta pregunta de investigación, el modelo de aprendizaje propuesto en el
capítulo 7 demuestra que es posible modelar mecanismos de aprendizaje dentro de los agentes
simulados a partir de un enfoque de aprendizaje de máquina. El modelo propuesto se basa en el
aprendizaje por refuerzo donde la realimentación que reciben los agentes al tomar una decisión de
manera que pueden alterarla consecuentemente para el periodo siguiente con el fin de maximizar los
beneficios obtenidos. En este punto es importante señalar que los fundamentos del modelo
propuesto son lo suficientemente generales como para ser aplicado en contextos diferentes a la
comercialización de energía eléctrica con la ventaja que éste incorpora elementos novedosos como
es una tasa de aprendizaje (o tamaño de paso del algoritmo) variable y la definición de una señal de
refuerzo basada en la evaluación a posteriori de las acciones realizadas respecto a una política
óptima.
128
Los modelos a los que se refieren los dos párrafos anteriores presentaron un buen desempeño
(cuantificado por medio del rendimiento obtenido por los agentes) al ser evaluados frente a los
datos reales del mercado de los últimos años. Con esto queda demostrado de manera explícita y
contundente que tales modelos permiten obtener ganancias promedio significativamente por encima
de una estrategia pasiva y que dichas ganancias, al igual que en una actividad de inversión
cualquiera, varían de acuerdo al perfil de riesgo asumido. Sin embargo cabe señalar que, más que
ser modelos definitivos para representar estos procesos de razonamiento y aprendizaje, buscan dar
algunas luces sobre cómo puede hacerse una esquematización matemática y algorítmica de los
mismos y ser un precedente para otros modelos que puedan diseñarse para tales fines.
Para dar respuesta a la quinta pregunta de investigación los resultados obtenidos mediante los casos
de prueba presentados en el capítulo 8 muestran los rendimientos que diversos perfiles de agentes
comercializadores pueden obtener en el mercado simulado. Durante estas pruebas se demostró que
con el modelo propuesto es posible evaluar estrategias de comercialización que contemplan
diferentes percepciones de riesgo así como estrategias de compra de contratos de largo plazo dentro
de un ambiente que simula de manera adecuada la dinámica del mercado eléctrico colombiano.
Como conclusión adicional puede decirse respecto al uso del SEC como mecanismo para la
negociación de contratos de largo plazo que, tal como ha sido uno de los objetivos del gobierno y
más específicamente de la CREG, éste puede ser un medio para brindarle liquidez al mercado
permitiendo que los contratos transados sean tratados a similitud de otros activos de consumo. Sin
embargo como resultado de las simulaciones realizadas, y en concordancia con los comentarios
realizados en otros trabajos de investigación al respecto, se encontró que el alto volumen que de
dichos contratos se requiere para cubrir la demanda nacional introduce una significativa
complejidad operativa. Por esta razón se propone la revisión de la cantidad máxima de contratos
que pueden adquirirse por subasta según la Resolución CREG 031 de 2005.
Como trabajo futuro, y teniendo en cuenta que los modelos y el prototipo fruto de este trabajo
pueden servir como punto de referencia para trabajos posteriores, se proponen como nuevos
trabajos de investigación los siguientes:
Complementar, sin perder de vista el principio de simplicidad, el sistema de inferencia difuso para
la recomendación del factor de contratación con otras variables de entrada que afectan la formación
129
del precio de la energía eléctrica en Colombia, bien sea porque tienen un efecto directo sobre éste, o
porque generan especulación entre los agentes del mercado. Entre estas variables se pueden
encontrar aspectos normativos como los cambios regulatorios; aspectos sociales como el riesgo país
o los atentados contra la infraestructura eléctrica; aspectos políticos que produzcan inestabilidades
como elecciones presidenciales o acuerdos internacionales; aspectos climáticos como las
expectativas de fenómenos de acuerdo a indicadores como los publicados por la NOAA; e incluso
aspectos del mismo mercado como las futuras exportaciones con los países de Sur y Centro
América. Si bien estas variables no son fáciles de modelar (por un lado porque pueden ser más
cualitativas que cuantitativas, y por otro porque puede resultar difícil medir el efecto que podrían
tener sobre el precio), ayudarían a construir un modelo más robusto y acertado, lo cual se traduciría
en un incremento en las utilidades para los agentes.
Incorporar mecanismos de razonamiento también para los agentes generadores de tal manera que
estos tengan un rol más activo dentro del modelo. Esto permitiría en primera instancia dinamizar
más el modelo completo siendo un mejor reflejo de la realidad, además que el precio de bolsa se
formaría a partir de las decisiones tomadas por estos.
Proponer e implementar otros mecanismos de aprendizaje que puedan ser empleados por los
agentes modelados para optimizar en el largo plazo los beneficios percibidos. Una vez hecho esto
sería posible, mediante el prototipo construido, poner a competir bajo diferentes escenarios a
diversos agentes que incorporen tanto dichos mecanismos como el propuesto en este trabajo y
determinar si es posible hallar uno que obtenga un mejor desempeño. Por ejemplo, otro enfoque
para diseñar mecanismos alternos podría basarse en procesos de imitación, aunque se deja abierta la
posibilidad de explorar otros.
Modelar dentro del mecanismo de subasta, no sólo contratos de futuros, si no también contratos de
opción tanto sobre precios de contratos como sobre precio de bolsa tal como lo propone el SEC, con
el fin de explorar el impacto que estos instrumentos de cobertura de riesgo podrían tener sobre el
mercado Colombiano.
Analizar la capacidad que tendrían los agentes que participen bajo un nuevo esquema de
transacciones en el que, como en el SEC, se incluyan contratos de futuros, de tranzar dichos
contratos no solamente para el cubrimiento del riesgo ante el precio spot, si no también como una
130
actividad de especulación respecto al precio forward, es decir, que puedan revenderlos cuando el
precio forward sea atractivo. Para esto sería necesario modelar la cámara de compensación así como
el esquema de garantías y cuentas de margen que los agentes deberían emplear.
131
REFERENCIAS BIBLIOGRÁFICAS
Arango, S. (2000), Micromundo para la inversión en generación eléctrica en Colombia. Tesis de
Maestría en Aprovechamiento de Recursos Hidráulicos, Universidad Nacional de Colombia.
Arias, F. y Marulanda, J. (2006), Integración de ontologías y capacidades de razonamiento a los
agentes de software del modelo de simulación del proceso de negociación de contratos
normalizados bilaterales de energía para el sector eléctrico colombiano. Trabajo Dirigido de
Grado. Universidad Nacional de Colombia – Sede Medellín.
Axelrod, R. (1997), Adancing the Art of Simulation in the Social Sciences. En: Simulating Social
Phenomena, Lecture Notes in Economics and Mathematical Systems.
Ayala, U y Millan, J. (2002), La sostenibilidad de la reforma del sector Eléctrico en América
Latina: Las Reformas en Colombia. Banco Interamericano de Desarrollo.
Bäck, T. (1996). Evolutionary Algoritms in Theory and Practice. Oxford University Press, N.Y.
Banco de la Republica (1998), Introducción al Análisis Económico: El caso Colombiano. Siglo del
Hombre Editores.
Bagnall, A. & Smith, G. (2005), A Multi-Agent Model of the UK Market in Electricity Generation
Bedoya L. (2001), Lineamientos metodológicos para el desarrollo de una herramienta de
aprendizaje para la comercialización de energía eléctrica en Colombia usando Dinámica de
Sistemas e Inteligencia Artificial. Tesis de Maestría en Ingeniería de Sistemas, Universidad
Nacional de Colombia.
Bellifemine, F., Poggi, A., Rimassa, G. (1999). JADE – A FIPA – compliant agent framework. En:
Proceedings of the 4th International Conference and Exhibition on the Practical Application of
Intelligent Agents and Multi-Agents 1999.
Bellifemine, F., Rimessa, G., Trucco, T., Caire, G. (2005). JADE programmer’s guide. En
http://jade.tilab.com
Berry, D. & Fristedt, B. (1985). Bandit Problems: Sequential Allocation of Experiments. Chapman
and Hall. Londres.
Bodie, Z., Kane, A., Marcus, A. (1996), Investments, Tercera Edición. New York. McGraw Hill.
Bower, J & Bunn, D (2000), Model-based comparison of pool and bilateral markets for electricity.
En: Energy Journal, 21(3):1-29
132
Bower, J & Bunn, D (2001): Experimental analysis of the efficiency of uniform-price versus
discriminatory auctions in the England and Wales electricity market. En: Journal of Economic
Dynamics and Control, 25(3-4)
Box, G. y Jenkins, G. (1970), Time Series Analysis: Forecasting and Control. Holden-Day Inc.
Bush, G., Cranefield, S., Purvis, M. (2001). The Styx Agent Methodology. En: The Information
Science Discussion Paper Series.
Cernuzzi, L., Zambonelli, F. (2005). Developing MAS Solutions with Gaia and AUML. En: 31
Conferencia Latinoamericana de Informatica – CLEI 2005.
Checkland, P. y Scholes, J. (1990). Soft Systems Methodology in Action. Ed. John Wiley & Sons.
Conte, R., Gilbert, N. y Sichman, J. (1998). MAS and Social Simulation: A Suitable Commitment.
En: Multi-Agent-Based Simulation, Second International Workshop, MABS 1998.
Correa Y. P. (2001), Conformación de un Portafolio Eficiente para la Comercialización de Energía
Eléctrica en el Mercado Eléctrico Colombiano. Trabajo de Grado Ingeniería Administrativa,
Universidad Nacional de Colombia.
Chernoff, H., Moses, L. E. (1959), Elementary Decision Theory. Editorial John Wiley and Sons.
CREG: Comisión Nacional de Regulación de Energía y Gas (2005), Resolución 031 de 2005.
Davidsson, P. (2000), Multi Agent Based Simulation: Beyond Social Simulation. En: Proceedings of
the Second International Workshop on Multi-Agent-Based Simulation.
Davis, M. (1997), Game Theory: A Nontechnical Introduction. Dover Publications, 1997.
DeLoach, S. (2001). Analysis and Design using MaSE and agentTool. En: 12th Midwest Artificial
Intelligence and Cognitive Science Conference- MAICS 2001.
Dyner, I. (2000), Energy modeling platforms for policy and strategy support. En: Journal of the
Operational Research Society, 51(2), 136-144.
Dyner, I., Franco, C. (1998), Un modelo nacional desagregado para la formulación de políticas
para el uso racional de la energía. En: Energética. Medellín, N° 20.
Dyner, I., Larsen, E. R. (2000), From planning to strategy in the electricity industry. Working
Paper, Universidad Nacional de Colombia, City University Business School.
Edmonds, B. (2000). The Use of Models – Making MABS More Informative. En: Multi-Agent-
Based Simulation, Second International Workshop, MABS 2000, Boston, M.A., pp. 15-32.
Elder, A. (1993), Trading for a living. Ed. John Wiley & Sons.
Elton, E., Gruber, M. (1995), Modern Portafolio Theory and Investment Analisys, Fifth Edition.
New York. John Wiley and Sons.
133
Ericsson, M. (2000). Developing Large-Scale Systems with the Rational Unified Process. En:
http://www.rational.com.
Feldman, J. A., Sproull, R. F. (1977), Decision Theory and Artificial Intelligence II: The hungry
monkey. En: Cognitive Science, 1(2), 158-192.
Finin T., Fritzson R., McKay D. (1992), An Overview of KQML: A Knowledge Query and
Manipulation Language. Technical report, Department of Computer Science, University of
Maryland, Baltimore County.
FIPA: Foundation for Intelligent Physical Agents (2000), Specifications. En: http://www.fipa.org
Fisher, R., Ury, W., Patton, B. (1994), Sí… ¡de acuerdo! Cómo negociar sin ceder. Bogotá. Grupo
Editorial Norma.
Florez-Mendez, R. (1999). Towards the Standardization of Multi-Agent System Architectures: An
Overview. En: ACM Crossroads, Special Issue on Intelligent Agents, Association for
Computer Machinery, Issue 5.4, pp. 18-24.
Fogel, D. (1995). Evolutionary Computation. IEEE Press, New York.
Ford, A. (1999), Cycles in Competitive Electricity markets: A simulation study of the Western
United States. En: Energy Policy, Vol 27.
Francis, J. C. (1988), Management of Investments, Segunda Edición. McGraw Hill.
Friedman-Hill, E. (1997), JESS, The Expert System Shell for the Java Platform. En:
http://platon.escet.urjc.es/grupo/docencia/ia3/material/JESS6.1-Manual.pdf
García, D. (2000), Introducción al estándar FIPA. Informe técnico UCM-DSIP 98-00. Universidad
Complutense de Madrid.
Gary, S. y Larsen, E. R. (1998), Understanding Strategic Decisions in DeRegulated Markets:
Accelerate Learning through Simulation. System Dynamics Group, WP – 0022.
Giarratano, J. y Riley, D. (2004), Expert Systems: Principles and Programming. Fourth Edition.
Brooks/Cole Publication.
Gilbert, N. y Bankes, S. (2002). Platforms and Methods for Agent-based Modeling. En:
http://www.pnas.org/cgi/doi/10.1073/pnas.072079499
Grupo de investigación de mercados de energía eléctrica de la Escuela Colombiana de Ingeniería
(2006), Opciones de cubrimiento del riesgo por subida fuerte en los precios del mercado en
bolsa de energía y su relación con el cargo por capacidad.
Harp, S.; Brignone, A.; Wollenberg, B.; Samad, T. (2000), SEPIA: a simulator for electric power
industry agents. En: IEEE Control Systems Magazine, 20(4):53-69.
Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. Macmillan. New Cork.
134
Hernan, O. (2006), Modelamiento de los precios promedios mensuales de los contratos despachados
en el mercado de electricidad mayorista de Colombia. Tesis de Maestría en Ingeniería de
Sistemas, Universidad Nacional de Colombia – Sede Medellín.
Hogart, R. (1987), Judgment and Choice, Segunda Edición. Ed. John Wiley and Sons.
Iglesias, C. (1998). Definición de una metodología para el desarrollo de Sistemas Multi-Agente.
Tesis doctoral. Universidad Politécnica de Madrid.
ISA – MEM (1999), Análisis del Mercado Mayorista de la Electricidad en Colombia 1998 – 1999.
Gerencia de Servicios de Información, Primera Edición.
Jacobson, I., Christerson, M., Jonsson, P. y Övergaard. (1992). Object-Oriented Software
Engineering. A Use Case Driven Approach. ACM Press.
Jennings, N. y Wooldridge, M. (2000). Agent-oriented software engineering. En: Handbook of
Agent Technology. AAAI/MIT Press.
JFreeChart, (2006). JFreeChart Developer Guide. En: http://www.jfree.org/jfreechart/
Jiménez, C. (2003). Guía metodológica de desarrollo o adaptación de software. Universidad
Nacional de Colombia – Sede Medellín.
Kaelbling, L., Littman, M., & Moore, A. (1996). Reinforcement Learning: A Survey. Journal of
Artificial Intelligence Research Vol. 4, pgs. 237-285.
Koesrindartoto, D.; Sun, J.; Tesfatsion, L. (2005), An Agent-based Computational Laboratory for
Testing the Economic Reliability of Wholesale Power Market Designs. IEEE Power
Engineering Society Conference Proceedings.
Kosko, B. (1995), Pensamiento Borroso. La nueva ciencia de la lógica borrosa. Barcelona: Crítica.
Lewicki, R., Saunders, D., Minton, J. (1999), Negotiation. Irwin McGraw – Hill.
MacQueen, J. B. (1967). Some Methods for classification and Analysis of Multivariate
Observations. Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and
Probability, Berkeley, University of California Press, pgs. 281-297.
Medina, S. (2006), Diseño de un sistema de soporte para la negociación de contratos de energía
eléctrica. Proyecto de tesis doctoral. Universidad Complutense de Madrid.
Medina, S. y Moreno, J. (2006a), Risk valuation in Colombian electricity market using fuzzy logic.
Energy Economics. (Aceptado para publicación)
Medina, S. y Moreno, J. (2006b), Fuzzy inference system for the hydrological expectation’s
modeling in Colombian electricity market. (En revisión)
135
Montoya, R. (2003), Herramienta para el apoyo de toma de decisiones de empresas
comercializadoras/distribuidoras de energía. Tesis de Maestría Aprovechamiento de Recursos
Hidráulicos, Universidad Nacional de Colombia.
Morecroft, J. D. (1992), Excecutive Knowledge, Models and Learning. En: European Journal of
Operations Research, 59(1).
Moreno, J., Arias, F., Marulanda, J. y Ovalle, D. (2006a), Razonamiento basado en reglas de
inferencia para subastas electrónicas tipo inglesa mediante agentes inteligentes. Memorias del
Congreso Internacional de Electrónica y Tecnologías de Avanzada – CIETA 2006.
Moreno, J., Arias, F. y Ovalle, D. (2006b), Integración de Mecanismos de Razonamiento en
Agentes de Software Inteligentes para la Negociación de Energía Eléctrica. Revista Ingeniería
Informática, Edición Nº13. Chile.
Moreno, J., Arias, F. y Ovalle, D. (2007), Construcción de mecanismos de razonamiento basados
en logica difusa para agentes de software inteligentes en el proceso de negociación de energía
eléctrica. Congreso Colombiano de Computación. (En revisión)
McCain, R. A. (1999), Strategy and Conflict: An Introductory Sketch of Game Theory. LeBow
College of Business at Drexel University.
Neón. (2006), Neón: Servicio de información sobre el Mercado de Energía Mayorista Colombiano.
En: http://sv04.xm.com.co/neonweb/
Nicolaisen, J. Smith, M.; Petrov, V.; Tesfatsion, L. (2001), Market Power and Efficiency in a
Computational Electricity Market with Discriminatory Double-Auction Pricing. ISU
Economic Report 52.
North, M; Conzelmann, G; Koritarov, V; Macal, CThimmapuram, P; Veselka, T (2002), E-
Laboratories: Agent-based modeling of electricity markets. 2002 American Power Conference.
NRC FuzzyJ Toolkit (2005), FuzzyJ ToolKit for the Java(tm) Platform & FuzzyJess. En:
http://www.iit.nrc.ca/IR_public/fuzzy/fuzzyJToolkit2.html
Nwana, H., Ndumu, D., Lee, L. (1998). ZEUS: An Advanced Tool-Kit for Engineering Distributed
Multi-Agent Systems. En: Proceedings of PAAM 1998, 377-391.
Object Management Group (2005). UML. En: http://www.uml.org
Ochoa, P. (2002), Micromundo para el Aprendizaje de Estrategias en Comercialización de Energía.
Tesis de Maestría Ingeniería de Sistemas, Universidad Nacional de Colombia.
Ogliastri, E. (1999), Una introducción a la negociación internacional. La cultura latinoamericana
frente a la angloamericana, japonesa, francesa y del Medio Oriente. En: Monografía No. 49 -
Serie Empresa, Economía y Sociedad, Bogotá, Universidad de los Andes.
136
Parsons, S., Gmytrasiewicz, P., Wooldridge, M. (2002), Game Theory and Decision Theory in
Agent-based Systems. Kluwer Academic Publishers.
Parunak, H., Savit, R., Riolo, R. (1998), Agent Based Modeling vs. Equation Based Modeling: A
Case Study and User’s Guide. En: Multi-Agent Systems and Agent-Based Simulation.
Springer Verlag.
Pastrana, M. (2003), Construcción de un sistema multiagente como aproximación al proceso de
negociación en el mercado de la energía eléctrica. Trabajo Dirigido de Grado de Ingeniería de
Sistemas, Universidad Nacional de Colombia.
Petrie, C. (2001). Agent-Based Software Engineering. En: Agent-Oriented Software Engineering,
Lecture Notes in AI, Springer-Verlag 1957, pp. 58-76.
Posland, S., Buckle, P., Hadingham, R. (2000). The FIPA-OS agent platform: Open Source for
Open Standards. En: Proceedings of the 5th International Conference and Exhibition on the
Practical Application of Intelligent Agents and Multi-Agents, pp 355-368.
Poveda, G. (2004), La hidroclimatología en Colombia: una síntesis desde la escala Inter.-decanal
hasta la escala diurna. Revista de la Academia Colombiana de Ciencias 28 (107). 201-222.
Pressman, R. (2002), Ingeniería del Software Un enfoque Práctico. 5ª Edición". McGraw Hill
Protégé (2000), Protégé documentation. User Guide. En: http://protege.stanford.edu
Raigoza, D. (1999), Toma de decisiones para la compra de energía eléctrica. Aproximación a un
modelo para empresas comercializadoras. Trabajo Dirigido de Grado, Universidad Nacional
de Colombia..
Ramanath, A. (2000). The Role of Information Systems Development Methods in
Interorganisational Systems Development. PhD thesis, Brunel University, UK.
Ramanath, A. y Gilbert, N. (2003), Towards a Methodology for Agent-Based Social Simulation
Research.
Reeves, C. (1993). Modern Heuristic Techniques for combinatorial Problems. Ed. John Wiley &
Sons, New York.
Roth, A. E. (1996), Comments on Tversky’s “Rational Theory and Contructive Choice”, The
Rational Foundations of Economic Behavior. Macmillan.
Rumbaugh, J., Blaha, M., Premerlani, W., y Hedí, V. (1991). Object-Oriented Modeling and
Design. Ed. Prentice-Hall.
Rumbaugh, J. (1995). OMT: The development model. En: JOOP - Journal of Object Oriented
Programming, pages 8–16, 76.
137
Sadiq, M. & Habib, Y. (1999). Iterative Computer Algorithms with Applications in Engineering:
Solving Combinatorial Optimization Problems. IEEE Computer Society. Washington.
Sanchez, L. (2000), Invierta con Éxito en la Bolsa de Valores. Editorial Prentice Hall. México.
Selic, B. y Ward, P. (1994). Real-Time Object-Oriented Modeling. John Wiley & Sons Inc.
Senge, P. M. (1990), La Quinta Disciplina, El arte y la práctica de la organización abierta al
aprendizaje. Granica.
Senge, P. M., Isaacs, W. N. (1992), Overcoming learning limits in computer based learning
enviroments. En: European Journal of Operational Research. Londres. Volumen 59, N° 1.
Smith, R., Montoya, S. (1998), Modelamiento de la evolución de la oferta del sector eléctrico. En:
Energética, Medellín, N° 19. Mayo.
Smith, R., Dyner, I., Arango, S., Bedoya, L., Ochoa, P. y Franco, C. (2000), Capacitación en
Comercialización de Energía en Colombia a través de Micromundos. Revista Avances en
Recursos Hidráulicos, Noviembre.
Sterman, J. D. (2000), Business Dynamics Systems Thinking and Modeling for a Complex World.
McGraw-Hill.
Sudkamp, T. & Hammell, R. (1994). Interpolation, Completion and Learning Fuzzy Rules. IEEE
transactions on systems, man and cybernetics, Vol 24, No 2, February.
Sutton, R. & Barto, A. (1998). Reinforcement Learning: An Introduction. Cambridge,
Massachusetts- USA. Bradford Book, MIT Press. 320p.
Tansley, D. y Hayball, C. (1993). Knowledge-Based Systems Analysis and Design. BCS Parctitioner
Series. Prentice-Hall.
Tesfatsion, L. (2002). Agent-Based Computational Economics: Growing Economies from the
Bottom Up. Iowa State University Economics Working Paper No. 1.
UPME: Unidad de Planeación Minero Energética (2004), Una visión del mercado eléctrico
colombiano. Bogotá.
Uribe, F. A. (2002), Diseño de un entorno de Aprendizaje de Negociación de Electricidad en el
Mercado Eléctrico Colombiano. Tesis de Maestría Ingeniería de Sistemas, Universidad
Nacional de Colombia.
Velásquez, J. (2006), Construcción de escenarios de pronostico del precio de electricidad en
mercados de corto plazo. Proyecto de tesis doctoral. Universidad Nacional de Colombia.
Velásquez, J., Dyner, I. y Souza, R. (2005), Dinámica de los aportes totales al sistema
hidroeléctrico interconectado nacional Colombiano. Avances en recursos hidráulicos 12. 199-
211.
138
Vélez, M. C. (2004), Modelo de simulación para evaluar un nuevo esquema de mercados
eléctricos: caso Reino Unido. Tesis de Maestría Ingeniería de Sistemas, Universidad Nacional
de Colombia.
Wells, D. (2001). Extreme Programming: A Gentle Introduction. En:
http://www.extremeprogramming.org.
Wooldridge, M., Jennings, N., Kinny, D. (2000). The Gaia Methodology for Agent-Oriented
Analysis and Design. En: Autonomous Agents and Multi-Agent Systems, 3, 285-312.
139
ANEXO A MODELOS PARA LA SIMULACION DE ESCENARIOS
En este apartado se especifican los modelos propuestos para simular el entorno en el que se
desenvuelven los agentes, es decir, las variables del sector eléctrico exógenas a ellos que deben
considerar para tomar sus decisiones. Entre estas variables se encuentran algunas que reflejan el
comportamiento de la hidrología tal como los aportes de los ríos y el embalse ofertable, que
influencian los costos de generación de la energía. También se encuentran los precios tanto de los
contratos como los de la bolsa, los cuales deben considerar su dinámica particular. Y por último se
encuentra la evolución de la demanda de energía, tanto a nivel del sistema, es decir la demanda
total, como a nivel de cada agente comercializador.
A.1 Aportes de los ríos
Esta variable hace referencia al nivel de los caudales de los ríos que aportan al Sistema
Interconectado Nacional - SIN, y que son la fuente de alimentación natural al sistema de generación
de energía tanto para las plantas de filo de agua, como para las que cuentan con embalses con
capacidad de regulación. Dicho nivel depende en gran medida de los fenómenos que afectan la
hidroclimatología de Colombia, es decir, es el resultado de la influencia de: la oscilación de
Madden – Julián, el paso de huracanes sobre el Caribe y el Pacífico nororiental, las ondas tropicales
del Este, el chorro del Chocó, los fenómenos de la retroalimentación suelo – atmósfera, y
particularmente por el ENSO y sus fases extremas conocidas como fenómenos de El Niño y La
Niña, los cuales son cuantificados a través de las anomalías en la superficie del Océano Pacifico
(Poveda, 2004). La serie de aportes está caracterizada por una componente estacional asociada al
ciclo hidrológico intra-anual, que usualmente presenta su valor más bajo en los meses de enero o
febrero, y su valor mas alto en mayo, junio o julio. Se considera que la estación de verano tiene una
duración de 5 meses y que se presenta entre diciembre de cada año y abril del siguiente, mientras
que los meses restantes son considerados de invierno.
El modelo elegido para modelar esta variable es un STR (Smoth Transition Regression) cuya
bondad en el ajuste de esta serie es demostrada en el trabajo de Velásquez et al. (2005). Este modelo
140
es un caso particular de la familia SETAR (Self Exciting Threshold Autoregressive), usando F
como una función de transición suave entre regímenes y cuyo rango está restringido al intervalo
[0,1], tal que la dinámica de la serie es modelada como:
[ ] t
P
jjtjt
P
jjtjtt yaazFyaazFy ε+⎟⎟
⎠
⎞⎜⎜⎝
⎛+⋅+⎟⎟
⎠
⎞⎜⎜⎝
⎛+⋅−= ∑∑
=−
=−
21
1
)2()2(0
1
)1()1(0 )()(1 (1)
Los datos empleados para determinar los parámetros del modelo corresponden a los aportes
mensuales totales de energía que recibió el SIN entre Agosto de 1995 y Septiembre de 2004 y la
selección de los rezagos utilizados se realizó usando el criterio de Schwartz. Para garantizar que el
modelo entregue siempre valores positivos, se realizó la modelación sobre el logaritmo natural de la
serie real. El modelo resultante fue:
[ ] ( )( ) tttttt
tttttt
yyyyyFyyyyyFy
ε+−−++⋅+−+−+⋅−=
−−−−−
−−−−−
1432112
1432112
10.035.022.051.085.5)(43.036.051.097.053.4)(1
(2)
Donde ε t es la componente de error N(0,σ ε) y donde la función de transición es especificada como:
1
)87.7(1.2exp1)(−
⎥⎦
⎤⎢⎣
⎡⎟⎟⎠
⎞⎜⎜⎝
⎛ −−+=
x
xxFσ
(3)
El ajuste del modelo a la serie real puede observarse en la Figura A.1. La parte izquierda de la
grafica corresponde a la comparación entre los datos reales y los datos obtenidos con el STR;
mientras que la parte derecha corresponde al pronóstico de la serie 5 años hacia delante. Como
puede verse, el modelo presenta un buen ajuste en el entrenamiento (el R2 es de 0.8) y captura la
dinámica de la serie (su estacionalidad).
141
-
1.000
2.000
3.000
4.000
5.000
6.000
7.000
Oct
-95
Mar
-97
Jul-9
8
Dic
-99
Abr
-01
Sep
-02
Ene
-04
May
-05
Oct
-06
Feb-
08
Jul-0
9
Nov
-10
Aportes Rios STR
Figura A.1. Resultados del modelo STR para los aportes de los ríos
A.2 Embalse ofertable
El nivel de embalse ofertable puede entenderse como el inventario de agua disponible para la
generación de energía eléctrica y se define como la sumatoria de las diferencia entre el nivel de
todos los embalses y sus límites operativos superiores (nivel de agua mínimo para las plantas
generadoras operen normalmente). Los embalses se consideran espacios de almacenamiento de
aguas para canalizar el proceso de generación, y su nivel es un indicador clave para determinar si el
sistema está en déficit o superávit en niveles de aguas. De manera similar a los aportes de los ríos,
la evolución de estas reservas sigue un patrón regular debido a las estaciones climáticas invierno –
verano y a los fenómenos climáticos con escala de tiempo intra – anual que lo afectan.
El modelo elegido para modelar esta variable es de tipo autoregresivo e incluye como variable
explicativa, además de los valores rezagados, los valores de los aportes de los ríos en t-k. De esta
manera el modelo tiene la forma:
t
Q
iiti
P
jjtjt xycy εθφ +++= ∑∑
=−
=−
11
11 (4)
Los datos empleados para determinar los parámetros del modelo corresponden a los valores
mensuales del embalse ofertable y del aporte de los ríos entre Enero de 1998 y Diciembre de 2005.
En este caso la escogencia de los rezagos tuvo en principio un origen más físico que estadístico,
142
aunque posteriormente se tuvieron en cuenta la significancia de los regresores para simplificar el
modelo. El modelo originalmente planteado fue:
ttttttt xxyyycy εθθφφφ ++++++= −−−− 1101313121211 (5)
Nótese que este modelo simple trata de modelar la relación directa entre el nivel del embalse
ofertable y los aportes recientes de los ríos (los del mes en curso y los del anterior), así como la
estacionalidad de la serie (rezagos 1, 12 y 13).
Al estimar los parámetros, se identificó que la variable Xt-1 no era significante al 90% (su valor p
fue de 0,1742) por lo que dicha variable fue removida. De esta manera el modelo resultante fue:
tttttt xyyyy ε++−++= <−<−−< )0001.0(13)0022.0(12)0043.0(1)0001.0( 3233.02259.0215.08665.0443.107 (6)
Los valores en paréntesis corresponden a los valores P de los parámetros estimados. El valor del R2
obtenido indica que el modelo tiene un ajuste de 92.54%, mientras que el estadístico de Durbin-
Watson sugiere que no hay autocorrelaciones significativas en los residuales. El ajuste del modelo a
la serie real puede observarse en la Figura A.2.
2.000
4.000
6.000
8.000
10.000
12.000
Ene-
98
Nov
-98
Ago-
99
Jun-
00
Abr-0
1
Feb-
02
Dic
-02
Oct
-03
Ago
-04
May
-05
Mar
-06
Embalse Ofertable
Modelo
Figura A.2. Resultados del modelo de regresión para el embalse ofertable
143
A.3 Precio promedio mensual de contratos
Esta variable hace referencia al promedio mensual del precio de ejercicio de todos los contratos
despachados en el mes correspondiente. Esto significa que el precio de un contrato que se ejecuta en
un mes t es definido con anterioridad en un mes t-k donde k puede variar desde unos cuantos días
hasta varios años. Lo que esto significa es que el proceso de formación de dichos precios
difícilmente puede ser modelado en base a factores externos como en el caso de la bolsa de energía
que sí está caracterizado por tener influencias inmediatas. Adicionalmente, tal como puede
observarse en la Figura A.3, la dinámica de dicho precio ha cambiado paulatinamente desde la
creación del MEM; donde al principio se ve un componente cíclico asociado a las expectativas de
los agentes respecto a la hidrología, así como un aumento general constante con una pendiente
pronunciada durante el periodo 1999-2002. Sin embargo, a medida que el mercado ha ganado
maduración, ambas características se han ido atenuando como puede observarse a partir del año
2003.
Debido a estas particularidades, el modelo elegido para modelar el precio promedio de los contratos
de energía es un modelo ARIMA (Box y Jenkins, 1970), el cual ha sido utilizado para obtener
pronósticos de esta variable en los trabajos de Hernan (2006) y Medina (2006). La forma general
del modelo es:
tqtds
p eLyLLL )()1)(1)(( θϕ =−− (7)
Donde L simboliza el operador de rezago, los polinomios θq (L) representan la componente
autoregresiva y los polinomios φp (L) representan las componentes de medias móviles. Los factores
(1-L)d(1-Ls) corresponden a los operadores de diferenciación simple de orden d, y de diferenciación
estacional de periodo s; el proceso de modelado se basa en determinar el orden de la integración de
la serie y la presencia de componentes estacionales para especificar los valores de d y s.
El modelo resultante es un ARIMA(1,1,1)x(0,1,1)12 y los datos empleados para entrenarlo
corresponden al periodo 1997-2005. El ajuste del modelo a la serie real puede observarse en la
Figura A.3. El valor del RMSE para el entrenamiento fue de 1.4158 y para validación de 1.2979. El
autocorrelalograma para los residuales se muestra en la Figura A.4, donde puede verse que ninguno
144
de los 24 coeficientes de autocorrelación es estadísticamente significativo al 95% de nivel de
confianza a excepcion del rezago 11. Esto indica que los errores se comportan como ruido blanco,
es decir, que son aleatorios y que no hay estructuras de correlación asociadas a estos.
Figura A.3. Resultados del modelo ARIMA para el precio de contratos
Figura A.4. Autocorrelalograma de los residuales para el modelo de precio de contratos
A.4 Precio promedio mensual de bolsa
El precio de bolsa horario corresponde al precio de oferta del recurso marginal no inflexible que se
obtiene del despacho ideal. El despacho ideal es el programa de generación que resulta de usar los
recursos más económicos hasta cubrir la demanda domestica real, más las Transacciones
Internacionales de Electricidad de Corto Plazo - TIE (exportaciones como demanda e importaciones
como generación), más las pérdidas del STN, teniendo en cuenta la disponibilidad comercial y las
145
características técnicas e inflexibilidades de los generadores y sin considerar restricciones del
sistema. Este valor se utiliza como costo de los recursos el precio de oferta para la hora respectiva
con el cual fue realizado el despacho. En caso de racionamiento se define como precio de bolsa el
valor del costo de racionamiento. De esta manera, el precio de bolsa promedio mensual se define
como el promedio de dicho precio horario para las 24 horas de todos los días del mes
correspondiente.
Diversos estudios realizados en Colombia para modelar esta variable (Velásquez, 2006) han
demostrado la alta dependencia de esta variable con la hidroclimatología. Sin embargo, como en el
caso de otros bienes de consumo, se ha encontrado que las variables que explican las variaciones de
las ofertas de energía, las cuales determinan el precio, incluyen otros factores diversos; entre los que
se encuentran los cambios en la regulación, los precios de los contratos, las inflexibilidades, la
generación de seguridad, entre otros (UPME, 2004). Debido a las características de la serie de
tiempo de esta variable (altas volatilidades, falta de regularidad, tendencia no definida) se propone
el uso de un modelo no lineal que refleje su dinámica particular. Sin embargo, de todas las variables
identificadas que la influencian solo se consideran las que reflejan la hidroclimatología, de manera
que el modelo propuesto tiene la forma:
trtttqtttptttt bbbaaayyycy ε++Ψ= −−−−−−−−− ),...,,,,...,,,,...,,( 212121 (8)
Donde a y b corresponden a los valores de los aportes de los ríos y el embalse ofertable
respectivamente.
A.5 Demanda de energía
La demanda comercial mensual de energía en el país está compuesta por la suma de los consumos
de todos los usuarios tanto regulados como no regulados en el mes respectivo. La evolución de esta
variable se ha dado en concordancia con el crecimiento económico del país, tal como se muestra en
la Figura A.5, donde también puede apreciarse que ha tenido un comportamiento variable en
crecimiento, excepto durante la recesión económica de los años 1998 y 1999.
146
En esta sección se realiza el modelado de la demanda de energía desde dos puntos de vista. El
primero se refiere a una visión global donde se modela la evolución de la demanda total del sistema;
mientras que el segundo es una visión a nivel de cada comercializador donde se modela su
participación dentro del mercado, es decir, el porcentaje de la demanda total que cubre.
Figura A.5. Crecimiento anual: Demanda de energía y PIB. (Fuente: UPME, 2004)
A.5.1 Modelado de la demanda del sistema
Debido a las características de esta serie (estacionalidad, tendencia) el modelo elegido para modelar
esta variable al igual que en la serie de precios de contratos es un modelo ARIMA, el cual ha
demostrado un ajuste adecuado para esta serie en el trabajo de Medina (2006). En este caso el
modelo resultante es un ARIMA(0,1,1)x(0,1,1)12 y los datos empleados para entrenarlo
corresponden al periodo 1996-2005. El ajuste del modelo a la serie real puede observarse en la
Figura A.6, mientras que el autocorrelalograma para los residuales se puede observar en la Figura
A.7 (su interpretación es similar al caso del precio de contratos). El valor del RMSE para el
entrenamiento fue de 57.8618 y para validación de 44.3721.
147
Figura A.6. Resultados del modelo ARIMA para la demanda comercial
Figura A.7. Autocorrelalograma de los residuales para el modelo de la demanda
A.5.2 Modelado de la evolución de demanda propia del comercializador
Como ya se había indicado en el capitulo 5, la demanda del comercializador no es constante en el
tiempo, si no que varía de acuerdo a los consumos de sus usuarios en cada mes. Sin embargo el
número de usuarios que cada comercializador atiende tampoco es constante, puesto que estos
pueden cambiar de un comercializador a otro libremente cuando perciben que el precio al que están
pagando la energía no es favorable. Con base en la información que las empresas reportan a la
CREG, se ha calculado que a finales de 2003 el suministro de demanda por parte de
comercializadores entrantes o comercializadores diferentes al de la empresa de distribución local,
fue del 48% de la demanda del sector industrial, 18% de la demanda del sector comercial, 15% del
sector oficial y 0.1% de la demanda del sector residencial. Estos usuarios han cambiado de
148
comercializador en forma dinámica y el Administrador del Sistema de Intercambios Comerciales -
ASIC ha registrado hasta 1.042 cambios en un año (UPME, 2004).
Como una manera de simular este comportamiento, en esta sección se propone un algoritmo para
determinar los movimientos de los usuarios consumidores que refleje de cierta manera la elasticidad
precio de la energía. Para esto se parte de un supuesto simple: cuando los usuarios perciben que el
precio al que compran la energía a un comercializador difiere significativamente del precio
promedio al que se adquiere en el mercado (por encima) entonces una proporción de dichos
usuarios cambian de comercializador buscando precios más bajos. Esto es como sí los usuarios
compararan el Pm (Precio Promedio de las compras propias) de los comercializadores con el Mm
(Precio Promedio del Mercado Mayorista) en búsqueda de la mejor opción, bajo el principio que el
precio de venta de para cada comercializador depende de estas variables. Ese proceso puede
modelarse como:
Demanda_perdida = 0 PV_mínimo = MIN(PV) Para cada comercializador:
Diferencia_de_preciosc = (PV_propio-PV_promedio)/PV_promedio Si Diferencia_de_preciosc > 0 Entonces
Si Diferencia_de_preciosc > β (0.2) Entonces Si Diferencia_de_preciosc <= δ (5) Entonces
X = Diferencia_de_preciosc, De lo contrario
X = δ Porcentaje_Demandac* = (1- δ-1X)Porcentaje_Demandac Demanda_perdida += (δ-1X)(Porcentaje_Demandac)Demanda_total
De lo contrario Porcentaje_Demandac* = Porcentaje_Demandac
Si Diferencia_de_preciosc < 0 y (PV_propio-PV_mínimo)/PV_mínimo <= ξ (0.2) Entonces Beneficiarios += 1
Demanda_repartida = Demanda_perdida/Demanda_total “Valor porcentual” Para cada comercializador:
Si Beneficiarios = 0 y Demanda_perdida = 0 Entonces Porcentaje_Demandac* = Porcentaje_Demandac
De lo contrario Si Beneficiarios > 1 Entonces Z = φ (0.5) , De lo contrario Z = 1 Si PV_propio = PV_mínimo Entonces
Porcentaje_Demandac += Demanda_repartida * Z De lo contarario
149
Si Diferencia_de_preciosc <= 0 Si (PV_propio-PV_mínimo)/PV_mínimo <= ξ Entonces
Porcentaje_Demandac += Demanda_repartida * (1-Z)/Beneficiarios De lo contarario
Porcentaje_Demandac* = Porcentaje_Demandac
Lo que este algoritmo implica es que existe una relación inversa entre la diferencia de precios de
venta (entre cada comercializador y el promedio del mercado) y la demanda que estos mantienen
para un determinado periodo. Esta relación se observa en la Figura A.8, donde el eje de las abscisas
corresponde a la diferencia de precios de venta entre el comercializador y el promedio del mercado,
mientras que el eje de las ordenadas corresponde al porcentaje de la porción de demanda que
atiende. Lo que esta gráfica implica es que los usuarios que “pierden” los comercializadores con los
precios más altos, pasan a ser atendidos por aquellos con los precios más bajos.
Figura A.8. Sensibilidad de la demanda a la diferencia de precios
100
δDiferencia de entre el precio de venta propio y el promedio del mercado
Demanda que mantiene (%)
0
150
ANEXO B DETALLES DE IMPLEMENTACIÓN DEL PROTOTIPO
Para la construcción del prototipo de simulación sobre el se validó este trabajo de investigación se
emplearon diversas herramientas orientadas al trabajo con agentes de software así como para el
manejo de sistemas de inferencia. En este anexo se presenta una breve descripción, sin entrar en
muchos detalles técnicos, de cada una de estas y de su funcionalidad: JADE para la creación de
agentes de software inteligentes y su administración, Protégé para el desarrollo de los modelos del
dominio requeridos (ontologías), JESS para la construcción del sistema de inferencia basado en
reglas empleado para las subastas, y por último FuzzyJ para la creación del sistema de inferencia
difuso empleado en la toma de decisiones estratégicas de los agentes comercializadores modelados.
La integración de todas estas herramientas se realizó por medio del lenguaje JAVA el cual, aparte
de ser el lenguaje común por medio del cual puede accederse a los métodos de cada herramienta,
brinda interoperabilidad entre sistemas operativos, dándole portabilidad al prototipo.
B.1 Arquitectura técnica del prototipo
La arquitectura empleada para la implementación del prototipo fruto de este trabajo es coherente
con los lineamientos de la fase de diseño presentados en el capítulo 4, según el cual cada agente es
una instancia de la clase a la que pertenece, y todos están contenidos dentro del entorno de JADE.
El esqueleto de los agentes desarrollados se codificó empleando las librerías provistas por JADE,
mientras que la codificación de los comportamientos específicos se realizó en JAVA mediante la
plataforma Netbeans invocando los métodos provistos por el resto de herramientas. La interfaz del
prototipo se implementó en JavaSwing, mientras que las graficas en las que se presentan los
resultados provienen de la librería JFreeChart (JFreeChart, 2006). Una imagen real de dicha interfaz
se presenta en la Figura B.1.
B.2 Plataforma JADE
JADE (Java Agent DEvelopment Framework) es una plataforma que proporciona tanto un entorno
de desarrollo como un entorno de ejecución para la creación, administración y control de sistemas
151
multi-agente. El entorno de desarrollo está formado por una serie de librerías que permiten la
implementación de agentes, mientras que el entorno de ejecución brinda la capacidad de ejecución y
comunicación de los mismos.
Figura B.1. Interfaz del prototipo de simulación
JADE cumple con las especificaciones FIPA para la interoperabilidad de plataformas de sistemas
multi-agente, y lo cumple a dos niveles: a nivel de arquitectura y a nivel de mensajes. En el nivel de
arquitectura, este estándar especifica que una plataforma de agentes debe estar compuesta por: un
directorio facilitador (DF) un agente de manejo del sistema (AMS), un canal de comunicación para
el agente (ACC) y una plataforma de transporte de mensajes. Dicha arquitectura se puede observar
en la Figura B.1
El AMS es el agente encargado de la supervisión y control sobre el acceso y uso de la plataforma.
Además, presta el servicio de páginas blancas, es decir, es el responsable de la autenticación de los
agentes y el control de sus registros, asegurando que cada agente en la plataforma disponga de un
nombre único. El DF, o servicio de páginas amarillas ofrece el servicio de registro y consultas de
152
servicios. Aquí es donde cada agente del sistema puede registrar los servicios que ofrece, es decir,
que es por medio de éste, que un agente puede encontrar otros agentes que provean los servicios
necesarios para lograr sus objetivos. El ACC, es el agente que proporciona la ruta para el contacto
básico entre agentes dentro y fuera de la plataforma. Por medio de este agente se proporciona un
método de comunicación confiable, ordenado y exacto. Esto se logra gracias a que este agente
soporta RMI para la comunicación dentro de la misma plataforma e IIOP para la interoperabilidad
entre agentes en diferentes plataformas.
Figura B.2. Modelo de referencia FIPA para una plataforma de agentes
En cuanto al nivel de mensajes, FIPA propone sustituir el lenguaje KQML (Knowledge Query and
Manipulation Language) tradicionalmente usado, por un nuevo ACL (Agent Comunication
Language) denominado FIPA ACL. Para el transporte de este tipo de mensajes JADE proporciona
un mecanismo de transporte de manera que el programador únicamente se preocupa por
implementar la clase ACLMessage el cual contiene los métodos para llenar cada uno de los
parámetros del mensaje. Entre dichos parámetros se pueden destacar los siguientes:
Sender: Identificador del agente que envía el mensaje.
Receiver: Identificador del agente que recibe el mensaje.
Comunication act: Se refiere a la preformativa utilizada en el mensaje. Algunos ejemplos de estas
preformativas son:
Content: Contenido en sí del mensaje, el cual puede tener una estructura simple (como un string) o
la estructura especifica de la ontología con la que se envía el mensaje.
153
Language: Es complementario con la ontología, ya que dependiendo el lenguaje que se utilice al
enviar el mensaje esta se codifica en el contenido de una u otra manera.
Ontology: Ontología particular con la que se comunican los agentes.
Protocol: Se refiere al protocolo que especifica un conjunto de reglas de secuenciamiento para el
paso de mensajes en caso de que estos hagan parte de una conversación que lo incluya. Algunos
ejemplos de estos protocolos son: FIPA BROKERING, FIPA DUTCH AUCTION, FIPA
ENGLISH AUCTION, FIPA CONTRACT NET, FIPA QUERY, FIPA RECRUITING, FIPA
REQUEST, FIPA SUBSCRIBE
Otra característica de JADE es que permite tener agentes distribuidos en diferentes máquinas o
hosts. Esto permite que en cada host se encuentre la misma plataforma pero diferentes contenedores
que alojan diferentes instancias de agentes con una sola máquina virtual corriendo por host. Por otro
lado, cada agente es implementado como un hilo de JAVA lo cual permite que cada instancia de
agente pueda correr independientemente con sus propios comportamientos.
Figura B.3 Interfaz de JADE
En la Figura B.3, que corresponde a la interfaz provista por el agente RMA, se puede observar la
forma en que JADE distribuye los agentes (internos y externos) en la plataforma, así como los
154
agentes AMS, DF y el ACC, los cuales se activan automáticamente cuando la plataforma es
lanzada. Desde la interfaz también se pueden lanzar los agentes internos de JADE para la
depuración del sistema (Sniffer, Introspector, Dummy) que proporcionan mecanismos para la
monitorización y control de la plataforma y de los agentes creados.
Para consultar otros detalles de instalación, configuración, ejecución, interacción con IDEs, y otros
aspectos de JADE referirse a la documentación brindada por Bellifemine et al. (1999) y Bellifemine
et al. (2005a, 2006b)
B.3 Herramienta Protégé
Protégé es un software de código abierto y libre desarrollado en la universidad de Stanford, que
proporciona un conjunto de herramientas para construir modelos del dominio y aplicaciones
basadas en conocimiento con ontologías. Protégé implementa una amplia variedad de estructuras
para el modelamiento del conocimiento, que soportan la creación, visualización, y manipulación de
ontologías representándolas en varios formatos. Además, puede ser extendida por medio de una
arquitectura de plug-ins y una interfaz de programación de aplicaciones basada en JAVA.
En general, Protégé puede ser utilizada para lo siguiente:
• Modelamiento de clases: Proporciona una interfaz gráfica de usuario (GUI) en la que se
modelan clases (conceptos del dominio) junto con sus atributos y relaciones.
• Edición de instancias: Protégé genera automáticamente formularios interactivos que permiten
ingresar instancias validas al desarrollador de las clases modeladas.
• Procesamiento del modelo: Posee una librería de plug-ins que ayuda a definir reglas semánticas,
consultas, y definir un comportamiento lógico.
• Intercambio del modelo: Los modelos resultantes (clases e instancias) se pueden cargar y
guardar en diferentes formatos, incluso XML, UML, y RDF.
Protégé soporta dos maneras de modelar los modelos del dominio o las ontologías:
• El editor Protégé-Frames: permite a los usuarios construir ontologías basadas en marcos o
estructuras de acuerdo con el protocolo abierto de conectividad de conocimiento (Open
155
Knowledge Base Connectivity - OKBC). En este modelo, una ontología consiste en un sistema
de clases organizadas en una jerarquía para representar los conceptos sobresalientes de un
dominio, un conjunto de campos o atributos asociadas a las clases para describir sus
características y relaciones, y un conjunto de instancias de esas clases.
• El editor Protégé-OWL: permite a los usuarios construir los ontologías para la Web semántica,
en particular en el lenguaje de Ontologías Web (OWL) de la W3C. Una ontología OWL puede
incluir descripciones de clases, propiedades y sus instancias.
En la Figura B.4 se puede observar la interfaz para la definición de clases para diferentes tipos de
objetos con sus respectivos atributos.
Figura B.4 Editor de Clases de Protégé
En Protégé, los atributos de las clases y sus relaciones son llamados slots. Un slot tiene un nombre y
un tipo de valor. Las restricciones que se pueden aplicar a los slots aseguran que las instancias del
modelo cumplan con restricciones simples. Para realizar restricciones más complejas, Protégé tiene
un lenguaje propio llamado Lenguaje de Axiomas de Protégé (PAL, por sus siglas en ingles). PAL
es similar al Lenguaje de Restricciones de Objetos (OCL, por sus siglas en ingles) de UML.
156
Para consultar otros detalles de instalación, ejecución, plug-ins, formatos soportados, y otros
aspectos de esta herramienta referirse a su guía de usuario (Protégé, 2000)
B.4 Herramienta JESS
JESS (Java Expert System Shell) es una herramienta para la creación de sistemas expertos basados
en reglas que cuenta con su propio motor de inferencia. JESS nace como un clon del lenguaje
CLIPS (Giarratano y Riley, 2004) y como tal cuenta con los elementos básicos para sistemas
expertos:
• Una lista de hechos y una lista de instancias: las cuales proporcionan una memoria global para
datos.
• Una base de conocimiento: la cuál contiene todas las reglas.
• Un motor de inferencia para controlar la ejecución de las reglas.
Dentro de las clases provistas por esta herramienta, se encuentra una clase denominada Rete la cual
implementa el algoritmo de inferencia de las reglas. Adicionalmente, existen clases para el manejo
de todos los elementos: hechos, reglas, plantillas, instancias, átomos, strings, agenda, funciones,
etc., así como otras clases heredadas de la programación orientada a objetos como son las
excepciones y las estructuras de datos, entre otras.
El motor de reglas de JESS establece la correspondencia entre reglas y la base de conocimientos. En
el caso que la correspondencia deba hacerse sólo una vez, la solución es bastante simple, pues el
mecanismo de inferencia examina cada regla, y luego busca en el conjunto de hechos para verificar
si se han satisfecho los patrones de la regla. Si esto ocurre entonces bastaría colocar la regla en la
agenda, tal como se muestra en la Figura B.5. Sin embargo, esto resulta más complicado si el
proceso se lleva a cabo varias veces, lo que es usual en los sistemas expertos, que no poseen un
ciclo simple. En este caso la lista de hechos cambia en cada ciclo de procesamiento, por medio de
adiciones y eliminaciones, así como las reglas que se disparan en un ciclo. Para resolver este
problema el algoritmo Rete de JESS aprovecha la redundancia temporal de los sistemas basados en
reglas, mediante la construcción de una red de nodos, cada cual representando una o más pruebas
encontradas en el lado izquierdo de una regla. Esta red de nodos procesa los hechos que se añaden o
157
eliminan de la base de conocimientos. Al final de la red están los nodos que representan reglas
individuales. Cuando un conjunto de hechos pasa toda la red hasta el final, ha pasado todas las
pruebas del lado izquierdo de una regla particular y este conjunto se convierte en una activación. La
regla asociada puede ejecutar su lado izquierdo si no se invalida primero a causa de la eliminación
de uno o más hechos de su conjunto de activación.
Figura B.5 Sistema basado en reglas con ciclo simple
Para consultar otros detalles de instalación, ejecución, librerías de clases, invocación de métodos, y
aspectos de JESS referirse a la documentación presentada por Friedman-Hill (1997)
B.5 Herramienta FuzzyJ
Esta herramienta fue desarrollada por el Consejo de Investigación Nacional del Instituto Canadiense
para las Tecnologías de Información y consiste en un conjunto de clases JAVA que brindan la
capacidad de manejar conjuntos y razonamientos difusos. Gran parte de la implementación de esta
herramienta esta basada en una anterior llamada FuzzyClips la cual, al igual que JESS, es una
extensión de la consola para sistemas expertos Clips.
Las clases proporcionadas por FuzzyJ permiten crear variables difusas en un dominio especifico
empleando diferentes tipos de conjuntos, los cuales pueden ser de tipo lineal (triangular,
trapezoidal) o no lineal (campanas de gauss, curvas s). Además proporciona un conjunto de clases
que permiten modelar el sistema de reglas, y otras que permiten aplicar los métodos de
fuzzyficación y defuzzyficación.
158
Para consultar otros detalles de instalación, ejecución, librerías de clases, invocación de métodos, y
aspectos de FuzzyJ dirigirse a su página oficial (NRC FuzzyJ Toolkit, 2005)
B.6 Consideraciones sobre las herramientas utilizadas
Si bien el trabajo presentado en este documento es de tipo investigativo y no técnico, es importante
resaltar algunas consideraciones respecto al uso de las herramientas empleadas para el desarrollo
del aplicativo que incorpora los modelos aquí propuestos. Adicionalmente, se invita al lector a
revisar el trabajo de Arias y Marulanda (2006) para ampliar la descripción de estas herramientas y
para conocer con un mayor nivel de detalle el uso que se les dio para la elaboración del prototipo
mencionado.
Como plataforma para la creación y administración de agentes, JADE cuenta con una gran cantidad
de funciones que facilitan estas tareas, además que brinda un conjunto de clases para la
programación de los agentes que contienen varios tipos de comportamientos genéricos bastante
prácticos. Adicionalmente, cuenta con varias herramientas gráficas que ayudan a la depuración de
los agentes creados. En este punto sin embargo, cabe señalar que en algunas ocasiones puede
presentar algunos fallos a la hora de visualizar el intercambio de mensajes y en particular cuando
este se hace de manera masiva como en el caso del prototipo de este trabajo.
En cuanto a Protégé se sugiere el uso de esta herramienta para la creación de ontologías en sistemas
que así lo requieran (no necesariamente sistemas multi-agente) pues permite la realización de esta
tarea de manera gráfica y relativamente simple sin que se requieren demasiados conocimientos de
programación. Adicionalmente, permite la exportación de las ontologías creadas en diferentes tipos
de formatos a parte de generar automáticamente las clases en JAVA. Al respecto el lector puede
encontrar información adicional en el trabajo de Moreno et al. (2006a) donde se contrasta la
utilización de Protégé contra la creación manual de la ontología requerida en este prototipo.
Aunque JESS es una buena alternativa para la creación de sistemas expertos y brinda las
funcionalidades requeridas para su manejo de la misma manera que se hace en el lenguaje
ampliamente difundido CLIPS, algunos de los problemas encontrados respecto a su uso durante la
realización de este trabajo son:
159
• Su escasa documentación, se hace hincapié en este punto pues ésta es fundamental desde el
punto de vista del desarrollador.
• Dificultad para obtener una licencia académica.
• JESS no provee de métodos para realizar funcionalidades comunes de lenguajes de
programación. En este punto se resaltan los problemas al realizar referencias de objetos
JAVA en JESS.
Respecto a su utilización para los razonamientos empleados para las subastas del prototipo, el lector
puede encontrar información adicional en el trabajo de Moreno et al. (2006b) donde se hace una
descripción tanto conceptual de las reglas diseñadas, como técnica en cuanto al uso de JESS para
implementarlas.
Finalmente, respecto a FuzzyJ cabe mencionar que éste provee clases que permiten la construcción
de Sistemas de Inferencia Difusos - SID tipo Mamdani, sin embargo, no cuanta con una interfaz
grafica que facilite esta tarea. Al respecto, se aconseja al lector emplear otra herramienta para la
construcción preliminar del SID (puede ser el toolbox de Matlab) de manera que se facilite su
visualización y calibración, para posteriormente codificarla a FuzzyJ. En cuanto a su utilización
para el razonamiento empleado para determinar el factor de contratación en el prototipo, el lector
puede encontrar información adicional en el trabajo de Moreno et al. (2007) donde se hace una
descripción tanto conceptual de los conjuntos y reglas diseñadas, como técnica en cuanto al uso de
FuzzyJ para implementarlas.