MODELO DE SIMULACIÓN BASADO EN AGENTES DE … · que, ha partir de la estadística, la algoritmia y la inteligencia artificial, permiten la evaluación de estrategias de comercialización

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 p

Concepto j


… Atributo q

Concepto k


… Atributo t

Concepto h


… 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


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


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]


PC k

[JADE]

Agente Comercializador n+j

[JESS/ FuzzyJ]


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


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


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


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


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


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


Dis

poni

bilid

ad h

ídric

a es

pera

da

Muy alta Muy sub contratado

Muy sub contratado

sub 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.

Documents

MODELO DE SIMULACIÓN BASADO EN AGENTES DE … · que, ha partir de la estadística, la algoritmia y la inteligencia artificial, permiten la evaluación de estrategias de comercialización