| Revista: | Dyna (Medellín) |
| Base de datos: | |
| Número de sistema: | 000544167 |
| ISSN: | 0012-7353 |
| Autores: | MORENO, JULIAN1 OVALLE, DEMETRIO1 |
| Instituciones: | 1Universidad Nacional de Colombia Sede Medellín, Escuela de Sistemas, |
| Año: | 2009 |
| Periodo: | Sep |
| Volumen: | 76 |
| Número: | 159 |
| Paginación: | 67-76 |
| País: | Colombia |
| Idioma: | Español |
| Resumen en español | El trabajo que se describe en este artículo explora la posibilidad de emplear un modelo basado en la lógica difusa y en el aprendizaje de máquina para que los agentes comercializadores del mercado eléctrico Colombiano, o de alguno con características similares, maximicen sus utilidades de acuerdo a su perfil de riesgo. El modelo consta de dos partes, la primera es un sistema experto difuso que les brinda a estos agentes una recomendación respecto a la estrategia comercial que deben emplear, y cuya definición depende principalmente de las condiciones del mercado. La segunda es un mecanismo de aprendizaje por refuerzo con el que los agentes “aprenden” a medida que perciben las consecuencias que sus acciones les acarrean, de manera que las modifican esperando obtener una recompensa no solo en el corto sino también en el largo plazo. |
| Resumen en inglés | The work presented in this paper explores the posibility of using a model based on fuzzy logic and machine learning in order to maximize the profits of Colombian energy trade agents according to their risk profile. The model has two parts, the first one is a fuzzy expert system that gives to these agents a recommendation about the trade strategy they should follow, and whose definition depends mainly on market conditions. The second one is a reinforced learning mechanism with which the agents “learn” when they perceive the consequences of their actions, so they modify them looking for a reward not just in short but also in long term. |
| Palabras clave: | Mercado Eléctrico Mayorista, Lógica Difusa, Aprendizaje de Máquina |
| Keyword: | Wholesale Electricity Market, Fuzzy Logic, Machine Learning |
| Texto completo: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
