Today, there is the need for establishing a strong relationship

Transcripción

1 Survey of Business Intelligence for Energy Markets (La Inteligencia de Negocios aplicada en los Mercados de Electricidad) Manuel Mejía Lavalle 1, Ricardo Sosa Ríos 2 y Nemorio González Medina 2 Artículo publicado originalmente en Hybrid Artificial Intelligence Systems 2009, LNAI 5572, pp , Springer-Verlag Berlin Heidelberg Abstract Today, there is the need for establishing a strong relationship between Business Intelligence (BI) and Energy Markets (EM). This is crucial because of enormous and increasing data volumes generated and stored day by day in the EM. The data volume turns impossible to obtain clear data understanding through human analysis or with traditional tools. BI can be the solution. In this sense, we present a comprehensive survey related with the BI applications for the EM, in order to show trends and useful methods for tackling down every day EM challenges. We outline how BI approach can effectively support a variety of difficult and challenging EM issues like prediction, pattern recognition, modeling and others. We can observe that hybrid artificial intelligence systems are common in EM. An extensive bibliography is also included. 1 Instituto de Investigaciones Eléctricas 2 Centro Nacional de Control de Energía, CFE 86

2 abril-junio-10 Resumen 1 Introducción Los Mercados de Electricidad (ME) son la consecuencia de un escenario abierto a la competencia. En éstos, tanto los ofertantes de electricidad como los compradores, son libres de elegir y negociar los términos de sus contratos en cuanto a precio, cantidad y duración. Antes de realizar una elección se debe considerar y analizar varios factores al mismo tiempo, como aspectos físicos, económicos y de reglamentación [1]. Y aunque enormes volúmenes de información relacionados con este proceso son almacenados todos los días y a cada hora, resulta humanamente imposible (e incluso usando métodos tradicionales) obtener conocimiento útil de estos datos para la correcta toma de decisiones. En este escenario tan complejo, la Inteligencia de Negocios (IN) representa una ayuda y solución importante, ya que precisamente está ideada para procesar de manera automática e inteligente grandes volúmenes de datos. La IN está enfocada esencialmente en transformar datos en conocimiento (o inteligencia), con el fin de apoyar el mejoramiento de los procesos sustantivos de las grandes corporaciones. La IN es una disciplina que se integra de diversas ideas y algoritmos surgidos principalmente de la Inteligencia Artificial y de la tecnología de Bases de Datos, su principal interés es proporcionar a los diversos actores productivos de una organización la información y conocimiento que ellos requieren para realizar mejor su trabajo. Se predice [2] En la actualidad se requiere establecer una fuerte relación entre la Inteligencia de Negocios (IN) y los Mercados de Electricidad (ME). Esto se debe a que la cantidad de información que se genera y se almacena día a día, relacionada con los ME, es enorme y está en continuo crecimiento. Este enorme volumen de datos hace prácticamente imposible obtener un claro entendimiento del negocio, aplicando únicamente análisis con técnicas tradicionales. Así, la IN resulta una alternativa interesante y efectiva de solución. En este sentido, se presenta una revisión del estado del arte que muestra las áreas, tendencias y métodos que se están aplicando para atacar los retos actuales en los ME. Asimismo, hacemos énfasis en cómo la IN ataca problemas difíciles de los ME, como la predicción, el reconocimiento de patrones, el modelado y otros problemas de tipo mixto. También incluimos una amplia sección de referencias. que en el futuro cercano la IN llegará a ser una necesidad de toda gran corporación. En este artículo hemos realizado una investigación del estado del arte para detectar aplicaciones de la IN en los ME, con el interés de encontrar los aspectos relevantes o característicos de los artículos revisados. Este estado del arte contribuye sobre todo a detectar los diversos problemas de los ME que están siendo atacados con técnicas de IN, resultando así en una guía útil para los tomadores de decisiones, especialmente de aquellos países que tienen o están en vías de entrar en un mercado competido de electricidad, lo cual es una tendencia de la globalización. Nuestra revisión del estado del arte también resulta útil para encontrar nichos de oportunidad y así poder proponer nuevas e innovadoras propuestas de solución en el ámbito de la IN. Para abordar estos temas, en la Sección 2 resumimos lo que es la IN. Luego, en la Sección 3 describimos la dinámica y problemática de los ME. En la Sección 4 propiamente presentamos nuestra revisión del estado del arte sobre artículos que combinan problemas de los ME con soluciones de IN. Por último, en la Sección 5 concluimos y discutimos los retos que consideramos deberán de resolverse en el futuro inmediato. Además, para los lectores interesados en profundizar en el tema, se incluye una extensa sección de referencias al final de este artículo. 2 La Inteligencia de Negocios Las grandes corporaciones y empresas desean y necesitan cada vez más saber acerca de sus procesos de negocios. Generalmente estas empresas poseen enormes y costosas bases de datos; sin embargo, es común que no sepan qué hacer con esta información, por lo que se ha llegado a decir que peor que tener muy pocos datos almacenados, es tener muchos pero no saber qué hacer con ellos [9]. La Inteligencia de Negocios (IN) en este sentido puede ser una herramienta muy útil para resolver el reto actual de las empresas de contar con abundancia de datos, pero carecer del conocimiento relevante sobre los procesos del negocio. La IN esencialmente está enfocada a transformar los datos, tal y como se capturan, en conocimiento útil (o inteligencia) para mejorar los procesos centrales de una corporación. Al final, la IN es una disciplina compuesta de herramientas computacionales e informáticas procedentes de la Inteligencia Artificial y la tecnología de las Bases de Datos, cuyo principal propósito es dar a la gente la información o conocimiento que necesitan para hacer mejor su trabajo. El término IN (Business Intelligence), con un ámbito más cercano a lo que es la tecnología actual, fue propuesto por Howard Dresner hace poco más de 20 años [2] para describir una disciplina, en aquellos tiempos apenas apoyada por la tecnología, ocupada de encontrar o descubrir, a partir de los datos colectados, el conocimiento relacionado con la empresa. 87

3 La IN actual incluye áreas y herramientas de cómputo como: Almacenes de Datos [14]. Procesamiento Analítico en Línea (OLAP) y métodos relacionados (MOLAP, ROLAP, etc.). Descubrimiento de Conocimiento en Bases de Datos (KDD) y Minería de Datos [33]. Áreas y algoritmos de la Inteligencia Artificial como: Aprendizaje de Máquina, Agentes Inteligentes, Redes Neuronales Artificiales, Lógica Difusa, Razonamiento Basado en Casos, Reconocimiento de Patrones, Algoritmos Genéticos, etc. [4], [8]. Análisis estadístico. Y, en general, cualquier herramienta, algoritmo, técnica o método que permita transformar datos en conocimiento (o que implique un procesamiento automatizado de los datos con fines de análisis). Se predice que en el futuro cercano (no más de 10 años) la tecnología asociada con la IN será una necesidad de toda gran corporación [2]. 3 Los Mercados de Electricidad La industria eléctrica a nivel mundial ha sido reconstruida a partir de un esquema centralizado o de monopolio a una estructura moderna de mercadotecnia competitiva. Esta transformación se está dando desde el siglo anterior. Actualmente muchas personas y sus gobiernos están de acuerdo en el hecho de que, en la mayoría de los casos, la existencia de un mercado competitivo de energía resulta en un mecanismo más apropiado para el suministro de la misma, ya que permite la libertad de las decisiones, mejora la economía de los clientes y produce mercados que operan más eficientemente y a costos reducidos [3]. Sin embargo, aunado a estos beneficios, el Mercado de Electricidad (ME) enfrenta problemas complejos precisamente por ser un sistema tan dinámico e inter-relacionado. Por ejemplo, en este mercado libre las compañías productoras de electricidad y sus consumidores someten al operador del mercado sus ofertas y precios de generación o consumo, respectivamente [4]. De esta manera, cuando los precios de mercado no están acordes a la realidad, los consumidores tienen la opción de cambiar de proveedor eléctrico. Con esta acción, el proveedor recibe una señal de mercadotecnia apropiada que favorece la economía en general y que afecta al sistema. Pero no sólo los consumidores pueden modificar el mercado, sino también las políticas gubernamentales, que típicamente toman en cuenta las circunstancias y el entorno económico y social de un país en particular. Existen también, en forma adicional a los precios de mercado y a las políticas del gobierno, factores y restricciones de tipo técnico que aumentan su complejidad. Por ejemplo, a diferencia de otros bienes, la electricidad no puede ser almacenada, siendo así que la estabilidad del sistema requiere del equilibrio coherente entre la oferta y la demanda. Otro ejemplo de esto son las limitaciones físicas y técnicas para la transmisión y la entrega de energía, que no sólo tienen que ver con el equipo instalado sino con las contingencias imprevisibles e irremediables que aumentan la complejidad del sistema. Como resultado de todo esto, los ME presentan una naturaleza altamente volátil, quizás más cambiante que la de los mercados bursátiles o financieros, por lo que todas estas circunstancias crean un entorno complejo y multi-disciplinario. De manera general podemos decir que los problemas y retos que enfrentan los ME se relacionaron con asuntos que conciernen a las áreas de predicción, el reconocimiento de patrones, el modelado y su combinación. Para todas estas áreas la IN cuenta con herramientas apropiadas que pueden atacar efectivamente los problemas y retos de los ME. 4 La Inteligencia de Negocios y los Mercados de Electricidad En nuestra revisión del estado del arte sobre problemas en los ME y sus soluciones con IN encontramos artículos de distintos países, sin embargo, a pesar de ello básicamente enfrentan el mismo tipo de retos y necesidades. Por ejemplo, encontramos trabajos publicados de los siguientes países: Estados Unidos (17%), Australia (13%), España (13%), China (9%), Portugal (7%), Brasil (6%), Grecia (4%), Italia (4%), Japón (4%), y otros países con un 2%, como Alemania, Argentina, Canadá, Rusia, Iraq, Inglaterra, Colombia, Taiwán, Bélgica, Suiza, Irlanda, Holanda y Singapur. En cuanto a los algoritmos, técnicas o disciplinas de IN, aplicadas para atacar diversos retos del los ME, observamos que existe una gran diversidad, como se muestra en la tabla 1. De acuerdo al tipo de aplicación de los trabajos que encontramos, hemos identificado y proponemos una agrupación de los artículos en cuatro categorías básicas: predicción, reconocimiento de patrones, modelado y otros problemas de tipo mixto, como se muestra en la tabla 2. En las siguientes subsecciones abordaremos estos temas y describiremos de manera resumida algunos de los trabajos encontrados y que consideramos los más representativos del estado del arte. 88

4 abril-junio-10 Tabla 1. Algoritmos de IN aplicados a problemas de los ME. Algoritmo Tabla 2. Aplicaciones de Inteligencia de Negocios por año. Referencia Redes Neuronales Artificiales [4], [5], [6], [7], [8], [9], [10] Ensamble tipo Bagging [11] Agrupamiento (Clustering) [12], [13] Almacenes de Datos [9], [14] Lógica Difusa [8], [15], [16] Algoritmos Genéticos [6], [17] Arboles de decisión (algoritmos C4.5, J48) [7], [12], [18], [19], [20], [21], [22], [23] Teoría de información basada en entropía [5] Teoría de Information Gap [24] Agentes Inteligentes [23], [25], [26], [27], [28], [29], [30], [31], [32] Vecinos más cercanos [22], [27] Descubrimiento de Conocimiento (KDD) [33], [34], [35] Multivariate Adaptive Regression Splines [36] Clasificación Bayesiana [37], [38], [39] Máquinas de Soporte Vectorial [4], [11], [22], [37], [39], [40] Minería de Datos, Series de Tiempo, [1], [13], [41], [42], [43], [44], [45], [46] Transformadas de Fourier, Conjuntos Rugosos Transformadas Wavelet [4], [41], [47] Predicción Reconocimiento de Patrones Modelado Otros Año Caracterización de Precio Demanda Transientes Operación Clientes 2007 [22], [39] 2006 [36] [18], [27] [19], [20] [10], [44], [46] 2005 [37], [38] Análisis de Demanda [8], [16], [48] Simulación con Agentes Comportamiento Simulación Monitoreo [35] Calidad de Datos [26], [28] [17], [24] [34] [49] Sistemas Integrados [5] [1], [7] [29] [50] 2004 [30] [33] [11], [40] [45] [23], [30] [51] 2003 [41] [43] [25] [32] [14] 2002 [21] [31] 2001 [12] [42] [47] 2000 [52] [6] 4.1 Predicción Una consecuencia de que los ME sigan las leyes de la oferta y la demanda es que el precio de la electricidad se vuelve incierto. Es por ello que las compañías requieren realizar predicciones del precio a corto y mediano plazo, con la mayor certeza posible. Aunado a esto requieren tener estimaciones sobre la demanda de electricidad. Así, el tema de predicción se vuelve vital como herramienta de apoyo a la toma de decisiones, pues se requiere de manera anticipada planear y programar la operación de las centrales generadoras de energía, y establecer estrategias de oferta para realizar de la mejor manera posible la negociación de precios. Por todo esto, tanto los consumidores como los productores requieren de herramientas de predicción. Existen diversos proyectos de investigación alrededor del mundo que atacan el tema de predicción desde distintas perspectivas. Por ello, podemos encontrar trabajos para predicción de precio, de demanda y de estabilidad del sistema eléctrico interconectado. Todos estos trabajos tienen como objetivo primordial lograr reducir costos de operación y maximizar la generación oportuna de electricidad. En particular pudimos observar que la mayoría de los trabajos de investigación se centran en la predicción de los precios esperados de electricidad, y sólo unos pocos abordan el tema de predecir los picos de los precios. En Australia se están usando dos métodos (Máquinas de Soporte Vectorial y clasificación Bayesiana) para predecir los picos de los precios [39]. En [40] se propone un método novedoso para la predicción de la estabilidad del sistema que emplea Minería de Datos. 89

5 4.2 Reconocimiento de patrones Dentro del procesamiento de datos, uno de especial interés es el de reconocimiento de patrones, con el cual se busca encontrar una serie de reglas que definan un comportamiento o identificar factores clave que faciliten el entendimiento de los ME. En [45] los datos históricos de fallas en la distribución de energía de la Taiwan Power Company se emplearon para obtener reglas útiles para el diagnóstico y localización certera de fallas en la red eléctrica. Ellos usaron los Conjuntos Rugosos (Rough Set) como técnica para realizar la Minería de Datos. En [21] se menciona que antiguamente no era necesario conocer al cliente, pues la industria eléctrica funcionaba como un monopolio. Sin embargo, ahora este conocimiento puede marcar diferencias entre las compañías productoras. Por esta razón, en este trabajo se emplean técnicas de Minería de Datos para obtener perfiles de consumo de los usuarios, basándose en lo que se conoce como Customer Relationship Management (CRM). En [8] se estudia el comportamiento dinámico y no lineal de la demanda eléctrica en relación con los parámetros que se estima determinan esta demanda como el clima, el calendario (fechas especiales) o la situación de la economía. Todos estos parámetros aumentan la complejidad para construir escenarios de la demanda, por lo que para realizar los estudios se usan Redes Neuronales Difusas como técnica para encontrar patrones. 4.3 Modelado En cuanto al modelado del ME se han empleado diversas técnicas para este fin. Por ello, para estudiar el comportamiento y evolución de los ME, Praca [25] propone el uso de una simulación empleando la técnica de Agentes Inteligentes. En este trabajo los agentes representan diversos actores que se pueden encontrar en los ME, tales como productores, consumidores, operadores de mercado y operadores de la red eléctrica, e incluso los corredores de bolsa. Esta simulación refleja los posibles efectos de la aplicación de ciertas reglas de mercado dadas ciertas condiciones del mismo, dependiendo de las estrategias que empleen los participantes. Se da un énfasis especial a las decisiones de carácter estratégico de los vendedores, comparadores y corredores, para obtener así un ambiente en donde se puede estudiar y analizar el comportamiento de un mercado altamente competitivo. En [17] se describe un proyecto de modelado de comportamiento usando Algoritmos Evolutivos para obtener nuevas y útiles estrategias cooperativas por parte de los compradores. Este trabajo explora el área de cómo los compradores pueden reducir sus costos mediante la formación óptima de grupos de compradores. El sistema construido usa un simulador de ME llamado Power World Simulator, que permite incluir aspectos técnicos de la red eléctrica, en particular los efectos de las restricciones físicas de flujo de energía por la red. La simulación se prueba con una red de transmisión con bus tipo IEEE 14, pudiéndose así observar y analizar diversas estrategias de compra de manera más cercana a la realidad. En [34] se describe otro proyecto donde se aplican algoritmos de Minería de Datos para descubrir nuevos patrones de monitoreo y control que buscan mejorar los planes de mercadeo. Aquí se usa una herramienta de ingeniería del conocimiento llamada CommonKADS, para desarrollar las fases previas a la Minería de Datos propiamente. Al aplicar algoritmos de clasificación, se obtienen nuevas reglas de control que mejoran el rendimiento sin necesidad de agregar instalación de nuevos equipos. Las reglas obtenidas también pueden ser usadas para dar seguimiento de posibles fallas de los instrumentos de medición, así como para limpiar valores erróneos, reemplazándolos con aquellos que resultan de la aplicación de los algoritmos de Minería de Datos. 4.4 Otros Existen otras soluciones que la IN propone y que pueden ser aplicadas a los problemas y retos de los ME. Por ejemplo, la construcción de Almacenes de Datos que permiten la realización de procesamiento y análisis de datos en línea (OLAP), o el desarrollo de Sistemas Integrales para atacar de manera más completa los problemas de los ME, o la aplicación de proyectos de Calidad de Datos para mejorar la confiabilidad de los datos adquiridos y manejados en los ME. A continuación se describen algunos ejemplos de trabajos concretos relacionados con esto y que se encontraron durante la búsqueda del estado del arte. El proyecto descrito en [47] presenta un desarrollo en el cual se envían grandes volúmenes de datos, usando protocolos adecuados de transmisión, relacionados con redes eléctricas congestionadas, con lo cual se llena un Almacén de Datos que posteriormente permite realizar análisis inmediatos de la situación. En [49] es abordado un proyecto de Calidad de Datos en ME y en [14], [50] y [51] se presentan distintas propuestas de Sistemas Integrales para ME. 5 Conclusiones y trabajo a futuro Hemos presentado una búsqueda del estado del arte que relaciona soluciones de IN con problemas de ME, con la intención de mostrar las tendencias y los métodos más usados para resolver la amplia variedad de retos que se dan día a día en los ME. Creemos que este estudio es un buen inicio para los investigadores que buscan aplicar la IN en áreas productivas y de gran impacto como lo son los ME. En este sentido, el presente trabajo representa un esfuerzo por atraer la atención de la comunidad e industria eléctrica, en particular de la comunidad de ME, respecto a la relevancia de aplicar la IN ahí, pues ésta tiene métodos diseñados de tal forma que una buena variedad de problemas de los ME pueden ser atacados con estos métodos, que además superan las limitaciones de los métodos tradicionales. Enfatizamos la importancia de este artículo, ya que, hasta donde nosotros buscamos, no encontramos un trabajo publicado del estado del arte similar a éste. Además, dado que no encontramos trabajos publicados de una buena cantidad de países, podemos afirmar que aún existe un gran campo de trabajo por desarrollar y contribuir en el futuro en este tema. 90

6 abril-junio-10 Como hallazgo particular nos parece interesante resaltar el hecho de la gran variedad de métodos de IN que se están aplicando a los ME. De manera general podemos decir que detectamos cuatro grandes grupos de aplicación: predicción, reconocimiento de patrones, modelado y otras aplicaciones de carácter mixto; pero también debemos decir que detectamos que existen aún varios temas abiertos de investigación, como la aplicación de técnicas y algoritmos conocidos como change point detection algorithms, además del uso de reglas de asociación, selección de atributos y estudios de búsqueda de inter-relaciones entre variables y parámetros de los ME. Todo lo anterior es material para trabajo a futuro. Una contribución adicional de este artículo es la extensa sección de referencias, que puede ser consultada por los investigadores interesados en profundizar en estos temas. Referencias 1. Bhatnagar R., Rao C.: Energy resource management based on data mining and AI. Proceedings ACEEE Summer Study on Energy Efficiency in Industry, 6, Cincinnati (2005). 2. McKay L.: Business intelligence comes out of the back office. CRM magazine, Jun (2008). 3. Wu F. F., Varaiya P.: Coordinated multilateral trades for electric power networks: theory and implementation 1. Electrical Power and Energy Systems 21, (1999). 4. Xu Z., Dong Z. Y., Liu W. Q.: Neural network models for electricity market forecasting. Proc. of 4th Australian Workshop on Signal Processing and its applications. Australia (1996). 5. Sun W., Lu J., He Y.: Information Entropy Based Neural Network Model for Short-Term Load Forecasting. Transmision and Distrib. Conference: Asia and Pacific IEEE/PES, 1-5 (2005). 6. Sheble G.: Artificial life techniques for market data mining and emulation. Artificial life techniques for market data mining and emulation, 3, Iowa (2000). 7. Sánchez-Ubeda E. F., Muñoz A., Villar J.: Minería y visualización de datos del mercado eléctrico español. III Taller Nacional de Minería de Datos y Aprendizaje. Madrid (2005). 8. Andrade F., Camargo C., Teive R.: Aplicação de técnicas de mineração de dados para a previsão de demanda no médio prazo. Encontro Regional Ibero-americano do CIGRÉ. Brasil (2007). 9. Richeldi M.: A business intelligence solution for energy budget control. Proc. of the 3rd Int. Conf. on the Practical Application of Knowledge Discovery and Data Mining, (1999). 10. Verdu V., Garcia S.: Classification, filtering, and identification of electrical customer load patterns through the use of SOMs. IEEE Transactions on Power Systems, (2006). 11. Xu T., He R.: Appls.of data mining for power system trans. stability prediction. Proc.IEEE Int.Conf.Electric Utility Deregulation, Restructuring & Power Tehnologies, (2004). 12. Sánchez E., Pec, J., Raymont P., Gomez T.: App.of data mining techniques to identify structural congestion problems under uncertainty. Porto Power Tech Proceedings, 1, 6-14 (2001). 13. Wu S., Wu Y., Wang Y., Ye Y.: An algorithm for time series data mining based on clustering. Sch. of Computing Science and Technology (2006). 14. Felden C., Chamoni P.: Web farming and data warehousing for energy tradefloors. Proceedings IEEE/WIC International Conference on Web Intelligence, (2003). 15. Widjaja M., Mielczarski W.: A Fuzzy-Based Approach to Analyze System Demand in the Australian Electricity Market. Power Engineering Society Summer Meeting, IEEE (1999). 16. Samper M.E., Vargas A.: Costos de generación distribuida bajo incertidumbres empleando técnicas Fuzzy. Enc. Regional Ibero-americano CIGRÉ Foz do Iguazú, Paraná (2007). 17. Srinivasan D., Woo D., Rachmawati L., Wei Lye K.: Evolving Cooperative Behavior in a Power Market. Genetic and evolutionary computation conference. Proceedings of the 8th annual conference on Genetic and evolutionary computation, (2006). 18. Lobato E., Ugedo A., Rouco R., Echavarren F. M.: Decision Trees Applied to Spanish Power Systems Applications. Sch. of Engineering (2006). 19. Voumvoulakis E. M., Gavoyiannis A. E., Hatziargyriou N.: Decision trees for dynamic security assessment and load shedding scheme. Power Eng. Soc. General Meeting, Atenas (2006). 20. Li F., Runger G. C., Tuv E.: Change-point detection with supervised learning and feature selection. International Journal of Production Research, (2006). 21. Kitayama M., Matsubara R., Izui Y.: Data mining for customer load profile analysis. Proc. IEEE Power Eng. Society Transmission and Distribution Conference, (2002). 22. Troncoso A., Riquelme J., Gómez A., Martínez J., Riquelme J.: Electricity Market Price Forecasting Based on Weighted Nearest Neighbors Techniques. IEEE Transactions on Power Systems (2007). 23. Bagnall A. J.: Autonomous Adaptive Agents in Simulations of the UK Market in Electricity. University of East Anglia (2004). 24. Cheong M., Sheble G.: Knowledge extraction and data mining for the competitive electricity auction market. Int. Conf. on Prob. Methods Applied to Power Systems, Iowa (2006). 25. Praca I., Ramos C., Vale Z.: A new agent-based framework for the simulation of electricity markets. Intelligent Agent Technology, IEEE/WIC Int. Conference, (2003). 26. Geoff J., Cohen D., Dodier R., Platt G., Palmer D.: A Deployed Multi-Agent Framework for Distributed Energy Applications. Int. Conf. on Autonomous Agents, (2006). 27. Herrera F.: Propuesta del Grupo de la Universidad de Sevilla para MINDAT-PLUS. Minería de datos para los usuarios en diferentes áreas de aplicación (2006). 91

7 28. Da Silva Lima W., De Andrade Freitas E. N.: A multi agent based simulator for Brazilian wholesale electricity energy market. Lecture Notes in Computer Science, Brazilia (2006). 29. Kok J. K., Kamphuis I. G.: PowerMatcher: Multiagent Control in the Electricity Infrastructure. International Conference on Automous Agents (2005). 30. Fujii Y., Okamura T., Inagaki K.:.Basic analysis of the pricing processes in modeled electricity markets with multi-agent simulation. Restructuring & Power Tech Tokyo (2004). 31. Karbovskii I. N., Lukatskii A. M., Fedorova G. V., Shapot D. V.: A small model of market behavior. Automation and Remote Control, Moscow (2002). 32. Debs A., Hansen C., Yu-Chi W., Hirsch P., Szot L.: Bidding strategies for GENCO s in the short-term electricity market simulator (STEMS). Proceedings of the IASTED International Conference on Intelligent Systems and Control, Salzburg, Austria (2003). 33. Rico J., Flores J., Sotomane C.,Calderon F.: Extracting temporal patterns from time series data bases for prediction of electrical demand. LNAI Springer, MICAI (2004). 34. Athanasopoulou C., Chatziathanasiou V., Komminou M., Petkani Z.: Applying knowledge engineering and data mining for optimization of control monitoring of power plants. Proceeding (521) European Power and Energy Systems (2006). 35. Cruz R. D., Carrillo G., Pinzón S.: Metodología para la monitorización del mercado eléctrico a partir de Inteligencia Competitiva. Encontro Regional Ibero-americano do CIGRÉ (2007). 36. Zeripour H., Bhattacharya K., Canizares C.: Forecasting the hourly Ontario energy price by multivariate adaptive regression splines. IEEE Power Eng. Society General Meeting (2006). 37. Zhao J. H., Li X., Wong K. P.: A general method for electricity market price spike analysis. IEEE Power Engineering Society General Meeting, (2005). 38. Lu X., Dong Z. Y., Li X.: Electricity market price spike forecast with data mining techniques. Electric Power Systems Research, (2005). 39. Zhao J. H., Dong Z. Y., Li X.,Wong K. P.: A framework for electricity price spike analysis with advanced data mining methods. IEEE Trans. on Power Systems 22, 1, (2007). 40. Dongjie X., Peng W., Renmu H., Tao X.: Small signal stability analysis and control in market environment. IEEE International Conference on Electric Utility Deregulation, Restructuring and Power Technologies., 1, (2004). 41. Zhenfyou H., Qingquan Q., Zhibing W.: Wavelet Analysis and Electric Power Market E-Commerce. Proceedings of the 4th International Conference on Parallel and Distributed Computing, Applications and Technologies, (2003). 42. Vucetic S., Tomsovic K., Obradovic Z.: Discovering price-load relationships in California s electricity market. IEEE Transactions on Power Systems, (2001). 43. Duarte F., Rodrigues F., Figueiredo V., Vale Z., Cordeiro M.: Data Mining Techniques Applied to Electric Energy Consumers Characterization. Proceedings of the Seventh IASTED International Conference on Artificial Intelligence and Soft Computing, Oporto (2003). 44. Nizar A. H., Dong Z. Y., Zhao J. H.: Load profiling and data mining techniques in electricity deregulated market. IEEE Power Engineering Society General Meeting, 7 (2006). 45. Peng J.-T., Chien C. F., Tseng T. L.: Rough set theory for data mining for fault diagnosis on distribution feeder. Generation, transmission and distribution, IEEE Proc., (2004). 46. Ramos S., Vale Z., Santana J., Rodrigues F.: An application to the consumer-supplier relationship supported by data mining techniques for MV customers. WSEAS Trans.Power Systems, (2006). 47. Cannataro M., Curci W., Giglio M.: A priority-based transmission protocol for congested networks supporting incremental computations. Proceedings International Conference on Information Technology: Coding and Computing, (2001). 48. Frezzi P., Garcés F., Haubrich H. J.: Analysis of short-term strategic behavior in power markets. Encontro Regional Ibero-americano do CIGRÉ (2007). 49. Wirth, J.: Information quality. Top 10 Trends in Business Intelligence (2006). 50. Taft J.: The Intelligent Power Grid (2005). 51. Cherian S., Ambrosio R. S.: Towards realizing the GridWise [trademark] vision: Integrating the operations and behavior of dispersed energy devices, consumers, and markets. IEEE PES Power Systems Conference and Exposition, 1-6 (2004). 52. Alcocer Morales Y. E., Chiesara Sanchez A. F., Galiasso Y., R. E.: Nuevo mercadeo de la energía para nuevos usuarios. Visión Tecnológica, (2000). MANUEL MEJÍA LAVALLE [mlavalle@iie.org.mx] Doctor en Ciencias Computacionales por el Instituto Tecnológico y de Estudios Superiores de Monterrey en Desde 1988 se desempeña como investigador y jefe de proyecto en la Gerencia de Sistemas Informáticos del IIE, participando en diversos proyectos para la CFE, Pemex y Condumex. Ha desarrollado sistemas computarizados basados en técnicas de Sistemas Expertos, Redes Neuronales, Bases de Datos, Almacenes de Datos, Minería de Datos e Inteligencia de Negocios, y publicado diversos artículos a nivel nacional e internacional en estas áreas. Ha sido catedrático y dirigido varias tesis a nivel licenciatura y maestría. Es miembro del SNI, de la IEEE, de la Sociedad Mexicana de Inteligencia Artificial, y de la Academia Nacional de Investigación en Ciencias Computacionales. 92