At present, different branches of science generate a large amount of data that are later analyzed. Demand data and energy prices of electric aren’t the exception; since they are very important in an electric market. Its analysis helps market participants maximize their benefits, as well as in the planning and safety of the electrical system. In this thesis, the description and forecast of time series of demand and energy prices for the electric markets of Ontario, Texas and New York are carried out. The Multiple Linear Regression (RLM) technique was used to obtain two predictive models named LARS (Least Angle Regression) and WLS (Weighted Least Square). The regression coefficients of the first model are estimated using the Least Angle Regression (LARS) method and the regression coefficients of the second model are estimated using Weighted Least Squares (WLS), since the results obtained when using LARS are the same as those obtained when using Ordinary Least Squares (OLS). With these models it is possible to forecast demand and energy prices directly to a forecast horizon of 24 hours. For the demand forecast models, the weekly seasonality, identified by the analysis of the autocorrelation function of these time series, was taken into account. In order to obtain the energy price forecast models, a daily price classification was made that was similar to the current day, that is, similar days were grouped regardless of the day of the week.
En la actualidad, diferentes ramas de la ciencia generan gran cantidad de datos que posteriormente son analizados. Los datos de demanda y precios de la energía eléctrica no son la excepción; siendo muy importantes dentro de un mercado eléctrico. Su análisis ayuda a los participantes del mercado a maximizar sus beneficios, así como en la planeación y seguridad del sistema eléctrico. En el presente trabajo de tesis se realiza la descripción y el pronóstico de series de tiempo de demanda y precios de la energía para los mercados eléctricos de Ontario, Texas y New York. Se empleó la técnica de Regresión Lineal Múltiple (RLM), mediante la cual se obtienen dos modelos de pronóstico nombrados como LARS (Least Angle Regression) y WLS (Weighted Least Square). Los coeficientes de regresión del primer modelo se estiman mediante el método de Regresión de Menor Ángulo (LARS, por sus siglas en inglés) y los coeficientes de regresión del segundo modelo se estiman utilizando el método Mínimos Cuadrados Ponderados (WLS, por sus siglas en inglés), ya que los resultados que se obtienen al utilizar LARS son los mismos que se obtienen cuando se utiliza Mínimos Cuadrados Ordinarios (MCO). Con estos modelos es posible realizar pronósticos de demanda y precios de energía de forma directa a un horizonte de pronóstico de 24 horas. Para los modelos de pronóstico de demanda se tomó en cuenta la estacionalidad semanal, identificada mediante el análisis de la función de autocorrelación de estas series de tiempo. Para obtener los modelos de pronóstico de precios de la energía se realizó una clasificación diaria de los precios que fueron parecidos al día actual, es decir, se agruparon los días similares sin importar el día de la semana.
