CREG - Informe 3 Metodologia actualizacion precios

Informe 3: Metodología de Actualización de Precios Noviembre 28 de 2024Informe 3: Metodología de Actualización de Precios

P á g i n a 1

Barranquilla, noviembre 28 de 2024

Señores (as), Comisión de Regulación de Energía y Gas - CREG Atn. Dra. Denice Romero López Asesora - Regulación Bogotá D.C.

Referencia: Contrato de Consultoría N° 2024-112 ISES SAS Asunto: Presentación del informe denominado “Metodología de Actualización de Precios”

Estimada Dra. Denice, Formalizamos ante usted la presentación del informe denominado “Metodología de Actualización de Precios” dentro del marco del desarrollo del contrato número 2024-112 ISES SAS, cuyo objeto es “Consultoría para identificar las nuevas tecnologías que se estén utilizando para hacer más eficiente el sistema de transmisión, incluyendo activos que aumenten la capacidad de los existentes, así como analizar la variación de precios de las unidades constr uctivas a considerar en la metodología de transmisión y proponer la forma de actualizarlos”.

Cordialmente,

HARRY WILLIAM RAMOS Gestión Operativa y Administrativa del Contrato Ingeniería y soluciones Especializadas – ISES S.A.S.

Correo: hramos@ises.com.co Móvil: 3126024306Informe 3: Metodología de Actualización de Precios

P á g i n a 2

CONTENIDO

Pág.

1. Introducción .................................................................................................................................. 3

2. Objeto ........................................................................................................................................... 3

3. Alcances y limitaciones ................................................................................................................ 4

4. Antecedentes ............................................................................................................................... 4

P á g i n a 2

CONTENIDO

Pág.

1. Introducción .................................................................................................................................. 3

2. Objeto ........................................................................................................................................... 3

3. Alcances y limitaciones ................................................................................................................ 4

4. Antecedentes ............................................................................................................................... 4

5. Estado del arte ............................................................................................................................. 5 5.1. Preprocesamiento de los datos ................................................................................................ 5 5.2. Selección de variables ............................................................................................................. 7 5.3. Técnicas de modelado de series de tiempo comúnmente utilizadas ....................................... 8 5.4. Proceso de entrenamiento ..................................................................................................... 11 5.5. Comparación de las métricas de desempeño para el modelado de series de tiempo ........... 12

6. Metodología Propuesta para la Actualización de Costos de Unidad Constructiva ..................... 14 6.1. Definición ............................................................................................................................... 14 6.2. Diseño funcional de la solución propuesta ............................................................................. 16 6.3. Preprocesamiento de datos ................................................................................................... 16 6.4. Análisis factorial ..................................................................................................................... 17 6.5. Modelos basados en inteligencia artificial .............................................................................. 18 6.6. Selección adecuada de una arquitectura de red neuronal ..................................................... 20 6.7. Proceso de entrenamiento ..................................................................................................... 21 6.8. Métricas utilizadas para la evaluación del desempeño de los modelos ................................. 22

7. Implementación .......................................................................................................................... 23 7.1. Interfaz de actualización de costos de las unidades constructivas ........................................ 23 7.2. Resultados ............................................................................................................................. 24

8. Conclusiones .............................................................................................................................. 36

9. Instalación e implementación de la aplicación para la actualización de costos de UC. .............. 37

10. Referencias ............................................................................................................................ 38Informe 3: Metodología de Actualización de Precios

8. Conclusiones .............................................................................................................................. 36

9. Instalación e implementación de la aplicación para la actualización de costos de UC. .............. 37

10. Referencias ............................................................................................................................ 38Informe 3: Metodología de Actualización de Precios

P á g i n a 3

1. Introducción Este documento tiene como objetivo específico desarrollar una metodología para estimar el valor de las Unidades Constructivas UC, considerando de manera integral sus componentes principales: obra civil, montaje, otros costos, costos financieros y DDP, definidos en la regulación vigente. Esta metodología tiene como propósito establecer un marco analítico robusto que facilite la actualización con el mayor ajuste a los precios comerciales de las Unidades Constructivas, asegurando que las estimaciones reflejen adecuadamente los costos r eales y se ajusten a las fluctuaciones del mercado. Además, este enfoque pretende capturar la complejidad y variabilidad inherente a cada uno de los componentes, garantizando así una representación precisa de las condiciones dinámicas del sector energético , incluyendo aspectos como las tendencias tecnológicas y el impacto de factores macroeconómicos.

La metodología propuesta permitirá, en primer lugar, identificar las variables significativas que afectan cada uno de los componentes mencionados, lo cual es fundamental para entender los factores que inciden en los costos y para elaborar estrategias que p ermitan optimizar dichos componentes. Esto incluye no solo el análisis de los costos directos, sino también la consideración de factores externos, como la variabilidad de los precios de materiales, las condiciones macroeconómicas y la influencia de normativas y regulaciones vigentes. En segundo lugar, se pretende estimar valores futuros de los costos, lo cual proporcionará a los actores del

consideración de factores externos, como la variabilidad de los precios de materiales, las condiciones macroeconómicas y la influencia de normativas y regulaciones vigentes. En segundo lugar, se pretende estimar valores futuros de los costos, lo cual proporcionará a los actores del sector una herramienta predictiva que facilite la planificación estratégica y la toma de decisiones informadas en torno a inversiones y proyectos de infraestructura eléctrica. Esta estimación de valores futuros se basará en modelos econométricos y escenarios prospectivos que tengan en cuenta las tendencias del mercado y los posibles cambios en las condiciones económicas y regulatorias. Adicionalmente, la metodología tiene el objetivo de proporcionar resultados interpretables y comprensibles, que puedan ser utilizados por diferentes partes interesadas, tales como entidades reguladoras, desarrolladores y operadores del sistema. Esto permit irá que los resultados de la valoración sean útiles no solo para el análisis técnico, sino también para la formulación de políticas y estrategias que contribuyan al desarrollo eficiente y sostenible del sistema eléctrico nacional. Asimismo, pretende ser lo suficientemente flexible para adaptarse a diferentes contextos y escenarios, permitiendo su actualización continua a medida que surjan nuevos desarrollos tecnológicos y cambios en las condiciones del mercado.

2. Objeto Desarrollar e implementar una metodología de análisis y cálculo que permita actualizar los costos de las Unidades Constructivas (UC) objeto de estudio, asegurando que estos reflejen las condiciones actuales del mercado y respondan adecuadamente a las necesidades del Sistema de Transmisión Nacional (STN) en ColombiaInforme 3: Metodología de Actualización de Precios

P á g i n a 4

3. Alcances y limitaciones El alcance de este estudio es desarrollar una herramienta tecnológica que permita actualizar los

de Transmisión Nacional (STN) en ColombiaInforme 3: Metodología de Actualización de Precios

P á g i n a 4

3. Alcances y limitaciones El alcance de este estudio es desarrollar una herramienta tecnológica que permita actualizar los precios de las Unidades Constructivas (UC) de transmisión de energía eléctrica de forma sistemática y eficiente. Esta herramienta se basará en técnicas de inteligencia artificial y análisis estadístico multivariado, con el fin de automatizar el proceso y mejorar la precisión de las estimaciones.

La herramienta tendrá las siguientes funcionalidades: • Identificación automática de variables significativas: Mediante la aplicación de técnicas estadísticas de análisis multivariado, la herramienta identificará las variables que tienen un mayor impacto en el costo de las UC. • Estimación del costo de las UC: Utilizando técnicas de inteligencia artificial, como redes neuronales y/o random forest, la herramienta estimará el costo de las UC con base en las variables significativas identificadas.

Limitaciones: Para el desarrollo y la aplicación de la herramienta, se requiere: • Datos históricos de los componentes de las UC: Se necesita una base de datos con información histórica de los precios de los componentes de las UC. • Variables económicas asociadas: Se requieren datos sobre variables económicas que puedan afectar el costo de las UC, como la inflación, el tipo de cambio, los índices de precios de materiales, entre otros. • Datos completos y consistentes: La calidad de los datos es fundamental para el correcto funcionamiento de la herramienta. Se requieren datos completos, consistentes y libres de errores.

El desarrollo de esta herramienta tecnológica busca automatizar y optimizar el proceso de actualización de precios de las UC, contribuyendo a la eficiencia y la transparencia en la

funcionamiento de la herramienta. Se requieren datos completos, consistentes y libres de errores. El desarrollo de esta herramienta tecnológica busca automatizar y optimizar el proceso de actualización de precios de las UC, contribuyendo a la eficiencia y la transparencia en la remuneración de la transmisión de energía eléctrica en Colombia

4. Antecedentes La valoración de las Unidades Constructivas (UC) en el sector eléctrico se realiza actualmente mediante un procedimiento que emplea el Índice de Precios al Productor (IPP) como única variable de ajuste. Este método consiste en actualizar el valor base de l a UC del año anterior según la variación del IPP, para así estimar el valor correspondiente al año siguiente. Sin embargo, los análisis históricos han demostrado que la dependencia exclusiva de una única variable como el IPP no es suficiente para capturar la complejidad de los factores que influyen en el costo real de las UC, lo cual genera desviaciones considerables entre los valores estimados y los valores observados.Informe 3: Metodología de Actualización de Precios

P á g i n a 5 Adicionalmente, las metodologías de modelado de costos de las UC no contemplan adecuadamente la inclusión de múltiples variables significativas que impactan directamente el costo de estos elementos. Esta situación evidencia la necesidad de desarrollar un e nfoque metodológico más avanzado, que permita modelar los costos de las UC considerando variables como la variación de los commodities asociados con precio de los materiales, otros indicadores macroeconómicos, y el uso de técnicas de inteligencia artificial. Este enfoque integrado facilitaría la obtención de valores actualizados y consistentes, mejorando la precisión y confiabilidad de las estimaciones de costos en el sector eléctrico.

5. Estado del arte

macroeconómicos, y el uso de técnicas de inteligencia artificial. Este enfoque integrado facilitaría la obtención de valores actualizados y consistentes, mejorando la precisión y confiabilidad de las estimaciones de costos en el sector eléctrico.

5. Estado del arte 5.1. Preprocesamiento de los datos El modelado de series de tiempo requiere la fidelidad y representabilidad de los datos disponibles.

Las alteraciones en el comportamiento natural de las series temporales pueden inducir ruido o errores en el proceso de construcción del modelado matemático. Muchos autores coinciden y demuestran que esta etapa es importante para el proceso de selección y montaje de un modelo confiable. Los datos de las series de tiempo pueden presentar lagunas, inconsistencias y tendencias con comportamiento exponencial. Se m ostrarán las acciones más comúnmente implementadas por los autores para limpiar los datos de series temporales con el fin de mejorar el rendimiento de los modelos obtenidos: Un método para el modelado de series de tiempo econométricas ha sido propuesto en el trabajo propuesto por (S. Liu, Gu, & Bao, 2017). Se han definido cuatro etapas necesarias para construir cada uno de los modelos matemáticos ARIMA basados en la metodología Box -Jenkins. En primera instancia, para detectar y eliminar errores e inconsistencias para mejorar la calidad de los datos, se agrega el preprocesamiento de datos. Además, todas las lagunas en los datos se identifican y se completan con el promedio de los datos más cercanos. En segunda instancia, la detección y corrección de los datos atípicos se

integran como un intervalo de confian za definido por [𝜇 − 𝑡 ∗ 𝜎, 𝜇 + 𝑡 ∗ 𝜎], donde 𝜇: promedio, 𝑡: umbral, 𝜎: desviación estándar. En la última etapa se presentan aquellos casos en los que se muestra tendencia exponencial y heterocedasticidad, lo que hace necesario realizar una transformación logarítmica. Los autores del trabajo presentado por (Oniscu et al., 2009) realizan una modelización de dos series temporales relacionadas con la precipitación en los ríos Daning y Zhenshui. Para llevar a cabo el acondicionamiento de datos antes de construir los modelos, se proponen y comparan cuatro tipos de técnicas: 1) Moving -Average Model ( MA), 2) Principal Components Analysis (PCA), 3) Singular Spectrum Analysis ( SSA), 4) Diagonal Averaging ( DA). Esta etapa de preprocesamiento se integra a un modelo basado en redes neuronales. El promedio diagonal consiste en encontrar eleme ntos iguales en la matriz resultante y luego generar un nuevo elemento promediando sobre ellos. Los resultados obtenidos mostraron lo siguiente: • El efecto de la técnica MA en la realización de la previsión no es perceptible. • La aplicación de PCA para la eliminación de ruido produce una ligera mejora en el rendimiento del modelo.Informe 3: Metodología de Actualización de Precios

P á g i n a 6 • SSA produce una mejora considerable en el rendimiento del modelo de previsión. En el trabajo propuesto por (Zhang & Kline, 2007) surge una alternativa basada en redes neuronales y dos técnicas de preprocesamiento de datos para el modelado trimestral de series de tiempo considerando 48 posibles modelos neuronales con diferentes datos históricos,

En el trabajo propuesto por (Zhang & Kline, 2007) surge una alternativa basada en redes neuronales y dos técnicas de preprocesamiento de datos para el modelado trimestral de series de tiempo considerando 48 posibles modelos neuronales con diferentes datos históricos, variables climáticas, variables trigonométricas e indicadores de tiempo como entradas. Se realizan análisis paramétricos y no paramétricos para evaluar y seleccionar el mejor modelo para cada caso. En este trabajo se proponen dos estrategias de transformación: 1) “log”: consiste en aplicar una transformación logarítmica a los datos y 2) “full”: consiste en aplicar la transformación logarítmica junto con una media móvil. Para eliminar la tendencia de la serie de datos, se realiza una aproximación a una tendencia lineal y este componente se resta de los datos. Para eliminar el componente estacional se aplica una media móvil siguiendo un modelo clásico de descomposición aditiva. Los parámetros para descomponer la serie temporal se obtienen a partir de los datos de la propia serie temporal. Otro m étodo para ajustar la estacionalidad de la serie es el propuesto por (Atiya et al., 1999). Algunos autores incluyen transformaciones más sofisticadas en el acondicionamiento y preprocesamiento de datos, como la propuesta por (Yu et al., 2020) en la que utilizan la Transformada Wavelet Empírica mejorada con el algoritmo Artificial Bee Colonial (ABC). EWT es un algoritmo que integra la formalización del EWT junto con la adaptabilidad de la descomposición modal empírica (EMD). En este trabajo, se utiliza EWT para eliminar el impacto de los valores atípicos, haciendo que los datos sean más adecuados para los modelos de pronóstico ARIMA y Extreme Learning Model (ELM). Para probar su propuesta, los autores

descomposición modal empírica (EMD). En este trabajo, se utiliza EWT para eliminar el impacto de los valores atípicos, haciendo que los datos sean más adecuados para los modelos de pronóstico ARIMA y Extreme Learning Model (ELM). Para probar su propuesta, los autores utilizan tres conjuntos de datos del sector financiero. Se realiza una comparación del rendimiento (MAPE) de los modelos (LSTM, ARIMA, ANN y el modelo híbrido propuesto). Se muestra una disminución en el MAPE debido al preprocesamiento de los datos. El MAPE más bajo obtenido por la propuesta aquí planteada fue del 0,61% del modelo propuesto. La implementación de modelos ARIMA en series de tiempo univariadas está limitada por aquellas con características estacionarias, los autores (S. Liu, Gu, & Peng, 2017) proponen una transformación logarítmica para obtener las características propias de las series de tiempo con el fin de construir un modelo de pronóstico de manera óptima. Se implementa un conjunto de pruebas estadísticas para resolver el problema de la identificación imprecisa e inadecuada de las características no estacionarias de la serie temporal. La propuesta está compuesta por las siguientes etapas: 1) Mejora de la calidad de los datos. En esta etapa, el reemplazo de los datos faltantes o atípicos se realiza utilizando datos promedio anteriores y/o tardíos. 2) Estabilización de la varianza. En esta etapa, se aplica el logaritmo natural a los datos cuando la serie temporal es heterocedástica. 3) Aplicación de la prueba unitaria de raíces para la identificación de la periodicidad. 4) Algoritmo de autoadaptación y procesamiento de series temporales no estacionarias. Se utilizaron datos de prueba relacionados con la generación mensual de energía eléctrica en

1. Aplicación de la prueba unitaria de raíces para la identificación de la periodicidad. 4) Algoritmo de autoadaptación y procesamiento de series temporales no estacionarias.

Se utilizaron datos de prueba relacionados con la generación mensual de energía eléctrica en China desde enero de 1990 hasta diciembre de 2015. Los resultados obtenidos mostraron unInforme 3: Metodología de Actualización de Precios

P á g i n a 7 mejor desempeño del modelo propuesto con un MAPE de 2.5% respecto al 4.45% del modelo Holt-Winters. 5.2. Selección de variables Uno de los aspectos más importantes en el modelado de series de tiempo es la selección de las variables a considerar no sólo por su relevancia en la realización de la previsión, sino que también por su incendia en la reducción de los costos asociados a la disponibilidad de las diferentes variables a ser consideradas. Dependiendo de la interacción entre las variables y las estructuras de los modelos, es posible establecer dos enfoques para la selección de variables: model -free (no depende ni de la estructura ni de la calibración del modelo) y model -based (depende de la estructura del modelo) (Alves da Silva et al., 2008; Fernando et al., 2009) . En el model -free, el coeficiente de Pearson se utiliza para determinar la existencia de correlación entre la entrada y la salida del modelo. Por otro lado, la información mutua parcial (PMI) aporta información sobre la existencia de una correlación lineal o no lineal entre los datos de entrada y salida del modelo. El model-based considera que las variables de entrada de los candidatos son sig nificativas si contribuyen a uno o más indicadores de desempeño del modelado. Los indicadores de desempeño comúnmente utilizados son el error cuadrático medio entre los datos observados y

El model-based considera que las variables de entrada de los candidatos son sig nificativas si contribuyen a uno o más indicadores de desempeño del modelado. Los indicadores de desempeño comúnmente utilizados son el error cuadrático medio entre los datos observados y pronosticados y el coeficiente de determinación (𝑅2). En el trabajo presentado por (Tran et al., 2015) se explican tres métodos para la selección de las variables de entrada más significativas para cuatro series de datos sintéticos y dos series de datos reales. Las técnicas utilizadas para realizar el análisis significativo son: 1) correlación lineal parcial (PLC), 2) información mutua parcial (PMI), y 3) técnica basada en programación genética (GP). La correlación lineal parcial proporciona información sobre cómo se pueden analizar dos variables covariantes de forma lineal en un diagrama de dispersión. La técnica de información mutua evalúa la dependencia entre dos variables a partir de su distribución conjunta y densidad marginal. Es decir, la información mutua parcial mide la disminución de la incertidumbre de una de las variables como el reconocimiento. Finalmente, está la técnica basada en programación genética que comparte características similares al algoritmo genético, pero éste se basa en la generación y variación de las estructuras del árbol. En este método, una variable de entrada se considera significativa si su número de apariciones en las ecuaciones generadas es mayor que el umbral establecido. Los resultados mostraron que el modelo PLC (debido a su bajo costo computacional) y el modelo GP (debido a su capacidad para detectar una relación no lineal) son recomendados para la selección de las variables. En el sector salud, el modelado de series de tiempo contribuye al proceso de mejora y

y el modelo GP (debido a su capacidad para detectar una relación no lineal) son recomendados para la selección de las variables. En el sector salud, el modelado de series de tiempo contribuye al proceso de mejora y optimización. Los autores en (Rasouli et al., 2016) proponen un modelo basado en una red neuronal para determinar la tasa de hospitalización. Para la selección de las variables se ha tomado como referencia los métodos de Box-Jenkins para procesos autorregresivos, en los que se utiliza la tabla de funciones autorregresivas parciales para determinar cuánta información del pasado es necesaria para poder explicar el futuro. La función de autocorrelación parcial ayuda a identificar el orden más alto de un proceso autorregresivo. Este análisis se realiza en cuatr oInforme 3: Metodología de Actualización de Precios

P á g i n a 8 hospitales obteniendo un MAPE (Error Porcentual Absoluto Medio) mínimo de 1,17% y máximo de 3,95%. La selección de las variables es un proceso fundamental dentro de la realización de modelos de predicción. En algunas series de tiempo, por ejemplo, en la demanda de energía, es posible encontrar muchas variables que afectan el comportamiento del consumo de energía. Los autores de (Xie & Hong, 2018) toman dos soluciones alternativas que ayudan con la selección de variables con el objetivo de aumentar la eficiencia en la cantidad de variables a utilizar. Los datos de energía y temperatura se utilizan para siete estados de EE. UU. de 2007 a 2011 y de 2001 a 2010, respectivamente. El primer método es holístico y se basa en la selección de la medida de probabilidad de error que sea consistente con la medida de error utilizada para la evaluación final

2010, respectivamente. El primer método es holístico y se basa en la selección de la medida de probabilidad de error que sea consistente con la medida de error utilizada para la evaluación final del pronóstico probabilístico. El segundo método se basa en la estrategia heurística que toma un atajo confiando en un error de medición en la selección de variables. Los resultados mostraron que, aunque el método holístico supera ligeramente al método heurístico, no domina. Se obtiene un MAPE mínimo de 2,82% y máximo de 3,19%. 5.3. Técnicas de modelado de series de tiempo comúnmente utilizadas El modelado de series de tiempo requiere de un conjunto de acciones que permitan depurar, caracterizar, seleccionar y simplificar los datos necesarios para la construcción de los diferentes modelos. Dado que no existe una técnica única que garantice el mej or rendimiento, muchos autores han presentado diferentes trabajos en los que se realiza la comparación entre las diferentes técnicas de modelado (e.g. ARIMA, ES, ANN, SVM, LSTM, RTE, entre otras). Es decir, se han utilizado modelos híbridos con el fin de aprovechar las fortalezas y mitigar las debilidades de las diferentes técnicas. A continuación, se mostrará un resumen de los trabajos relacionados con estos temas: Las redes neuronales también se han explorado mediante enfoques univariados, como el presentado por (Oğcu et al., 2012) en el que se utilizan redes neuronales y una extensión de máquinas de vectores de soporte para la regresión no lineal. Para el entrenamiento de la red neuronal propuesta y el ajuste de regresión se utiliza una colección de datos de consumo que abarca un p eríodo de cuarenta y un (41) años. Los datos de entrada consisten en variables

neuronal propuesta y el ajuste de regresión se utiliza una colección de datos de consumo que abarca un p eríodo de cuarenta y un (41) años. Los datos de entrada consisten en variables derivadas de los datos de consumo, estas son: tiempo, mes e índice de estacionalidad, datos de consumo con uno o dos años de anticipación. Los aspectos más importantes a considerar dentro de lo presentado por (Oğcu et al., 2012) . Los resultados (MAPE) mostraron que el rendimiento del modelo SVR (3,3%) superó al mostrado por las redes neuronales (3,9%). El proceso de valoración de unidades constructivas y el enfoque de precisión entre lo que se estima y su valor real ha llevado a realizar estudios sobre el comportamiento de los diferentes componentes que conforman estas unidades. El estado del arte segreg a el análisis de los modelos de acuerdo con los alcances y limitaciones intrínsecas al planteamiento y complejidad de las variables a correlacionar El análisis de las series temporales de valores de unidades constructivas puede resultar complejo cuando se recurre a métodos convencionales de estimación que basan su principio en establecerInforme 3: Metodología de Actualización de Precios

P á g i n a 9 una relación a priori entre la variable independiente y las variables explicativas. Este desafío no es único del sector de valoración de activos eléctricos; por ejemplo, en el campo de la estimación de demanda de energía eléctrica, estudios como el propues to por (Olaya, 2007a) demostraron las limitaciones de utilizar métodos simplificados. En dicho estudio, se evolucionó de considerar únicamente la hora del día como variable explicativa para la demanda, a incorporar variables macroeconómicas como el PIB, logrando mejoras signif icativas en la precisión de las

las limitaciones de utilizar métodos simplificados. En dicho estudio, se evolucionó de considerar únicamente la hora del día como variable explicativa para la demanda, a incorporar variables macroeconómicas como el PIB, logrando mejoras signif icativas en la precisión de las estimaciones. Este caso resulta particularmente relevante para nuestro contexto actual, donde la valoración de unidades constructivas enfrenta una situación análoga: la dependencia de una única variable resulta insuficiente para capturar la complejidad total del fenómeno. Dentro de los aportes más relevantes que podemos extraer de estas experiencias se destacan: • Así como se estableció una fuerte relación entre la demanda eléctrica y variables macroeconómicas como el PIB, es razonable esperar que el valor de las unidades constructivas esté igualmente influenciado por múltiples variables económicas además del IPP. • De la misma manera que resultó suficiente utilizar información reciente para estimaciones de demanda, se puede inferir que un histórico reciente de valores de unidades constructivas, junto con variables económicas actuales, proporcionaría una base sólida para las estimaciones. • La experiencia en el sector eléctrico ha demostrado las limitaciones de los modelos univariados, lo que refuerza la necesidad de evolucionar más allá del uso exclusivo del IPP para la valoración de unidades constructivas. • Los modelos multivariados han presentado consistentemente mejor rendimiento en diversos campos del sector eléctrico, sugiriendo un camino similar para la valoración de activos. Establecer la id