Essays on electricity price forecasting

• Ano de defesa: 2023
• Autor(a) principal: Tiago Silveira Gontijo
• Orientador(a): Marcelo Azevedo Costa
• Banca de defesa: Anderson Laécio Galindo Trindade, Bruno de Almeida Vilela, Gustavo de Souza Groppo, Marcos Oliveira Prates
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Produção
• Departamento: ENG - DEPARTAMENTO DE ENGENHARIA PRODUÇÃO
• País: Brasil
• Palavras-chave em Português: Applied statistics; Big data; Data science; Exploratory data analysis; Electricity price; Machine learning; Quantitative methods; Systematic literature review; Time series; Forecasting
• Link de acesso: http://hdl.handle.net/1843/52319; https://orcid.org/0000-0003-2636-899X

Desenvolver modelos preditivos é uma tarefa complexa, pois envolve a incerteza e o comportamento estocástico de variáveis. Especificamente no que diz respeito às commodities, prever com precisão seus preços futuros permite minimizar riscos e estabelecer mecanismos de suporte à decisão mais confiáveis. A discussão sobre este assunto é extensa, e a atenção acadêmica está sendo dada à construção de modelos não paramétricos para serem aplicados aos mercados de energia. Estes modelos apresentaram resultados preditivos promissores, o que justifica esta pesquisa. Diante do exposto, formula-se o seguinte questionamento: Como é possível prever com precisão os preços de energia no mercado spot brasileiro? A presente tese fornece uma revisão sistemática da literatura sobre os principais métodos de previsão aplicados ao setor de energia. No presente estudo, foi possível identificar lacunas de pesquisa e, assim, propor novos modelos preditivos. Esta tese apresenta modelos preditivos baseados na ideia de análogos. Os análogos consistem no processo de escanear uma série temporal e então, identificar padrões (os chamados "matchs") semelhantes às últimas observações disponíveis. Além disso, a recente teoria hierárquica de previsão de séries temporais foi incorporada, uma vez que muitos bancos de dados de energia têm padrões de dependência bem definidos entre si.