Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica

• Ano de defesa: 2021
• Autor(a) principal: Nascimento, Fabiane Barbosa do
• Orientador(a): Oliveira, Leonardo Willer de
• Banca de defesa: Ferreira, Vitor Hugo , Marcato, André Luís Marques , Olivi, Leonardo Rocha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Preço de liquidação das diferenças; Modelos de predição; Predição de séries temporais; Redes neurais artificiais; Filtragem estocástica; Settlement price of differences; Forecasting models; Time series forecasting; Artificial neural networks; Stochastic filtering
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://doi.org/10.34019/ufjf/di/2021/00065; https://repositorio.ufjf.br/jspui/handle/ufjf/12753

O Preço de Liquidação das Diferenças (PLD) é utilizado como base na comercialização de energia elétrica no mercado de curto prazo. O conhecimento dos seus valores futuros e tendências reduz a insegurança na tomada de decisões, permitindo que os agentes de mercado decidam as estratégias mais adequadas e estabeleçam contratações bem-sucedidas, maximizando os lucros e minimizando os riscos de seus empreendimentos. O PLD é, no entanto, influenciado por diversos fatores ligados principalmente às incertezas das demandas e à hidrologia bem como fatores sociais e políticos, o que lhe confere alta volatilidade, sazonalidade, saturação de valores e comportamento estocástico. Desta forma, o presente trabalho propõe uma abordagem investigativa para a predição das tendências futuras do PLD por meio de Redes Neurais Artificiais e Filtragem Estocástica, com a motivação de auxiliar o processo de decisão da compra de energia no mercado de curto prazo. Tal abordagem consiste na combinação de uma rede neural do tipo recorrente com um filtro na saída para atenuar os ruídos inerentes aos dados auxiliando na preservação das tendências dos dados futuros. A rede foi treinada por meio do algoritmo ADAM e é aplicada ao mercado brasileiro de energia. A escolha dos dados de entrada da rede foi feita a partir de análises estatísticas de correlação cruzada entre as séries temporais das variáveis de interesse. Os resultados mostram uma boa capacidade de predição com um bom acompanhamento das tendências da variável de interesse ao longo do ano, oferecendo seus principais comportamentos e tendências aos operadores de mercado, auxiliando-os nas tomadas de decisões de compra e venda de energia.