• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 5
  • Tagged with
  • 5
  • 5
  • 4
  • 4
  • 4
  • 4
  • 3
  • 3
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Análise de investimento de uma usina termelétrica : uma abordagem determinística e probabilística

BITTENCOURT, Rogério Motta January 2005 (has links)
Made available in DSpace on 2014-06-12T17:20:46Z (GMT). No. of bitstreams: 2 arquivo5927_1.pdf: 807373 bytes, checksum: 73eea0afb825ed04fc55f690d1caa004 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / A partir de uma apresentação das principais mudanças no setor elétrico brasileiro, com o aumento da competitividade, principalmente no segmento de produção de energia elétrica, onde a nova política de compra e venda de energia elétrica se dá através de leilões, este trabalho procura demonstrar por meio de estudos determinísticos e probabilísticos, quais os melhores níveis de venda de energia, no longo e curto prazo, vinculados a diferentes parcelas de contratação de combustível. Partindo de um preço mínimo que satisfaça as condições de financiamento de capital de terceiros e ao mesmo tempo viabilize o investimento, dentro de cenários esperados de expansão da geração e da demanda, é definido o montante da produção de energia de uma termelétrica a ser ofertado em licitações, para contratação bilateral, que melhor remunere o empreendedor. Diante dos ambientes de incerteza e risco do mercado de energia são realizados estudos de sensibilidade das principais variáveis e calculados índices estatísticos que permitem ao investidor avaliar, para diferentes custos de capital próprio e para variadas alternativas analisadas, aquela que lhe traga o melhor retorno esperado, considerando o grau de risco a que deseja se submeter. Na análise de risco do investimento do projeto é calculado, para cada nível de contratação de energia e de flexibilidade operacional, o desvio padrão, o coeficiente de variação, a probabilidade de não se remunerar o investimento e os percentis de 1%, 5% e 10% dos retornos de possíveis fluxos de caixa do projeto. Para a melhor modalidade de contratação de energia e para variados níveis de contratos de combustível são analisadas as menores tarifas de energia para um risco de 5% de não se remunerar o investimento, juntamente com os índices econômicos esperados para o projeto. Este modelo de análise de investimento permite ao analista, diante das estimativas de preços altos ou baixos no mercado de curto prazo, observar possibilidades de ganho, usufruindo os benefícios deste ambiente. Para isso, considera o despacho da usina e a venda da parcela flexível da produção de energia nos momentos de preços de curto prazo favoráveis e, por outro lado, aproveita as condições de preços reduzidos, para negociar a aquisição da energia necessária para se honrar os contratos bilaterais, correspondentes à parcela inflexível da geração, evitando custos operacionais desnecessários à produção de energia
2

Previsão multi-passos a frente do preço de energia elétrica de curto prazo no mercado brasileiro

RESTON FILHO, José Carlos 28 November 2014 (has links)
Submitted by Edisangela Bastos (edisangela@ufpa.br) on 2015-05-26T22:37:44Z No. of bitstreams: 2 license_rdf: 22974 bytes, checksum: 99c771d9f0b9c46790009b9874d49253 (MD5) Tese_PrevisaoMultipassosFrente.pdf: 3784960 bytes, checksum: c62afd633577011ef91bb1e983a19efe (MD5) / Approved for entry into archive by Ana Rosa Silva (arosa@ufpa.br) on 2015-06-16T17:02:30Z (GMT) No. of bitstreams: 2 license_rdf: 22974 bytes, checksum: 99c771d9f0b9c46790009b9874d49253 (MD5) Tese_PrevisaoMultipassosFrente.pdf: 3784960 bytes, checksum: c62afd633577011ef91bb1e983a19efe (MD5) / Made available in DSpace on 2015-06-16T17:02:30Z (GMT). No. of bitstreams: 2 license_rdf: 22974 bytes, checksum: 99c771d9f0b9c46790009b9874d49253 (MD5) Tese_PrevisaoMultipassosFrente.pdf: 3784960 bytes, checksum: c62afd633577011ef91bb1e983a19efe (MD5) Previous issue date: 2014 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / A predição do preço da energia elétrica é uma questão importante para todos os participantes do mercado, para que decidam as estratégias mais adequadas e estabeleçam os contratos bilaterais que maximizem seus lucros e minimizem os seus riscos. O preço da energia tipicamente exibe sazonalidade, alta volatilidade e picos. Além disso, o preço da energia é influenciado por muitos fatores, tais como: demanda de energia, clima e preço de combustíveis. Este trabalho propõe uma nova abordagem híbrida para a predição de preços de energia no mercado de curto prazo. Tal abordagem combina os filtros autorregressivos integrados de médias móveis (ARIMA) e modelos de Redes Neurais (RNA) numa estrutura em cascata e utiliza variáveis explanatórias. Um processo em dois passos é aplicado. Na primeira etapa, as variáveis explanatórias são preditas. Na segunda etapa, os preços de energia são preditos usando os valores futuros das variáveis exploratórias. O modelo proposto considera uma predição de 12 passos (semanas) a frente e é aplicada ao mercado brasileiro, que possui características únicas de comportamento e adota o despacho centralizado baseado em custo. Os resultados mostram uma boa capacidade de predição de picos de preço e uma exatidão satisfatória de acordo com as medidas de erro e testes de perda de cauda quando comparado com técnicas tradicionais. Em caráter complementar, é proposto um modelo classificador composto de árvores de decisão e RNA, com objetivo de explicitar as regras de formação de preços e, em conjunto com o modelo preditor, atuar como uma ferramenta atrativa para mitigar os riscos da comercialização de energia. / Electricity price forecasting is an important issue to all Market participants in order to decide bidding strategies and to establish bilateral contracts, maximizing their profits and minimizing their risks. Energy price typically exhibits seasonality, high volatility and spikes. Also, energy price is influenced by many factors such as power demand, weather, and fuel price. This work proposes a new hybrid approach for short-term energy price prediction. This approach combines auto-regressive integrated moving average (ARIMA) and neural network (ANN) models in a cascaded structure and uses explanatory variables. A two step procedure is applied. In the first step, the selected explanatory variables are predicted. In the second one, the energy prices are forecasted by using the explanatory variables prediction. The proposed model considers a multi-step ahead price prediction (12 weeks-ahead) and is applied to Brazilian market, which adopts a cost-based centralized dispatch with unique characteristics of price behavior. The results show good ability to predict spikes and satisfactory accuracy according to error measures and tail loss test when compared with traditional techniques. Additionally, is proposed a classifier model consisting of ANN and decision trees in order to explain the rules of price formation and, together with the predictor model, acting as an attractive tool to mitigate the risks of energy trading.
3

Formação do preço da energia convencional nas transações entre agentes no mercado de curto prazo brasileiro. / The spot price of conventional energy at the brazilian free market.

Sozzi, Gustavo 10 April 2015 (has links)
Hoje no mercado brasileiro de eletricidade, o preço da energia convencional é composto pela soma do valor do Preço de Liquidação das Diferenças (PLD) divulgado pela Câmara de Comercialização de Energia Elétrica (CCEE) semanalmente com o valor do Spread negociado bilateralmente no mercado à vista (mercado de curto prazo), resultante do equilíbrio entre oferta e demanda. Em alguns momentos, o valor do Spread chega a representar mais de 100% do custo total da energia. Este trabalho faz uma análise do mercado brasileiro, bem como, de alguns mercados no exterior de energia elétrica e destaca os pontos que tem influência direta, na formação do Spread da energia convencional e como isso afeta a decisão de contratação dos agentes. Além disso, o trabalho busca encontrar correlações entre dados divulgados, como carga e oferta de energia, com o ágio negociado no mercado de curto prazo, buscando entender o real impacto de cada um desses fatores e explicar as grandes variações já observadas. Sugere-se também um modelo de regressão linear múltipla para a projeção de valores do ágio. Para tanto, foram utilizadas informações proveniente de um banco de dados de cotações de negócios efetivamente realizados no curto prazo desde janeiro de 2011 até julho de 2014, bem como informações retiradas da CCEE e Operador Nacional do Sistema (ONS). / The Brazilian wholesales energy market price is formed by de sum of the PLD (Market Clearing Price which is released weekly by the Commercial Chamber) and a Spread value, resulting from the negotiation between the market agents. In some cases, the Spread represent more than 100% of the energy total cost. This paper presents an overview about some energy markets, focusing the Brazilian Energy Market, so as to highlight points that affect the Spread value at the spot market and, as consequence, the strategy of the market agents. Additionally, this paper shows the correlation between energy demand and energy offer and energy spread negotiated at the short term market, trying to understand the real impact of each variable trying to get the right explanation regarding the big variations observed. It has been suggested a mathematical model of multiple linear regression to forecast the spread value. In order to accomplish this purpose it was used (i) a historical data of effectively trading situations at the short term market, comprising the period between January 2011 to July 2014, as well as (ii) informations released by the Commercial Chamber (CCEE) and the System Operator (ONS).
4

Formação do preço da energia convencional nas transações entre agentes no mercado de curto prazo brasileiro. / The spot price of conventional energy at the brazilian free market.

Gustavo Sozzi 10 April 2015 (has links)
Hoje no mercado brasileiro de eletricidade, o preço da energia convencional é composto pela soma do valor do Preço de Liquidação das Diferenças (PLD) divulgado pela Câmara de Comercialização de Energia Elétrica (CCEE) semanalmente com o valor do Spread negociado bilateralmente no mercado à vista (mercado de curto prazo), resultante do equilíbrio entre oferta e demanda. Em alguns momentos, o valor do Spread chega a representar mais de 100% do custo total da energia. Este trabalho faz uma análise do mercado brasileiro, bem como, de alguns mercados no exterior de energia elétrica e destaca os pontos que tem influência direta, na formação do Spread da energia convencional e como isso afeta a decisão de contratação dos agentes. Além disso, o trabalho busca encontrar correlações entre dados divulgados, como carga e oferta de energia, com o ágio negociado no mercado de curto prazo, buscando entender o real impacto de cada um desses fatores e explicar as grandes variações já observadas. Sugere-se também um modelo de regressão linear múltipla para a projeção de valores do ágio. Para tanto, foram utilizadas informações proveniente de um banco de dados de cotações de negócios efetivamente realizados no curto prazo desde janeiro de 2011 até julho de 2014, bem como informações retiradas da CCEE e Operador Nacional do Sistema (ONS). / The Brazilian wholesales energy market price is formed by de sum of the PLD (Market Clearing Price which is released weekly by the Commercial Chamber) and a Spread value, resulting from the negotiation between the market agents. In some cases, the Spread represent more than 100% of the energy total cost. This paper presents an overview about some energy markets, focusing the Brazilian Energy Market, so as to highlight points that affect the Spread value at the spot market and, as consequence, the strategy of the market agents. Additionally, this paper shows the correlation between energy demand and energy offer and energy spread negotiated at the short term market, trying to understand the real impact of each variable trying to get the right explanation regarding the big variations observed. It has been suggested a mathematical model of multiple linear regression to forecast the spread value. In order to accomplish this purpose it was used (i) a historical data of effectively trading situations at the short term market, comprising the period between January 2011 to July 2014, as well as (ii) informations released by the Commercial Chamber (CCEE) and the System Operator (ONS).
5

Redes neurais diretas e recorrentes na previsão do preço de energia elétrica de curto prazo no mercado brasileiro

PEREIRA JUNIOR, Flaviano Ramos 11 November 2016 (has links)
Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-04-27T13:23:33Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedesNeuraisDiretas.pdf: 1815165 bytes, checksum: cfcfafe8a5e2953a3752c0fa6b44406d (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-05-04T12:40:06Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedesNeuraisDiretas.pdf: 1815165 bytes, checksum: cfcfafe8a5e2953a3752c0fa6b44406d (MD5) / Made available in DSpace on 2017-05-04T12:40:06Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedesNeuraisDiretas.pdf: 1815165 bytes, checksum: cfcfafe8a5e2953a3752c0fa6b44406d (MD5) Previous issue date: 2016-11-11 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Nos estudos sobre o mercado de energia do brasil existem poucos trabalhos sobre predição do preço de energia elétrica em curto prazo. Os que existem utilizam modelos preditores do tipo ARIMA e rede neural direta, entretanto com a rede neural sem método de seleção das variáveis de entrada ou dos atrasos das entradas. Além disso, não há trabalhos que utilizem redes neurais recorrentes no mercado brasileiro. O mercado de energia de curto prazo pode apresentar importantes oportunidades aos agentes atuantes, pois a comercialização nesse mercado é menos burocrática em relação ao mercado de longo prazo. Este trabalho apresenta o uso de redes neurais diretas e recorrentes (além da comparação com o modelo ARIMA) para a previsão do preço de energia elétrica de curto prazo brasileiro com uso da técnica de correlação para seleção das variáveis externas da rede e também para escolha dos atrasos nestas variáveis selecionadas. Mostra-se que, na previsão de um passo a frente, as redes neurais implementadas superam o desempenho do modelo ARIMA para esta série e, em geral, a rede direta apresenta melhor resultado que a recorrente. além disso, a seleção dos atrasos nas variáveis de entrada melhora o desempenho da rede neural direta. / There are few articles about short term electricity price prediction in the Brazilian market. Existing works use ARIMA predictors and feedforward neural networks however, without input selection or lag selection for these inputs. Besides, there is no work with use of recurrent neural networks in the Brazilian electricity market. The short term electricity market may show important opportunities for the agents acting as the commercialization in this market is less bureaucratic in relation to the long-term market.. This article shows the use of feedforward and recurrent neural networks (besides comparison with the ARIMA model) to predict short term electricity price with the use of correlation for exogenous input selection for the networks and also for lag selection to these inputs. It is shown that, for one step forward predictions, both implemented networks outperforms the ARIMA model, and in general, feedforward network works better than recurrent network. Besides, lag selection in the input improves feedforward network performance.

Page generated in 0.0661 seconds