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.