Return to search

Estudo paramétrico para estimação no curto e médio prazo do preço spot de energia elétrica utilizando redes neurais / Parametric study for estimating the short and medium term electricity spot price using neural networks

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2012. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2012-12-17T12:33:16Z
No. of bitstreams: 1
2012_GuilhermePiresSilvaAlmeida.pdf: 1592071 bytes, checksum: 89af2810b99fb1462395383d5804501b (MD5) / Approved for entry into archive by Guimaraes Jacqueline(jacqueline.guimaraes@bce.unb.br) on 2012-12-17T14:14:18Z (GMT) No. of bitstreams: 1
2012_GuilhermePiresSilvaAlmeida.pdf: 1592071 bytes, checksum: 89af2810b99fb1462395383d5804501b (MD5) / Made available in DSpace on 2012-12-17T14:14:18Z (GMT). No. of bitstreams: 1
2012_GuilhermePiresSilvaAlmeida.pdf: 1592071 bytes, checksum: 89af2810b99fb1462395383d5804501b (MD5) / A industrialização dos países, os avanços tecnológicos, o crescimento econômico e a necessidade de se criar um mercado mais competitivo, igualitário e que dê sustentação principalmente para o desenvolvimento industrial, fez com que diversos países reformassem seu modelo de mercado energético. Com o mercado energético movimentando grandes quantidades financeiras, entender e tentar prever o preço da energia em tempos futuros vem despertando o interesse de diversas áreas da ciência. Os produtores e os grandes consumidores, por estarem mais suscetíveis às variações dos preços da
energia no mercado spot são os maiores interessados nesse assunto. Hoje no Brasil, o preço da energia elétrica é formado pelo custo marginal de operação (CMO) obtido por um programa de otimização (NEWAVE), sendo assim esse trabalho buscou através da utilização de redes neurais artificiais aplicadas na previsão de preços do mercado spot de Energia Elétrica estimar o preço em tempos futuros. Para validar a rede neural foi reproduzido um experimento com dados do mercado da Califórnia com diferentes variações de tempo. Após validar a rede realizou 3 simulações para o mercado da Califórnia e assim como para o mercado brasileiro, sempre considerando diferentes oscilações do preço. As simulações do mercado brasileiro foram treinadas e testadas com 9 combinações de variáveis, buscando medir a eficiência das variáveis para cada modelo. A utilização das redes neurais com os diferentes parâmetros de treinamento e com as
diferentes combinações das variáveis se mostrou de um modo geral eficiente, tendo em vista que as redes convergiram para a previsão das tendências do preço da energia ao longo do período, entretanto, para cenários com maior estabilidade, as redes neurais apresentaram melhores resultados. ______________________________________________________________________________ ABSTRACT / Industrialization in countries, technological advances, economic growth and the need to create a more competitive and equal market which gives support, mainly for industrial
development, has led many countries to change their energy market model. As the energy
market moves huge financial amounts, understanding and trying to predict the price of energy in future times has aroused the interest of several areas of science. Because of being more susceptible to variations in energy prices in spot market, producers and large-scale
consumers are the most interested people in this subject. Nowadays, in Brazil, the price of electricity is formed by the marginal cost of operation obtained by an optimization program (NEWAVE), so we try to estimate the energy prices in future times by using artificial neural networks applied to the spot market energy prices forecast. It was made an experiment with data from Californian market with different time variations to validate the neural network. After validating the network, it was held three simulations for Californian market, always considering different price fluctuations as we do for Brazilian market. Brazilian market simulations were trained and tested with nine combinations of variables, trying to measure the efficiency of the variables for each model. The use of neural networks with different training parameters and with different combinations of variables
proved to be generally effective since the network converged to predict the trend in energy prices throughout the period under consideration, however, for scenarios with greater stability, the neural networks showed better results.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.unb.br:10482/11819
Date13 July 2012
CreatorsAlmeida, Guilherme Pires Silva de
ContributorsCuervo Franco, Pablo Eduardo
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UnB, instname:Universidade de Brasília, instacron:UNB
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0034 seconds