Publicada em

21/02/2017

Frank Toshioka

207 – Previsão de preço semanal de energia elétrica através de redes neurais artificiais com limites de saturação

Resumo

O objeto da Dissertação é a previsão do Preço de Liquidação das Diferenças (PLD), que é determinado semanalmente para cada patamar de carga, dentro de limites mínimo e máximo estabelecidos pela agência reguladora ANEEL, e para cada submercado (Sudeste e Centro Oeste, Sul, Norte e Nordeste). A enorme volatilidade deste preço chegou ao percentual anualizado de 264,85% da média mensal do submercado SE/CO no período de janeiro de 2014 a novembro de 2016. A técnica de Redes Neurais Artificiais (RNA) tem sido muito utilizada em vários tipos de previsões desde o mercado de ações até os preços de energia elétrica em todo o mundo, sendo que as do tipo feedforward de camadas múltiplas com algoritmo Levenberg Marquardt  foi a escolhida para o Estudo. Para alcançar o objetivo inicial, a Revisão da Literatura focou principalmente nos últimos trabalhos nacionais de previsões do preço spot (CMO ou PLD) utilizando de RNA. A proposta é utilizar algumas variáveis publicadas pelo ONS que impactam na formação do PLD e também o histórico de preços da CCEE para se obter um modelo de previsão através de simulações no MATLAB. O Método foi separado em quatro etapas: preparação dos dados, modelagem de redes neurais, testes do modelo e caso de aplicação. A definição e simulação com dados semanais com limites de saturação é uma novidade neste trabalho. A partir de 24 variáveis iniciais com dados originais foram feitas restrições das mesmas para alcançar um mínimo possível de variáveis para o modelo final, que ficou com cinco variáveis. No capítulo de Caso de Aplicação são simulados os anos de 2015 e 2016 com dados originais e com limites de saturações em relação a seus valores máximos, sendo que estes tiveram melhores resultados. No final os valores das simulações do presente trabalho são comparados com três Modelos de previsões oficiais da CCEE e também o Modelo Naive, através de alguns métodos estatísticos. A escolha inicial das variáveis de entrada abriu uma oportunidade de restrição das mesmas através de correlações lineares apesar das relações entre as séries são não lineares e também restrições através de simulações através de RNA com eliminação de variáveis a cada rodada, questão esta que não havia sido abordada em algum estudo. Com o Modelo final definido simularam-se cenários com dados originais e dados com limites de saturações, mostrando-se que estes melhoram ainda mais os resultados, justamente por restringir os valores. A questão dos limites de saturação também é um tema inédito. O modelo de previsão da Dissertação cumpriu seu objetivo inicial da previsão do preço de energia elétrica com apenas cinco variáveis de entrada na RNA.

Abstract

The purpose of the Dissertation is to forecast the Settlement Price of Differences (PLD), which is determined weekly for each load level, within the minimum and maximum limits established by the regulatory agency ANEEL, and for each submarket (Southeast and Center West, South , North and Northeast). The enormous volatility of this price reached the annualized percentage of  264.85% of the monthly average of the SE / CO submarket from January 2014 to November 2016. The technique of Artificial Neural Networks (ANN) has been widely used in several types of Forecasts from the stock market to worldwide electricity prices and the multi-feedforward feedforward type with Levenberg Marquardt’s algorithm was chosen for the study. To reach the initial goal, the Literature Review focused mainly on the latest national spot price forecasts (CMO or PLD) using RNA. The proposal is to use some variables published by the ONS that impact the formation of the PLD and also the price history of the CCEE to obtain a forecast model through simulations in MATLAB. The method was separated into four steps: data preparation, modeling of neural networks, model tests and case of application. The definition and simulation with weekly data with limits of saturation is a innovation in this work. From 24 initial variables with original data were made constraints of them to reach a possible minimum of variables for the final model, which remained with five variables. In the study of Case of Application the years 2015 and 2016 are simulated with original data and with saturation limits in relation to their maximum values, and these have had better results. In the end, the values ​​of the simulations of the present work are compared with three models of official forecasts of the CCEE and also the Naive Model, through some statistical methods. The initial choice of the input variables opened an opportunity to restrict them through linear correlations although the relationships between the series are nonlinear and also constraints through RNA simulations with elimination of variables at each round, a question that not been addressed in any study. With the final model defined scenarios were simulated with original data and data with saturation limits, showing that they further improve the results, precisely by restricting the values. The question of saturation limits is also an unprecedented topic. The Dissertation forecast model fulfilled its initial objective of predicting the electricity price with only five input variables in ANN.

Data da defesa: 21/02/2017

Banca Examinadora

Orientador (a): Lúcio de Medeiros (Lactec)
Membro da Banca: Alexandre Rasi Aoki (Lactec)
Membro da Banca: Cresencio Silvio Segura Salas (Lactec)
Membro da Banca: Mônica Barros (PUC-RIO)

Palavra(s)-Chave: Energia Elétrica. Previsão do preço. Preço de Liquidação das Diferenças. Redes Neurais Artificiais.

Keywords: Pricing Electricity. Settlement Price of Differences. Artificial Neural Networks.

Utilizamos cookies para oferecer melhor experiência, melhorar o desempenho, analisar como você interage em nosso site e personalizar conteúdo. Ao utilizar este site, você concorda com o uso de cookies.