Sistema de Apoio à Decisão Multi-Agente para a Negociação de Contratos Bilaterais em Mercados de Energia Elétrica

• Autor(a) principal: Silva, Francisco Samuel Paiva da
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/15578
• topic: Contratos Bilaterais; Aprendizagem Automática; Mercados de Energia Elétrica; Negociação Automática; Sistema de Apoio à Decisão; Sistema Multi-Agente

Ao longo das últimas décadas, os mercados de energia elétrica têm sofrido grandes alterações no seu funcionamento de forma a dar resposta aos desafios emergentes. Essa evolução contribuiu para um grande aumento da sua complexidade e imprevisibilidade, dificultando a participação das entidades envolvidas. De forma a possibilitar lidar com a dificuldade identificada, surgiram várias ferramentas para o estudo dos mercados, permitindo a análise das diversas entidades envolvidas, as suas interações assim como as regras em vigor. No entanto, as soluções existentes são principalmente focadas nos modelos de mercado baseados em leilão, apresentando um apoio muito reduzido, e em alguns casos inexistente, ao modelo de mercado baseado na negociação de contratos bilaterais. Com o intuito de colmatar a necessidade identificada, a presente dissertação propõe o desenvolvimento de um sistema de apoio à decisão multi-agente para a negociação de contratos bilaterais em mercados de energia elétrica. Para esse fim, o sistema oferece apoio à decisão nas fases de pré-negociação e negociação de contratos bilaterais. Na fase de pré-negociação são identificados os oponentes, assim como a quantidade de energia a transacionar com cada um e o respetivo preço esperado, de forma a potenciar o maior benefício para o player apoiado, tendo em conta os seus objetivos. A recomendação final resulta da reunião de vários processos, incluindo: deteção de contextos de negociação; geração de cenários de negociação alternativos; aprendizagem sobre qual o método de geração de cenários mais realista; análise das ações possíveis que o player pode tomar; gestão de risco, considerando a reputação de cada oponente; e o processo de decisão que permite a adoção de diferentes estratégias para a identificação da ação com maior benefício. Na fase de negociação é identificada, a cada oferta/contra-oferta, a melhor estratégia que o player apoiado pode seguir com determinado oponente, num determinado contexto, de forma a obter o melhor resultado possível na sua negociação. A recomendação resulta de um processo de aprendizagem, inspirado no funcionamento das redes neuronais artificiais, de forma a confrontar informação de fontes distintas: experiência pessoal e partilhada por outros players acerca do oponente, dos oponentes com um perfil de negociação semelhante e de todos os oponentes no geral. Este processo tem como componentes chave: a deteção do contexto de negociação; identificação de perfis de negociação; atribuição de pesos às diferentes fontes de informação conforme o seu contributo; e gestão de credibilidade de cada player tendo em conta a qualidade da informação partilhada. Os modelos desenvolvidos são integrados em diferentes agentes, capazes de se adaptarem a diferentes contextos de negociação e comportamentos dos oponentes em questão. Para esse efeito são aplicados conceitos de aprendizagem automática, matemática e negociação automática. A solução proposta é testada e validada através de simulação utilizando cenários baseados em dados reais do mercado ibérico de energia elétrica.