Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UCS |
Texto Completo: | https://repositorio.ucs.br/11338/5544 |
Resumo: | O sistema elétrico brasileiro é referência mundial pelas suas particularidades na forma de geração, transmissão e distribuição de energia. A matriz energética é composta em sua maioria por usinas hidrelétricas e termelétricas, embora tenha-se visto um acentuado aumento de fontes eólicas e solares nos últimos anos. O despacho das usinas hidrelétricas e termelétricas é efetuado de forma centralizada pelo ONS. São utilizados os softwares NEWAVE e DECOMP para otimização visando o menor custo total em todo horizonte de estudo. Além do despacho de cada usina hídrica e térmica, esses softwares divulgam o preço de liquidação das diferenças, utilizado pela Câmara de Comercialização de Energia Elétrica para valorar o preço de energia no curto prazo. Esse preço também é utilizado para negociações bilaterais entre agentes do mercado, seja para trading nas comercializadoras ou compra e venda de energia elétrica para consumidores. Os agentes do mercado utilizam esses softwares para projetar o preço de energia elétrica de curto prazo. Todavia, os softwares necessitam de alto processamento computacional para efetuar a otimização, além do cálculo do despacho ser bastante moroso. Dessa forma, este trabalho apresenta um modelo computacional utilizando Deep Reservoir Computing para projeção do preço de energia elétrica do mercado spot. O trabalho demonstra que a Deep Reservoir Computing pode ser utilizada como ferramenta de auxílio na projeção do preço de energia elétrica no mercado de curto prazo. O modelo proposto foi desenvolvido no software Matlab e, para os experimentos realizados, obteve resultados melhores que redes neurais mais populares, como a Perceptron Multicamadas, onde a correlação foi 3,08% superior na Deep Reservoir Computing além do erro percentual médio absoluto ser 8,8% inferior. |
id |
UCS_0a864349cacd8a51d627c72d52eb1586 |
---|---|
oai_identifier_str |
oai:repositorio.ucs.br:11338/5544 |
network_acronym_str |
UCS |
network_name_str |
Repositório Institucional da UCS |
repository_id_str |
|
spelling |
Perin, Maikon Del RéShiguemori, Elcio HideitiChiwiacowsky, Leonardo DagninoGraciolli, Odacir DeonisioMesquita, Alexandre2020-03-13T12:06:20Z2020-03-13T12:06:20Z2020-03-132019-12-19https://repositorio.ucs.br/11338/5544O sistema elétrico brasileiro é referência mundial pelas suas particularidades na forma de geração, transmissão e distribuição de energia. A matriz energética é composta em sua maioria por usinas hidrelétricas e termelétricas, embora tenha-se visto um acentuado aumento de fontes eólicas e solares nos últimos anos. O despacho das usinas hidrelétricas e termelétricas é efetuado de forma centralizada pelo ONS. São utilizados os softwares NEWAVE e DECOMP para otimização visando o menor custo total em todo horizonte de estudo. Além do despacho de cada usina hídrica e térmica, esses softwares divulgam o preço de liquidação das diferenças, utilizado pela Câmara de Comercialização de Energia Elétrica para valorar o preço de energia no curto prazo. Esse preço também é utilizado para negociações bilaterais entre agentes do mercado, seja para trading nas comercializadoras ou compra e venda de energia elétrica para consumidores. Os agentes do mercado utilizam esses softwares para projetar o preço de energia elétrica de curto prazo. Todavia, os softwares necessitam de alto processamento computacional para efetuar a otimização, além do cálculo do despacho ser bastante moroso. Dessa forma, este trabalho apresenta um modelo computacional utilizando Deep Reservoir Computing para projeção do preço de energia elétrica do mercado spot. O trabalho demonstra que a Deep Reservoir Computing pode ser utilizada como ferramenta de auxílio na projeção do preço de energia elétrica no mercado de curto prazo. O modelo proposto foi desenvolvido no software Matlab e, para os experimentos realizados, obteve resultados melhores que redes neurais mais populares, como a Perceptron Multicamadas, onde a correlação foi 3,08% superior na Deep Reservoir Computing além do erro percentual médio absoluto ser 8,8% inferior.The Brazilian electric system is a world reference for its particularities in the form of energy generation, transmission and distribution. The energy matrix is mostly composed of hydroelectric and thermoelectric plants, having seen a sharp increase in wind and solar sources in recent years. The dispatch of hydroelectric and thermoelectric power plants is performed centrally by ONS. The softwares NEWAVE and DECOMP is used for optimization aiming the lowest total cost over the entire study horizon. In addition to the dispatch of each hydro and thermal plant, these softwares disclose the liquidation price of the differences, used by the Electric Energy Trading Chamber to value the short-term energy price. This price is also used for bilateral negotiations between market agents, either for trading or buying and selling electricity to consumers. Market players use this software to project short-term electricity prices. However, the software needs high computational processing to perform the optimization, and the dispatch calculation is very time consuming. Thus, this paper presents a computational model using Deep Reservoir Computing to project the spot market electricity price. This work demonstrates that Deep Reservoir Computing can be used as a support tool for projecting electricity prices in the short term market. The proposed model was developed in Matlab software and, for the experiments performed, obtained better results than more popular neural networks, such as Multilayer Perceptron, where the correlation was 3.08% higher in Deep Reservoir Computing in addition to the absolute mean percentage error being 8,8% lowerInteligência artificialRedes neurais (Computação)Energia elétricaPreçosArtificial intelligenceNeural networks (Computer science)Electric powerPricesDeep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spotinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do Sulhttp://lattes.cnpq.br/2911754439835566PERIN, M. R.Programa de Pós-Graduação em Engenharia de ProduçãoORIGINALDissertacao Maikon Del Ré Perin.pdfDissertacao Maikon Del Ré Perin.pdfapplication/pdf4500852https://repositorio.ucs.br/xmlui/bitstream/11338/5544/1/Dissertacao%20Maikon%20Del%20R%c3%a9%20Perin.pdf647a23bdf1ac0db7b8ceda329745e7e3MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-8510https://repositorio.ucs.br/xmlui/bitstream/11338/5544/2/license.txt0bfdaf5679b458f1c173109e3e8d8e40MD52TEXTDissertacao Maikon Del Ré Perin.pdf.txtDissertacao Maikon Del Ré Perin.pdf.txtExtracted texttext/plain139198https://repositorio.ucs.br/xmlui/bitstream/11338/5544/3/Dissertacao%20Maikon%20Del%20R%c3%a9%20Perin.pdf.txtede595845e0e43be9282b6100b8c8091MD53THUMBNAILDissertacao Maikon Del Ré Perin.pdf.jpgDissertacao Maikon Del Ré Perin.pdf.jpgGenerated Thumbnailimage/jpeg1149https://repositorio.ucs.br/xmlui/bitstream/11338/5544/4/Dissertacao%20Maikon%20Del%20R%c3%a9%20Perin.pdf.jpga633fd04203eca493752ac64e8162cb7MD5411338/55442020-03-14 06:01:06.132oai:repositorio.ucs.br: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ório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2020-03-14T06:01:06Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false |
dc.title.pt_BR.fl_str_mv |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot |
title |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot |
spellingShingle |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot Perin, Maikon Del Ré Inteligência artificial Redes neurais (Computação) Energia elétrica Preços Artificial intelligence Neural networks (Computer science) Electric power Prices |
title_short |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot |
title_full |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot |
title_fullStr |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot |
title_full_unstemmed |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot |
title_sort |
Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot |
author |
Perin, Maikon Del Ré |
author_facet |
Perin, Maikon Del Ré |
author_role |
author |
dc.contributor.other.none.fl_str_mv |
Shiguemori, Elcio Hideiti Chiwiacowsky, Leonardo Dagnino Graciolli, Odacir Deonisio |
dc.contributor.author.fl_str_mv |
Perin, Maikon Del Ré |
dc.contributor.advisor1.fl_str_mv |
Mesquita, Alexandre |
contributor_str_mv |
Mesquita, Alexandre |
dc.subject.por.fl_str_mv |
Inteligência artificial Redes neurais (Computação) Energia elétrica Preços Artificial intelligence Neural networks (Computer science) Electric power Prices |
topic |
Inteligência artificial Redes neurais (Computação) Energia elétrica Preços Artificial intelligence Neural networks (Computer science) Electric power Prices |
description |
O sistema elétrico brasileiro é referência mundial pelas suas particularidades na forma de geração, transmissão e distribuição de energia. A matriz energética é composta em sua maioria por usinas hidrelétricas e termelétricas, embora tenha-se visto um acentuado aumento de fontes eólicas e solares nos últimos anos. O despacho das usinas hidrelétricas e termelétricas é efetuado de forma centralizada pelo ONS. São utilizados os softwares NEWAVE e DECOMP para otimização visando o menor custo total em todo horizonte de estudo. Além do despacho de cada usina hídrica e térmica, esses softwares divulgam o preço de liquidação das diferenças, utilizado pela Câmara de Comercialização de Energia Elétrica para valorar o preço de energia no curto prazo. Esse preço também é utilizado para negociações bilaterais entre agentes do mercado, seja para trading nas comercializadoras ou compra e venda de energia elétrica para consumidores. Os agentes do mercado utilizam esses softwares para projetar o preço de energia elétrica de curto prazo. Todavia, os softwares necessitam de alto processamento computacional para efetuar a otimização, além do cálculo do despacho ser bastante moroso. Dessa forma, este trabalho apresenta um modelo computacional utilizando Deep Reservoir Computing para projeção do preço de energia elétrica do mercado spot. O trabalho demonstra que a Deep Reservoir Computing pode ser utilizada como ferramenta de auxílio na projeção do preço de energia elétrica no mercado de curto prazo. O modelo proposto foi desenvolvido no software Matlab e, para os experimentos realizados, obteve resultados melhores que redes neurais mais populares, como a Perceptron Multicamadas, onde a correlação foi 3,08% superior na Deep Reservoir Computing além do erro percentual médio absoluto ser 8,8% inferior. |
publishDate |
2019 |
dc.date.submitted.none.fl_str_mv |
2019-12-19 |
dc.date.accessioned.fl_str_mv |
2020-03-13T12:06:20Z |
dc.date.available.fl_str_mv |
2020-03-13T12:06:20Z |
dc.date.issued.fl_str_mv |
2020-03-13 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ucs.br/11338/5544 |
url |
https://repositorio.ucs.br/11338/5544 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UCS instname:Universidade de Caxias do Sul (UCS) instacron:UCS |
instname_str |
Universidade de Caxias do Sul (UCS) |
instacron_str |
UCS |
institution |
UCS |
reponame_str |
Repositório Institucional da UCS |
collection |
Repositório Institucional da UCS |
bitstream.url.fl_str_mv |
https://repositorio.ucs.br/xmlui/bitstream/11338/5544/1/Dissertacao%20Maikon%20Del%20R%c3%a9%20Perin.pdf https://repositorio.ucs.br/xmlui/bitstream/11338/5544/2/license.txt https://repositorio.ucs.br/xmlui/bitstream/11338/5544/3/Dissertacao%20Maikon%20Del%20R%c3%a9%20Perin.pdf.txt https://repositorio.ucs.br/xmlui/bitstream/11338/5544/4/Dissertacao%20Maikon%20Del%20R%c3%a9%20Perin.pdf.jpg |
bitstream.checksum.fl_str_mv |
647a23bdf1ac0db7b8ceda329745e7e3 0bfdaf5679b458f1c173109e3e8d8e40 ede595845e0e43be9282b6100b8c8091 a633fd04203eca493752ac64e8162cb7 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS) |
repository.mail.fl_str_mv |
|
_version_ |
1798308882074828800 |