Deep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spot

• Autor(a) principal: Perin, Maikon Del Ré
• 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
• topic: Inteligência artificial; Redes neurais (Computação); Energia elétrica; Preços; Artificial intelligence; Neural networks (Computer science); Electric power; Prices

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.