Previsão de preços e variáveis hidrológicas no mercado livre de energia brasileiro: uma abordagem baseada em machine learning e métodos Bayesianos

• Autor(a) principal: TORRES, Francisca Lanai Ribeiro
• Data de Publicação: 2024
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFEI (RIUNIFEI)
• Texto Completo: https://repositorio.unifei.edu.br/jspui/handle/123456789/4124
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA::SISTEMAS ELÉTRICOS DE POTÊNCIA; Multi-model ensemble; Bayesian model averaging; Previsão de vazão; Previsão sazonal de precipitação; Padrões de teleconexões; Machine learning; Artificial neural networks; Previsão de preços

A matriz elétrica brasileira é caracterizada pela participação majoritária da fonte hidráulica em sua composição. Os agentes que comercializam energia no mercado livre tomam decisões considerando, entre outros fatores, as condições hidrológicas futuras do Sistema Interligado Nacional (SIN), o impacto dessas condições na expectativa de comportamento futuro do Preço de Liquidação das Diferenças (PLD) (preço spot da energia), bem como o comportamento dos preços efetivamente negociados no mercado, que é sintetizado pela Curva Forward de preços. No curto prazo, os estudos de prospecção de PLD são realizados utilizando as vazões previstas por um modelo do tipo chuva-vazão, que é alimentado com a precipitação gerada por modelos numéricos de previsão de tempo. No médio prazo, a estratégia dos agentes varia. Alguns utilizam cenários baseados em séries históricas de vazão, enquanto outros utilizam os resultados da combinação entre um chuva-vazão com um conjunto de séries históricas de precipitação ou com as previsões de modelos climáticos. Já no caso da Curva Forward de preços, o usual é consultar o estado presente da curva, existindo ainda poucos trabalhos voltados para a elaboração de prospectivos dessa série temporal específica. Diante do exposto e da necessidade de continuar aperfeiçoando o processo de previsão de variáveis importantes para a tomada de decisões comerciais, o objetivo desta tese de doutorado é desenvolver metodologias para previsão de variáveis hidrológicas (vazão e chuva) e do preço formado pelos agentes no mercado livre (Curva Forward de preços), bem como contribuir para o 5 ______________________________________________________________________________ ______________________________________________________________________________ estreitamento da relação entre os setores acadêmico e empresarial através da proposição de soluções, na forma de produtos, para problemas reais do mercado livre de energia brasileiro. O primeiro produto proposto é voltado para o curto prazo e consiste em um novo framework baseado em Bayesian Model Averaging (BMA) para a previsão das vazões afluentes aos aproveitamentos do SIN. BMA é um método estatístico que combina modelos utilizando distribuições de probabilidade a posteriori. Previsões de vazão para 11 dias à frente são produzidas ponderando os membros de um Multi-model Ensemble (MME) de modelos hidrológicos chuva-vazão. Os pesos são dinâmicos, recalculados periodicamente com dados recentes. A seleção de membros com bom desempenho, utilizando o princípio de Occam's Razor, melhora a performance do MME. Testado em 139 aproveitamentos entre 2019 e 2020, o método realizou previsões com performance superior às dos modelos individuais, especialmente nas regiões Sul, Centro-Oeste e Sudeste nos primeiros dias do horizonte de previsão. O segundo produto foca no médio prazo e aprimora as previsões sazonais de precipitação no Brasil. Ele explora o desenvolvimento de modelos híbridos preditivos usando Multivariable Linear Regression (MLR) e Support Vector Machine (SVM), considerando preditores baseados em índices climáticos, análise de precipitação do Climate Prediction Center (CPC) e previsões do Seasonal Forecast System 5 (SEAS5). Validados de janeiro de 2017 a dezembro de 2020, os modelos MLR e SVM geraram previsões com maior acurácia e menor viés que o SEAS5, especialmente no Sudeste, Centro-Oeste e Norte durante o trimestre DJF, com o modelo SVM apresentando melhor desempenho geral. O terceiro produto, por sua vez, explora a aplicação de redes neurais artificias para a previsão da Curva Forward de preços da energia convencional no mercado livre brasileiro. Foram avaliadas redes Recorrente (RNN), Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU) uni- e bidirecionais, além da clássica Multi-Layer Perceptron (MLP), considerando variações na arquitetura e nos preditores exógenos considerados, tais como energia natural afluente, carga, armazenamento de energia e PLD. Dentre as redes avaliadas, a GRU apresentou melhor desempenho preditivo, enquanto a LSTM se destacou em termos de retorno financeiro acumulado em um experimento no qual um agente comercializador pratica trading direcional.