Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFJF |
Texto Completo: | https://doi.org/10.34019/ufjf/di/2021/00065 https://repositorio.ufjf.br/jspui/handle/ufjf/12753 |
Resumo: | O Preço de Liquidação das Diferenças (PLD) é utilizado como base na comercialização de energia elétrica no mercado de curto prazo. O conhecimento dos seus valores futuros e tendências reduz a insegurança na tomada de decisões, permitindo que os agentes de mercado decidam as estratégias mais adequadas e estabeleçam contratações bem-sucedidas, maximizando os lucros e minimizando os riscos de seus empreendimentos. O PLD é, no entanto, influenciado por diversos fatores ligados principalmente às incertezas das demandas e à hidrologia bem como fatores sociais e políticos, o que lhe confere alta volatilidade, sazonalidade, saturação de valores e comportamento estocástico. Desta forma, o presente trabalho propõe uma abordagem investigativa para a predição das tendências futuras do PLD por meio de Redes Neurais Artificiais e Filtragem Estocástica, com a motivação de auxiliar o processo de decisão da compra de energia no mercado de curto prazo. Tal abordagem consiste na combinação de uma rede neural do tipo recorrente com um filtro na saída para atenuar os ruídos inerentes aos dados auxiliando na preservação das tendências dos dados futuros. A rede foi treinada por meio do algoritmo ADAM e é aplicada ao mercado brasileiro de energia. A escolha dos dados de entrada da rede foi feita a partir de análises estatísticas de correlação cruzada entre as séries temporais das variáveis de interesse. Os resultados mostram uma boa capacidade de predição com um bom acompanhamento das tendências da variável de interesse ao longo do ano, oferecendo seus principais comportamentos e tendências aos operadores de mercado, auxiliando-os nas tomadas de decisões de compra e venda de energia. |
id |
UFJF_6c7cfdee8be45e703d5ac282f48954da |
---|---|
oai_identifier_str |
oai:hermes.cpd.ufjf.br:ufjf/12753 |
network_acronym_str |
UFJF |
network_name_str |
Repositório Institucional da UFJF |
repository_id_str |
|
spelling |
Oliveira, Leonardo Willer dehttp://lattes.cnpq.br/9223644407644508Silva Junior, Ivo Chaves dahttp://lattes.cnpq.br/6893941321946438Ferreira, Vitor Hugohttp://lattes.cnpq.br/3961773765127529Marcato, André Luís Marqueshttp://lattes.cnpq.br/1033215067775319Olivi, Leonardo Rochahttp://lattes.cnpq.br/6125811418305003http://lattes.cnpq.br/6738419787875608Nascimento, Fabiane Barbosa do2021-05-25T14:09:28Z2021-05-252021-05-25T14:09:28Z2021-03-27https://doi.org/10.34019/ufjf/di/2021/00065https://repositorio.ufjf.br/jspui/handle/ufjf/12753O Preço de Liquidação das Diferenças (PLD) é utilizado como base na comercialização de energia elétrica no mercado de curto prazo. O conhecimento dos seus valores futuros e tendências reduz a insegurança na tomada de decisões, permitindo que os agentes de mercado decidam as estratégias mais adequadas e estabeleçam contratações bem-sucedidas, maximizando os lucros e minimizando os riscos de seus empreendimentos. O PLD é, no entanto, influenciado por diversos fatores ligados principalmente às incertezas das demandas e à hidrologia bem como fatores sociais e políticos, o que lhe confere alta volatilidade, sazonalidade, saturação de valores e comportamento estocástico. Desta forma, o presente trabalho propõe uma abordagem investigativa para a predição das tendências futuras do PLD por meio de Redes Neurais Artificiais e Filtragem Estocástica, com a motivação de auxiliar o processo de decisão da compra de energia no mercado de curto prazo. Tal abordagem consiste na combinação de uma rede neural do tipo recorrente com um filtro na saída para atenuar os ruídos inerentes aos dados auxiliando na preservação das tendências dos dados futuros. A rede foi treinada por meio do algoritmo ADAM e é aplicada ao mercado brasileiro de energia. A escolha dos dados de entrada da rede foi feita a partir de análises estatísticas de correlação cruzada entre as séries temporais das variáveis de interesse. Os resultados mostram uma boa capacidade de predição com um bom acompanhamento das tendências da variável de interesse ao longo do ano, oferecendo seus principais comportamentos e tendências aos operadores de mercado, auxiliando-os nas tomadas de decisões de compra e venda de energia.The Settlement Price of Differences (PLD) is used as a basis for the sale of electrical energy in the short-term market. The knowledge of its future values and trends mitigates insecurity in decision making, allowing market agents to decide the most appropriate strategies and establish successful contracts, maximizing profits and minimizing the risks of their ventures. PLD is, however, influenced by several factors linked mainly to the uncertainties of demands and hydrology as well as social and political factors, which gives it high volatility, seasonality, saturation of values and stochastic behavior. In this way, the present work proposes an investigative approach for the prediction of future trends of PLD through Artificial Neural Networks and Stochastic Filtration, with the motivation to assist the decision process of purchasing energy in the short-term market. Such an approach consists of combining a recurrent neural network with an output filter to attenuate the noise inherent in the data, helping to preserve future data trends. The network was trained using the ADAM algorithm and is applied to the Brazilian energy market. The choice of network input data was made based on statistical analyzes of cross-correlation between the time series of the variables of interest. The results show a good predictive capacity with a good monitoring of the trends of the variable of interest throughout the year, offering its main behaviors and trends to market operators, assisting them in making energy purchase and sale decisions.porUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Engenharia ElétricaUFJFBrasilFaculdade de EngenhariaAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAPreço de liquidação das diferençasModelos de prediçãoPredição de séries temporaisRedes neurais artificiaisFiltragem estocásticaSettlement price of differencesForecasting modelsTime series forecastingArtificial neural networksStochastic filteringEstratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocásticainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53TEXTfabianebarbosadonascimento.pdf.txtfabianebarbosadonascimento.pdf.txtExtracted texttext/plain135468https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/4/fabianebarbosadonascimento.pdf.txtca147bd7a8de38ee35adf91cad812c50MD54THUMBNAILfabianebarbosadonascimento.pdf.jpgfabianebarbosadonascimento.pdf.jpgGenerated Thumbnailimage/jpeg1152https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/5/fabianebarbosadonascimento.pdf.jpgc97f87bb7ad67df53d816120e4eeedb8MD55ORIGINALfabianebarbosadonascimento.pdffabianebarbosadonascimento.pdfapplication/pdf1707611https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/1/fabianebarbosadonascimento.pdf5e84caf81733d1d77ec8c90e0aa16077MD51ufjf/127532021-07-05 23:29:34.559oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2021-07-06T02:29:34Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false |
dc.title.pt_BR.fl_str_mv |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica |
title |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica |
spellingShingle |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica Nascimento, Fabiane Barbosa do CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Preço de liquidação das diferenças Modelos de predição Predição de séries temporais Redes neurais artificiais Filtragem estocástica Settlement price of differences Forecasting models Time series forecasting Artificial neural networks Stochastic filtering |
title_short |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica |
title_full |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica |
title_fullStr |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica |
title_full_unstemmed |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica |
title_sort |
Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica |
author |
Nascimento, Fabiane Barbosa do |
author_facet |
Nascimento, Fabiane Barbosa do |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Oliveira, Leonardo Willer de |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9223644407644508 |
dc.contributor.advisor-co1.fl_str_mv |
Silva Junior, Ivo Chaves da |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/6893941321946438 |
dc.contributor.referee1.fl_str_mv |
Ferreira, Vitor Hugo |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/3961773765127529 |
dc.contributor.referee2.fl_str_mv |
Marcato, André Luís Marques |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/1033215067775319 |
dc.contributor.referee3.fl_str_mv |
Olivi, Leonardo Rocha |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/6125811418305003 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6738419787875608 |
dc.contributor.author.fl_str_mv |
Nascimento, Fabiane Barbosa do |
contributor_str_mv |
Oliveira, Leonardo Willer de Silva Junior, Ivo Chaves da Ferreira, Vitor Hugo Marcato, André Luís Marques Olivi, Leonardo Rocha |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Preço de liquidação das diferenças Modelos de predição Predição de séries temporais Redes neurais artificiais Filtragem estocástica Settlement price of differences Forecasting models Time series forecasting Artificial neural networks Stochastic filtering |
dc.subject.por.fl_str_mv |
Preço de liquidação das diferenças Modelos de predição Predição de séries temporais Redes neurais artificiais Filtragem estocástica Settlement price of differences Forecasting models Time series forecasting Artificial neural networks Stochastic filtering |
description |
O Preço de Liquidação das Diferenças (PLD) é utilizado como base na comercialização de energia elétrica no mercado de curto prazo. O conhecimento dos seus valores futuros e tendências reduz a insegurança na tomada de decisões, permitindo que os agentes de mercado decidam as estratégias mais adequadas e estabeleçam contratações bem-sucedidas, maximizando os lucros e minimizando os riscos de seus empreendimentos. O PLD é, no entanto, influenciado por diversos fatores ligados principalmente às incertezas das demandas e à hidrologia bem como fatores sociais e políticos, o que lhe confere alta volatilidade, sazonalidade, saturação de valores e comportamento estocástico. Desta forma, o presente trabalho propõe uma abordagem investigativa para a predição das tendências futuras do PLD por meio de Redes Neurais Artificiais e Filtragem Estocástica, com a motivação de auxiliar o processo de decisão da compra de energia no mercado de curto prazo. Tal abordagem consiste na combinação de uma rede neural do tipo recorrente com um filtro na saída para atenuar os ruídos inerentes aos dados auxiliando na preservação das tendências dos dados futuros. A rede foi treinada por meio do algoritmo ADAM e é aplicada ao mercado brasileiro de energia. A escolha dos dados de entrada da rede foi feita a partir de análises estatísticas de correlação cruzada entre as séries temporais das variáveis de interesse. Os resultados mostram uma boa capacidade de predição com um bom acompanhamento das tendências da variável de interesse ao longo do ano, oferecendo seus principais comportamentos e tendências aos operadores de mercado, auxiliando-os nas tomadas de decisões de compra e venda de energia. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-05-25T14:09:28Z |
dc.date.available.fl_str_mv |
2021-05-25 2021-05-25T14:09:28Z |
dc.date.issued.fl_str_mv |
2021-03-27 |
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.ufjf.br/jspui/handle/ufjf/12753 |
dc.identifier.doi.pt_BR.fl_str_mv |
https://doi.org/10.34019/ufjf/di/2021/00065 |
url |
https://doi.org/10.34019/ufjf/di/2021/00065 https://repositorio.ufjf.br/jspui/handle/ufjf/12753 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFJF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFJF instname:Universidade Federal de Juiz de Fora (UFJF) instacron:UFJF |
instname_str |
Universidade Federal de Juiz de Fora (UFJF) |
instacron_str |
UFJF |
institution |
UFJF |
reponame_str |
Repositório Institucional da UFJF |
collection |
Repositório Institucional da UFJF |
bitstream.url.fl_str_mv |
https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/2/license_rdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/3/license.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/4/fabianebarbosadonascimento.pdf.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/5/fabianebarbosadonascimento.pdf.jpg https://repositorio.ufjf.br/jspui/bitstream/ufjf/12753/1/fabianebarbosadonascimento.pdf |
bitstream.checksum.fl_str_mv |
e39d27027a6cc9cb039ad269a5db8e34 8a4605be74aa9ea9d79846c1fba20a33 ca147bd7a8de38ee35adf91cad812c50 c97f87bb7ad67df53d816120e4eeedb8 5e84caf81733d1d77ec8c90e0aa16077 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF) |
repository.mail.fl_str_mv |
|
_version_ |
1801661415200653312 |