Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas

Detalhes bibliográficos
Autor(a) principal: Lopes, Gustavo Henrique Angeoleti
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/234214
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.
id UFSC_a945b747c5d399d63d5e57455b88453f
oai_identifier_str oai:repositorio.ufsc.br:123456789/234214
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaLopes, Gustavo Henrique AngeoletiBatista, Eduardo Luiz Ortiz2022-04-27T18:18:32Z2022-04-27T18:18:32Z2022-04-14https://repositorio.ufsc.br/handle/123456789/234214TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.A partir dos anos 1990, o mercado de energia elétrica brasileiro passou por um intenso período de abertura econômica, tornando o ambiente mais competitivo e, em certo aspecto, eficiente. Nesse contexto, uma mudança notável que ocorreu ainda mais recentemente é a implementação do Preço de Liquidação das Diferenças (PLD) horário. Tradicionalmente, o PLD define, a partir de modelos de otimização, o preço da energia no mercado de curto prazo. Com a mudança, passou-se a ser a divulgar o PLD com discretização horária, permitindo maior liquidez e dinamismo ao mercado. Assim, diversas novas oportunidades começam a poder ser exploradas, em geral visando à redução de exposição a riscos que tal parâmetro, agora mais volátil, pode causar. Nesse contexto, este trabalho propõe utilizar modelos de aprendizado de máquina para predizer, com uma semana de antecedência, o valor do PLD. Para fazê-lo, são implementados diversos algoritmos, que utilizam como dados de entrada séries temporais históricas de variáveis hídricas, com a expectativa de obter um valor acurado do preço futuro da energia no curto prazo. Adicionalmente, o trabalho desenvolve um breve estudo de caso, que visa avaliar um eventual ganho financeiro que um agente do mercado poderia ter, caso em posse de um modelo de predição. Com os resultados obtidos, é possível observar que, não apenas alguns modelos conseguiram atingir um valor satisfatório de predição, como também o estudo de caso indicou que há uma significativa redução na exposição a riscos a partir de modelos com predição.Since the 1990s, the Brazilian electricity market has been experiencing an intense period of economic opening, making its environment more competitive and, in a certain way, more efficient. In this context, a notable change that has taken place in recent years is the implementation of the hourly energy spot price. Thus, that price, which defines, based on optimization models, the price of energy in the short-term market, started to be defined hourly, allowing greater liquidity and dynamism to the market. Thus, several new market opportunities can be explored, generally aiming to reduce exposure to the risks that the new and more volatile spot price can cause. In this context, this work proposes using machine learning models to predict the value of the spot price one week in advance. To this end, several models are implemented, using time series of water variables as input data, hoping to obtain an accurate value of the future energy price. Additionally, the work develops a brief case study to evaluate an eventual financial gain that a market agent could have, if it had a forecast model. With the acquired results, it is possible to observe that some models were able to reach a satisfactory prediction value, but the the case study indicated that there is a significantly lower exposure to risks of models with predictions similar to the one obtained.75 f.Florianópolis, SCPLD HorárioAprendizado de máquinaSéries temporaisEnergy spot priceMachine learningTime seriesPredição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCLICENSElicense.txtlicense.txttext/plain; charset=utf-81383https://repositorio.ufsc.br/bitstream/123456789/234214/2/license.txt11ee89cd31d893362820eab7c4d46734MD52ORIGINALTCC.pdfTCC.pdfTCCapplication/pdf3528098https://repositorio.ufsc.br/bitstream/123456789/234214/1/TCC.pdf2851a410b5e4dbe912ec01fe5dd83c24MD51123456789/2342142022-04-27 15:18:33.201oai:repositorio.ufsc.br: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ório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732022-04-27T18:18:33Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.pt_BR.fl_str_mv Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
title Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
spellingShingle Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
Lopes, Gustavo Henrique Angeoleti
PLD Horário
Aprendizado de máquina
Séries temporais
Energy spot price
Machine learning
Time series
title_short Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
title_full Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
title_fullStr Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
title_full_unstemmed Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
title_sort Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
author Lopes, Gustavo Henrique Angeoleti
author_facet Lopes, Gustavo Henrique Angeoleti
author_role author
dc.contributor.pt_BR.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Lopes, Gustavo Henrique Angeoleti
dc.contributor.advisor1.fl_str_mv Batista, Eduardo Luiz Ortiz
contributor_str_mv Batista, Eduardo Luiz Ortiz
dc.subject.por.fl_str_mv PLD Horário
Aprendizado de máquina
Séries temporais
Energy spot price
Machine learning
Time series
topic PLD Horário
Aprendizado de máquina
Séries temporais
Energy spot price
Machine learning
Time series
description TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-04-27T18:18:32Z
dc.date.available.fl_str_mv 2022-04-27T18:18:32Z
dc.date.issued.fl_str_mv 2022-04-14
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/234214
url https://repositorio.ufsc.br/handle/123456789/234214
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.format.none.fl_str_mv 75 f.
dc.publisher.none.fl_str_mv Florianópolis, SC
publisher.none.fl_str_mv Florianópolis, SC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/234214/2/license.txt
https://repositorio.ufsc.br/bitstream/123456789/234214/1/TCC.pdf
bitstream.checksum.fl_str_mv 11ee89cd31d893362820eab7c4d46734
2851a410b5e4dbe912ec01fe5dd83c24
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766804933918588928

Registros relacionados