Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas
Autor(a) principal: | |
---|---|
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 |