Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/12753
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
fabianebarbosadonascimento.pdf1.67 MBAdobe PDFVista previa
Visualizar/Abrir
Clase: Dissertação
Título : Estratégias de predição de preços do mercado livre de energia por redes neurais artificiais e filtragem estocástica
Autor(es): Nascimento, Fabiane Barbosa do
Orientador: Oliveira, Leonardo Willer de
Co-orientador: Silva Junior, Ivo Chaves da
Miembros Examinadores: Ferreira, Vitor Hugo
Miembros Examinadores: Marcato, André Luís Marques
Miembros Examinadores: Olivi, Leonardo Rocha
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.
Resumen : 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.
Palabras clave : 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
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: Faculdade de Engenharia
Programa: Programa de Pós-graduação em Engenharia Elétrica
Clase de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
DOI: https://doi.org/10.34019/ufjf/di/2021/00065
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/12753
Fecha de publicación : 27-mar-2021
Aparece en las colecciones: Mestrado em Engenharia Elétrica (Dissertações)



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons