REDES NEURAIS ARTIFICIAIS APLICADAS NA PREVISÃO DO PREÇO NO MERCADO IBÉRICO DE ELETRICIDADE

Leonardo Cesar de Morais, Ronaldo Cordeiro Novais, Simone Silva Frutuoso Souza, Fernando Parra dos Anjos Lima

Resumo


Este artigo propõe uma abordagem inteligente para previsão dos preços de energia elétrica no Mercado Ibérico de Eletricidade (MIBEL). No MIBEL, os preços da energia elétrica é fortemente depende de diversos fatores, nomeadamente, a carga, o mix de produção (energias renováveis e não-renováveis), a importação de energia e exportação entre Portugal e Espanha, as condições meteorológicas, entre outros fatores. A previsão de preços é uma tarefa bastante complexa e difícil de se realizar, dada a complexidade do mercado e também de sua dependência a vários fatores incontroláveis, que podem causar alterações repentinas nos preços. Neste sentido, técnicas de computação inteligente como as redes neurais artificias, são alternativas eficientes para analisar este problema. Assim, neste artigo propõe-se uma rede neural artificial multi-layer perceptron com backpropagation para resolver este problema. Para avaliar este sistema foram utilizados dados reais do mercado Ibérico. Os resultados demonstrar eficiência e robustez do método proposto.


Palavras-chave


Previsão de Preços; Mercado Ibérico de Eletricidade; Sistemas Inteligentes; Multi-Layer Perceptron; Backpropagation

Texto completo:

PDF

Referências


BOTTERUD, A.; ZHOU, Z.; WANG, J.; SUMAILI, J.; KEKO, H.; MENDES, J.; BESSA, R.J.; MIRANDA, V. Demand response and probabilistic wind power forecasting in electricity markets: a case study of Illinois, IEEE Transactions on Sustainable Energy, v. 4, n. 1, p. 250-261, 2013.

BOX, G. E.; JENKINS, G. M. Time series analysis: Forecasting and control. Holden-Day, San Francisco, 1976.

CARPENTER, G. A.; GROSSBERG, S.; MARKUZON, N.; REYNOLD, J. H.; ROSEN, D. B. Fuzzy ARTMAP: A neural network for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Network, v. 3, n. 5, p. 689-713, 1992.

CHAABENE, M. Measurements Based Dynamic Climate Observer, Solar Energy, v. 82, n. 9, p. 763-771, 2008.

DOMÍNGUEZ, E. F.; BERNAT, J. X. Restructuring and generation of electrical energy in the Iberian Peninsula. Energy Policy, v. 35, n. 10, p. 5117-5129, 2007.

DONGLI, J.; MENG; X.; SONG, X. Study on technology system of self-healing control in smart distribution grid. In: International Conference on Advanced Power System Automation and Protection, 2011, Beijing. Proceedings… Beijing: IEEE, 2011. p. 26-30. 1-5.

ERMIS, K. Artificial neural network analysis of world green energy use. Energy Policy, v. 35, n. 3, p. 1731-1743, 2005.

FIDALGO, J. N.; LOPES, J. A. P. Load Forecasting Performance Enhancement When Facing Anomalous Events, IEEE Transactions on Power Systems, v. 20, n. 1, p. 408-415, 2005.

GROSS, G.; GALIANA, F. D. Short-Term load forecasting, IEEE Transactions on Power Systems, v. 75, n. 12, p. 1558-1573, 1987.

HAYKIN, S. H. Neural Networks: A comprehensive foundation, MacMilliam College Publishing, New York, 1994.

MATLAB 7.8 version. Math Works Company, 2011.

MCDONALD, J. D. Electric Power Substations Engineering, New York: CRC Press, 2003.

O’DONOVAN, T. M. Short Term Forecasting: An Introduction to the Box-Jenkins Approach, John Wiley & Sons, New York, 1983.

PINO, R. Forecasting next-day price of electricity in the Spanish energy market using artificial neural networks. Engineering Applications of Artificial Intelligence, v. 21, n. 1, p. 53-62, 2008.

SARAIVA, J. P. T.; SILVA, J. L. P. P.; LEÃO, M. T. P. Mercados de electricidade regulação e tarifação de uso das redes. Colecção Manuais 6. 2002, Porto: FEUP Edições. 293.

VENTOSA, M. Electricity market modeling trends. Energy Policy, v. 33, n. 7, p. 897-913, 2005.

WERBOS, P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences, PhD. Thesis, Harvard University, 1974.


Apontamentos

  • Não há apontamentos.