No abstract

The Settlement Price of Differences is the short-term price published weekly by the Electric Energy Trading Chamber, which is a relevant variable for the free electricity market. Monitoring predicting its behavior allows market participants to be able to define their strategies assertively, resulting in successful energy contracting with the right amounts at the right time and at lower prices. These prices are influenced by several factors, mainly related to uncertainties of demand and hydrology, resulting in their excessive variability as dynamic systems. The present work proposes the use of Recurrent Artificial Neural Networks in order to assist the decision process of the purchase of energy in the Free Energy Market. The artificial neural network of the proposed model is trained through the resilient backpropagation algorithm and is applied to the Brazilian energy market. The network showed high performance, being able to perform a weekly prediction, with results presented up to 24 weeks ahead, for the Southeast / Center-West submarket, with a relevant hit level, facilitating the decision making for short term market agents. Resumo: O Preço de Liquidação das Diferenças é o preço de curto prazo divulgado semanalmente pela Câmara de Comercialização de Energia Elétrica, sendo uma variável relevante para o mercado livre de energia elétrica. Acompanhá-lo e prever seu comportamento permite que os participantes do mercado consigam definir suas estratégias de maneira assertiva, resultando em contratações energéticas bemsucedidas, com os montantes adequados, no momento certo e com menores preços. Estes preços são influenciados por diversos fatores, principalmente associados a incertezas sobre demanda e hidrologia, resultando em sua excessiva variabilidade como sistemas dinâmicos. O presente trabalho propõe a utilização de Redes Neurais Artificiais Recorrentes visando auxiliar o processo de decisão da compra de energia no Mercado Livre de Energia. A rede neural artificial do modelo proposto é treinada por meio do algoritmo resilient backpropagation e é aplicada ao mercado brasileiro de energia. A rede mostrou desempenho elevado, sendo capaz de realizar uma predição semanal, com resultados apresentados de até 24 semanas à frente, para o submercado Sudeste/Centro-Oeste, com nível de acerto relevante, facilitando a tomada de decisão para agentes do mercado de curto prazo.

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.