Author(s): Nascimento, João Filipe Oliveira
Date: 2017
Persistent ID: http://hdl.handle.net/10400.22/11717
Origin: Repositório Científico do Instituto Politécnico do Porto
Subject(s): Coeficiente de Spearman; MAPE; MIBEL; Modelo de Previsão; Redes Neuronais Artificiais; Artificial Neuronal Network; Forecast Model; Spearman Coefficient
A liberalização do mercado elétrico de energia veio alterar o paradigma de um sector cujos modelos de organização eram tradicionalmente monopolistas, sendo maioritariamente propriedade do estado. Esta mudança veio introduzir o fator competitivo no setor, possibilitando a redução dos custos, a melhoria da qualidade e fiabilidade de serviço, e até promover a inovação, no que a novos produtos e serviços diz respeito. Porém, esta também trouxe instabilidade aos preços praticados e um maior risco aos agentes de mercado deste setor. As caraterísticas do mercado de energia elétrica pós-liberalização fazem com que a previsão da evolução do preço seja algo muito complexo, mas importante para a proteção dos envolvidos, sejam eles produtores, comercializadores ou consumidores. Com esse objetivo, esta dissertação procura fazer um estudo de preços de energia no mercado spot e futuros no Mercado Ibérico de Eletricidade (MIBEL). Inicialmente, efetuou-se uma recolha e tratamento de dados históricos de produções de energia elétrica por tecnologia e consumos, tal como dados meteorológicos para Portugal e Espanha. Posteriormente, foram avaliados todos os dados obtidos, através do cálculo do coeficiente de Spearman, permitindo entender a tendência de variação do preço da energia no MIBEL, face aos restantes valores. Foi também efetuado um estudo da sazonalidade demonstrada, tanto pelo preço da energia elétrica como pela carga verificada nos mercados português e espanhol, uma vez que esta última seria um dos dados que mais influenciou a variação do preço. Posto isto procedeu-se também à construção de modelos para a sua previsão com o intuito de auxiliar na redução do erro obtido para a previsão do preço. Os modelos de previsão foram desenvolvidos através de um método baseado em inteligência computacional, as Redes Neuronais Artificiais (RNA), implementadas através da ferramenta nntool do Matlab®. O modelo diário, sendo aquele para o qual se tem dados mais recentes, e um horizonte temporal menor, é aquele para o qual a tolerância ao erro é menor. Este prevê o preço da energia elétrica para as 24 horas seguintes, adaptando-se ao mercado spot, mais concretamente o mercado diário. O modelo semanal, com uma estrutura muito semelhante ao diário, faz a previsão do preço para as 168 horas seguintes, tendo uma tolerância superior, face aos dados históricos não serem tão recentes, e o horizonte temporal dar mais azo à existência de erros. Quanto ao modelo mensal desenvolvido, por forma a não ter um erro muito elevado (uma vez que se fosse desenhado de forma semelhantes aos anteriores, teria de prever cerca de 720 valores horários), e face à maior dificuldade em obter valores precisos para uma janela temporal mais distanciada (dados meteorológicos para os dias todos do mês seguinte, por exemplo), foi desenhado de forma a prever um valor médio de preço para o mês seguinte, contendo como entradas, por exemplo, valores históricos de preço médio do ano anterior. Devido à necessidade deste tipo de informação, os dados totais obtidos, apesar de exaustivamente recolhidos, não seriam os ideais para previsões de longo prazo minimamente precisas. A avaliação de desempenho efetuada foi feita através do Mean Absolute Percentage Error (MAPE) e do Absolute Percentage Error (APE), e concluiu-se que, os modelos de previsão desenvolvidos demonstram uma precisão bastante aceitável. Ainda assim, de forma a potenciar a diminuição do erro foi usado um procedimento com vista a diminuir a dispersão dos resultados e desta maneira ignorar valores que se afastem da média, com o recurso ao desvio padrão dos valores obtidos.
