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
Description
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.
The liberalization of the electric energy market has changed the paradigm of a sector whose organizational models were traditionally monopolistic, being mostly owned by the state. This change has introduced the competitive factor in the sector, making it possible to reduce costs, improve quality and reliability of service, and even promote innovation in new products and services. However, this also brought instability to the prices practiced and a greater risk to the market agents of this sector. The characteristics of the post-liberalization electricity market make forecasting price developments very complex, but important for the protection of those involved, be they producers, traders or consumers. With this purpose, this dissertation seeks to make a study of energy prices in the spot and futures market in the Iberian Electricity Market (MIBEL). Initially, a collection and treatment of historical data of electricity production by technology and consumption, such as meteorological data for Portugal and Spain, was carried out. Afterwards, all the data obtained were evaluated through the Spearman coefficient, allowing to understand the trend of the price variation of the energy in the MIBEL, compared to the other values. It was also carried out a study of the demonstrated seasonality, as much by the price of the electric power as by the load verified in the Portuguese and Spanish markets, since the load would be one of the data that most influenced the price variation. Therefore, as also constructed models for forecasting, in order to help reduce the error obtained for the price forecast. Prediction models were developed using the computational intelligence-based method, Artificial Neural Networks (ANN), developed in the nntool tool of MatlabR. The daily model, the one for which we have the most recent data, and a shorter time horizon, is the one for which the error tolerance is lower. This provides for the price of electricity for the next 24 hours, adapting to the spot market, more specifically the daily market. The weekly model, with a structure very similar to the daily one, forecasts the price for the next 168 hours, having a higher tolerance, given that the historical data is not so recent, and the time horizon gives rise to more errors. As for the monthly model developed, in order to not have a very high error (since if it were drawn similarly to the previous ones, it would have to predict about 720 hourly values), and due to the greater difficulty in obtaining accurate values for a ime window (meteorological data for all the days of the following month, for example), it was designed to predict an average price for the following month, containing, for example, historical values of average price of the previous year. Due to the need for this type of information, the total data obtained, although comprehensively collected, would not be the deal for minimally accurate long-term forecasts. The performance evaluation was performed through the Mean Absolute Percentage Error (MAPE) and Absolute Percentage Error (APE), and it was concluded that the forecast models developed show a very acceptable accuracy. Nevertheless, to maximize the error eduction, a procedure was used to reduce the dispersion of the results and thus to ignore values that deviate from the mean, using the standard deviation of the values obtained.