Author(s): Sousa, Diogo Boldt Pereira de
Date: 2016
Persistent ID: http://hdl.handle.net/10400.22/10641
Origin: Repositório Científico do Instituto Politécnico do Porto
Subject(s): Mercados de Energia; Previsão; Redes Neuronais Artificiais; Tarifas Dinâmicas; Artificial Neural Networks; Dynamic Pricing; Forecast; Energy Markets
Ao longo dos últimos anos, o crescimento do consumo e a constante aposta em produção distribuída provocaram alterações no sistema eléctrico ao nível da produção, transporte e distribuição. Desta forma foi necessária a implementação de soluções, para permitir ao operador de sistema realizar eficazmente acções de correcções de equilíbrio energético, manutenção do nível de frequência adequado e estabelecimento de reservas estratégicas. 0 conceito de tarifa dinâmica foi implementado para apresentar vantagens para os consumidores, dado que as suas tarifas variam em tempo real, consoante os pre9os da energia no mercado diário do Mercado Ibérico de Electricidade (MIBEL ). Esta dissertação de mestrado aborda a área da Energia e incide em temas-chave como Mercados de Energia e Tarifas Dinâmicas. Segundo os tópicos anteriores foram implementados métodos de previsão de consumos e de previsão de energia nos mercados diários, para o MIBEL, numa Rede Neuronal Artificial (RNA), utilizando a ferramenta Neural Network Toolbox, do MATLAB. Em ambos os tópicos de previsão foram estudadas e comparadas diferentes RNA, para averiguar qual a influência de determinados parâmetros no processo de aprendizagem e qual destas redes permitiria obter melhores resultados. Os casos de estudo baseiam-se em duas lojas comerciais com fornecimento de energia em Media Tensão, potencia contratada de 186kVA, tarifa tetra-horária e um ciclo Semanal. Em relação aos métodos de previsão, estes exibem resultados interessantes segundo os objetivos delineados. A previsão de consumos mostra melhor aprendizagem devido a conformidade entre os dias treinados; tal não se averigua no segundo tópico de previsão devido as oscilações do preço, no MIBEL. Pretende-se analisar a influência dos parâmetros Produção Eólica, Hídrica, Térmica e Solar no processo de aprendizagem para previsão do preço de energia. Apresenta-se ainda um estudo sobre a aplicação de tarifas indexadas utilizando ambos os métodos de previsão desenvolvidos, concluindo que esta tarifa é vantajosa em algumas situações, contudo existe sempre risco associado, dado a sua dependência dos preços de energia do MIBEL.
Over the past few years, the constant increase of consumption and distributed generation caused changes in the electrical system operation in terms of production, transmission and distribution. Therefore, it occurred the need to implement new solutions to allow the system operator to effectively perform energy balance, maintaining the proper frequency level, regulation, establish strategic reserves, among others (Ancillary Services and Balancing Market). The dynamic pricing concept was implemented to provide benefits to consumers, as their rates vary in real-time, depending on the energy prices in the day-ahead market of the Iberian Electricity Market (MIBEL). This dissertation addresses the Energy area and intends to focus on issues such as economic analysis, energy contracts, consumption optimization, Energy Markets and Dynamic Tariffs. Therefore, it were implemented forecasting methods for consumption and energy price in the day-ahead markets for MIBEL, through Artificial Neural Networks (ANN), using Neural Network Toolbox tool, from MATLAB. In both forecasting methods were studied and compared different ANN, in order to determine the impact that certain parameters have in the learning process and which of these would benefit to achieve better results. The case study consists of two shops supplied in medium voltage, 186k VA of contracted power, tetra-hourly rate tariff and weekly cycle. Regarding forecasting methods, these shows interesting results according to the objectives outlined. Consumption forecast demonstrates better learning results due to compliance detected among the trained data, however, in the second method, the relationship between inputs and targets was harder to achieve due to price variations in MIBEL. It is also studied the influence of wind and solar productions parameters in the ANN learning process. It presents a final study about the implementation of indexed tariffs using the developed forecasted methods and concluded that this rate is advantageous, however has risk associated to it, once it depends on the MIBEL energy prices.
