Escolar Documentos
Profissional Documentos
Cultura Documentos
São Carlos
2014
RAFAEL ATIQUE CLAUDIO
São Carlos
2014
iv
FOLHA DE APROVAÇÃO
vii
AGRADECIMENTOS
Agradeço ao Professor Dr. Ricardo Fernandes pela orientação e paciência constante
para o desenvolvimento deste trabalho.
Aos meus pais, João e Zuleide, por terem me ensinado os valores em que acredito e
por sempre me incentivarem a estudar.
Ao meu irmão, Murilo, pela grande amizade, por estar sempre disposto a ajudar e pela
excelente pessoa que é.
Ao meu saudoso avô, João Percy, pelas lições de vida, sua dedicação, esforço,
coragem e determinação nos momentos mais difíceis que sempre me servirão de exemplo.
Ao Gabriel Rogatto, grande amigo que me aturou durante toda a graduação, pelos
almoços (os que deram certo e também os que não deram!), por Elepot (!!!).
Ao Israel Cassimiro, por ser uma pessoa sempre tão generosa e capaz e pelas
consultorias especializadas em games.
Aos vários bons amigos que tive a oportunidade de ter durante toda a graduação e
que sempre somaram e que compartilharam comigo essa jornada.
E, por fim, às grandes amizades que fiz no estágio e que o tornaram muito melhor.
ix
RESUMO
CLAUDIO, R. A. (2014). Aplicação de Redes Neurais Artificiais à Estimação de
Curtíssimo Prazo do Preço da Energia Elétrica. Trabalho de Conclusão de Curso – Escola de
Engenharia de São Carlos, Universidade de São Paulo, 2014.
ABSTRACT
CLAUDIO, R. A. (2014). Artificial Neural Networks Applied to the Short-term
Forecasting of Energy Price. Senior Thesis – São Carlos School of Engineering, University
of São Paulo, 2014.
Electricity cost plays an important role in the economical and financial planning of
large companies and industries. Nowadays it is becoming common to purchase electricity
in free markets for non-fixed prices. Deregulated markets aims at increasing investments,
thus improving electricity quality and its supply. However, deregulation not only leads to
volatility with opportunities to profit, but also increases money loss stakes for companies,
traders and also electric utilities. Therefore, this senior thesis aims to study an efficient
and quick method to forecast electricity price trends in a short-term period: 24 hours of the
next day. For this purpose, Ontario’s Electricity Market was chosen due its transparency
and a large database related to electricity prices and the province’s demand. The results
were analysed and then discussed to show the effectiveness of the method proposed to
forecast electricity prices in Ontario, Canada.
Keywords: Time series forecasting, energy price forecasting, electricity market, artificial
neural networks.
xiii
LISTA DE FIGURAS
FIGURA 3.1 - SISTEMA NERVOSO REPRESENTADO EM UM DIAGRAMA DE BLOCOS. ........................................................... 29
FIGURA 3.11 – EXEMPLO DE REDE NEURAL MULTICAMADAS DO TIPO REALIMENTADA OU RECORRENTE. ............................. 38
FIGURA 4.1 – DEMANDA HORÁRIA NA PROVÍNCIA DE ONTARIO ENTRE JUNHO DE 2009 A JULHO DE 2012. ......................... 41
FIGURA 4.2 –HOEP NA PROVÍNCIA DE ONTARIO ENTRE JUNHO DE 2009 A JULHO DE 2012. ........................................... 42
FIGURA 4.3 – MODELO PROPOSTO COMPOSTO POR RNAS ORGANIZADAS EM CASCATA. .................................................. 43
FIGURA 4.7 – PREVISÃO HOEP PARA O DIA 15/04/12 UTILIZANDO 15 DIAS CORRIDOS .................................................. 56
LISTA DE TABELAS
TABELA 4.1 – ENTRADAS E SAÍDA DA RNA. ............................................................................................................. 43
TABELA 4.3 – RESULTADOS OBTIDOS AO SE APLICAR AS RNAS TREINADAS COM 15 DIAS CORRIDOS PARA PREVER OS DIAS
ESCOLHIDOS.............................................................................................................................................. 47
TABELA 4.4 – RESULTADOS OBTIDOS AO SE APLICAR AS RNAS TREINADAS COM 15 DIAS SIMILARES PARA PREVER OS DIAS
ESCOLHIDOS.............................................................................................................................................. 47
TABELA 4.5 – RESULTADOS OBTIDOS AO SE APLICAR AS RNAS TREINADAS COM 30 DIAS CORRIDOS PARA PREVER OS DIAS
ESCOLHIDOS.............................................................................................................................................. 48
TABELA 4.6 – RESULTADOS OBTIDOS AO SE APLICAR AS RNAS TREINADAS COM 30 DIAS SIMILARES PARA PREVER OS DIAS
ESCOLHIDOS.............................................................................................................................................. 48
TABELA 4.7 – RESULTADOS OBTIDOS AO SE APLICAR AS RNAS TREINADAS COM 45 DIAS CORRIDOS PARA PREVER OS DIAS
ESCOLHIDOS.............................................................................................................................................. 49
TABELA 4.8 – RESULTADOS OBTIDOS AO SE APLICAR AS RNAS TREINADAS COM 45 DIAS SIMILARES PARA PREVER OS DIAS
ESCOLHIDOS.............................................................................................................................................. 50
TABELA 4.9 – RESULTADOS DOS 10 TESTES REALIZADOS PARA O DIA 21/01/2011. ........................................................ 52
TABELA 4.10 – RESULTADOS DOS 10 TESTES REALIZADOS PARA O DIA 03/10/2011. ...................................................... 53
TABELA 4.11 – RESULTADOS DOS 10 TESTES REALIZADOS PARA O DIA 15/04/2012. ...................................................... 55
TABELA 4.12 - RESULTADOS DOS 10 TESTES REALIZADOS PARA O DIA 15/04/2012 UTILIZANDO 15 DIAS CORRIDOS. ............ 56
TABELA 4.13 – RESULTADOS DOS 10 TESTES REALIZADOS PARA O DIA 23/07/2012. ...................................................... 57
xvii
SUMÁRIO
FOLHA DE APROVAÇÃO ...............................................................................................................V
AGRADECIMENTOS .....................................................................................................................VII
RESUMO .........................................................................................................................................IX
ABSTRACT .....................................................................................................................................XI
No entanto, o mercado livre de energia exige que o consumidor seja de grande porte
para que possa fazer parte deste tipo de mercado. Além disso, a perda de previsibilidade dos
preços (tradeoff) é nítida no mercado livre e, assim, o desenvolvimento de métodos destinados
à previsão do comportamento dos preços é de extrema importância para o planejamento
econômico do setor (ZAREIPOUR, 2006).
Cabe ainda informar que os dados de Ontario também foram empregados devido a
serem de domínio público e por serem utilizados em diversas pesquisas como dados de
benchmark.
Para isso, foram estudadas várias topologias de RNAs, bem como as composições de
suas entradas, ou seja, a a tabulação dos dados da forma que mais influenciasse na previsão
do preço da energia elétrica para o mercado de Ontario. Além disso, estudou-se a relação
entre a temperatura média em Ontário, a demanda e os dias da semana (úteis, finais de
semana e feriados). Neste sentido, foi possível analisar como todas essas variáveis interagem
com o preço da energia elétrica em um ambiente menos regulado.
No entanto, uma série composta por preços de energia elétrica possui características
tanto financeiras como físicas, pois, a demanda energética possui papel determinante no
preço da energia elétrica. Desta forma, é preciso ter ciência de que séries temporais
financeiras geralmente não são estacionárias (MORETTIN E TOLOI, 1981).
𝑋𝑡 = 𝑐 + ∑ 𝜑𝑖 𝑋𝑡−𝑖 + 𝜀𝑡 2.1
𝑖=1
onde, 𝜇 é a média da série; θ1,..., θq são os parâmetros do modelo; εt, εt−1,..., são os ruídos
(erros). A ordem do modelo é definida pelo valor máximo de q.
𝑝 𝑞
Os valores dos parâmetros podem ser encontrados por meio do método de mínimos
quadrados, onde é recomendável encontrar os menores valores de p e q que sejam
adequados para a previsão.
Esses modelos (AR, MA e ARMA) são adequados para séries estacionárias e lineares,
porém, muitas séries não apresentam este padrão comportamental, como é o caso das séries
temporais de preço de energia elétrica (Zareipour, 2006). Assim, uma generalização não-
linear do modelo ARMA é conhecida como ARIMA ou modelo de Box-Jenkins, a qual é
equacionada da seguinte forma:
𝑝 𝑞
(1 − ∑ 𝑎𝑘 𝐿 ) (1 − 𝐿) 𝑋𝑡 = (1 + ∑ 𝛽𝑘 𝐿𝑘 ) 𝜀𝑡
𝑘 𝑑
2.4
𝑘=1 𝑘=1
Inferência Fuzzy, bem como algumas combinações destas ferramentas. Entretanto, destaca-
se que as ferramentas inteligentes têm sido empregadas principalmente em séries temporais
não estacionárias devido à alta complexidade e não linearidade deste tipo de série e também
devido a algumas restrições dos modelos clássicos de previsão.
A partir de 2004, com novo modelo do mercado de energia elétrica brasileiro, este foi
dividido em dois ambientes: o primeiro chamado “Ambiente de Contratação Regulada – ACR”
composto de agentes de geração e distribuição e o segundo nomeado “Ambiente de
Contratação Livre – ACL” que é formado por geradores, distribuidores, comercializadores,
importadores, exportadores e consumidores livres.
Para tanto, concessionárias e consumidores livres são obrigados, por força de lei, a
comprarem a totalidade de suas demandas, bem como adquirir energia tanto de hidroelétricas
quanto de termoelétricas visando assegurar um equilíbrio entre custo e garantia. Assim, as
Leis nº 10.847 e 10.848 (2004) e o Decreto nº 5.163 (2004) regulam tanto o ACR quanto o
ACL e definem as seguintes instituições:
A tarefa de regular o setor cabe a ANEEL (Agência Nacional de Energia Elétrica) que
também é responsável pelos leilões de oferta de energia elétrica, delega-os à CCEE.
26
Em 1998, por meio de um decreto, a Ontario Hydro foi reorganizada em cinco novas
empresas independentes, a saber:
A OPG é, por sua vez, responsável pela maior parte da capacidade de geração
instalada em Ontário e, sua matriz, é composta de usinas nucleares, hidroelétricas, eólicas e
termoelétricas convencionais.
Qualquer empresa ou entidade que tenha conexão direta com a rede de linhas de
transmissão é obrigada a participar do mercado atacadista de eletricidade de Ontário (IESO
Market Rules, 2014) enquanto que aquelas conectadas à rede de distribuição podem escolher
entre participar ou não do mercado.
O preço em Ontário é uniforme perante toda a província e varia a cada cinco minutos.
Este valor recebe o nome de Market Clearing Price (MCP) ou “preço de liquidação de mercado”
que é usado para as usinas despacháveis enquanto para não despacháveis usa-se uma
média horária do MCP chamada HOEP – Hourly Ontario Energy Price.
Com base nestas informações, este trabalho de conclusão de curso visa prever o
HOEP de um dia a frente usando informações divulgadas pelo IESO e outras entidades com
antecedência à data a ser prevista.
29
Haykin (1999) define que uma Rede Neural Artificial (RNA) como sendo uma técnica
que simula, por meio de algoritmos de treinamento e modelos matemáticos, o funcionamento
do cérebro humano. Assim, este Capítulo destina-se a apresentar a estrutura e o
funcionamento do cérebro humano, onde será feita ainda uma analogia com os modelos
matemáticos das RNAs.
O sistema nervoso de um ser vivo pode ser modelado como um sistema de três
estágios, bem como mostrado na Figura 3.1.
Portanto, uma rede neural é composta por neurônios que operam em paralelo e têm
como objetivo principal a produção de ações apropriadas ao desenvolvimento de determinado
ser vivo, onde deve-se destacar a capacidade de pensar e memorizar. De acordo com este
contexto, o neurônio pode ser dividido em três partes principais: dendritos, corpo celular e
axônios. Os dendritos consistem de vários prolongamentos finos que formam a árvore
dendrital e agem como sensores ao receberem impulsos elétroquimicos (estímulos)
provenientes de outros neurônios ou do próprio meio externo. Assim, o corpo celular processa
as informações provenientes dos dendritos e define se o neurônio será ou não ativado
(potencial de ativação), conduzindo ou não o impulso elétrico através do axônio. Já o axônio,
por sua vez, corresponde a um prolongamento que serve de “condutor” para o neurônio e guia
o impulso elétrico para outros neurônios ou mesmo para o tecido muscular (Silva, Spatti e
Flauzino, 2010).
Flauzino, 2010). O neurônio artificial pode ser comparado ao neurônio biológico da Figura 3.2
e, conforme explicitado nessa figura, o neurônio artificial pode ser dividido em três partes:
Entradas;
Corpo Celular
Dendritos
Axônios
Função
X1 Soma Saída
w1
X2
y
w2
X3 w3
..
.
Xn wn
3.2.1. ENTRADAS
𝑢 = ∑ 𝑤𝑖 𝑥𝑖 − 𝜃 (3.1)
𝑖=1
𝑦 = 𝑔(𝑢) (3.2)
Também conhecida como “função sinal”, esta função produz saídas unitárias positivas
quando o potencial de ativação do neurônio for maior que zero, saídas nulas quando a saída
do neurônio for zero e saídas unitárias negativas quando a saída do neurônio for também
negativa, conforme mostrado na sequência:
y 1, se n 0
y (n ) y 0, se n 0 (3.3)
y 1, se n 0
+1
n
0
-1
Função Degrau
y 1, se n 0
y (n ) (3.4)
y 0, se n 0
34
+1
n
0
y 1, se n 1
y (n ) y n, se 1 n 1 (3.5)
y 1, se n 0
+1
-1 +1 n
0
-1
Função Linear
Esta função também conhecida como função identidade produz uma saída igual ao
potencial de ativação do neurônio.
35
y (n ) n (3.6)
+1
n
0
-1
A saída desta função encontra-se num intervalo entre -1 e 1 e pode ser obtida pela
Equação (3.7). Conforme pode ser deduzido por meio da equação, quanto maior for β, mais
inclinada será a função hiperbólica e para β muito elevado, esta função se aproxima da função
degrau bipolar. β é o parâmetro de excentricidade.
1 e n
y (n ) (3.7)
1 en
+1
n
0
-1
Esta função sempre produz saídas positivas e limitadas ao valor unitário. Assim como
a função tangente hiperbólica, a função logística também se aproxima a função degrau
quando seu parâmetro β é muito elevado. β é o parâmetro de excentricidade.
1
y (n ) (3.8)
1 e n
+1
n
0
Esta função produzirá a mesma saída do neurônio se esta estiver no centro da curva
e reduzirá as saídas referentes ao desvio padrão pré-definido. Esta função pode ser obtida
por meio da Equação (3.9), onde σ representa o desvio padrão.
n 2
2 2 (3.9)
y (n ) e
37
n
0.5
Camada de Entrada - responsável por receber os dados de entrada que devem ser
normalizados para melhorar a precisão das operações matemáticas realizadas
pela RNA;
Para estudo do método proposto, o mercado de Ontário - Canadá foi escolhido, onde
selecionou-se dados históricos entre 2009 e 2012, os quais consistem de:
HOEP – Hourly Ontario Enery Price [CAD – Dólares canadenses] (Figura 4.2);
Temperatura média da província por hora [ºC], apenas para análise do cenário;
Figura 4.1 – Demanda horária na província de Ontario entre Junho de 2009 a Julho de 2012.
42
Figura 4.2 –HOEP na província de Ontario entre Junho de 2009 a Julho de 2012.
Esses dados foram então tabelados com o intuito de que pudessem ser organizados
e, na sequência, utilizados como entradas para o software Matlab. Após inúmeros testes, as
entradas do modelo de previsão proposto pôdem ser definidas. Cabe comentar que o modelo
proposto consiste de 24 Redes Neurais Artificiais (sendo uma para cada hora a ser prevista)
e que foram organizadas em cascata, onde a saída de uma rede neural é utilizada como
entrada da próxima (Figura 4.3).
43
Conforme pode ser notado por meio da Figura 4.3, as entradas e as saídas de cada
RNA são compostas de acordo com a Tabela 4.1.
D(i, t-1) Demanda defasada em uma hora para uma dada hora i.
D(i, t-2) Demanda defasada em duas horas para uma dada hora i.
D(i, t-3) Demanda defasada em três horas para uma dada hora i.
P(i, t-1) HOEP defasado em uma hora para uma dada hora i.
Entradas
P(i, t-2) HOEP defasado em duas horas para uma dada hora i.
P(i, t-3) HOEP defasado em três horas para uma dada hora i.
Média Móvel ponderada da HOEP (equação (4.1)) dos últimos d dias
MM(i, d)
para uma dada hora i.
Saída P(i, t) HOEP para o dia previsto para uma dada hora i.
É importante informar que os valores de HOEP das três últimas horas do dia anterior
são estimados e divulgados pela própria IESO com até três horas de antecedência (por este
motivo, a janela de três horas de defasagem foi escolhida), os quais são considerados como
ponto de partida para a previsão.
O valor da temperatura horária do dia não foi utilizado como entrada, pois, apesar de
ser um dado público, seria preciso elaborar uma forma de ponderá-lo através da província.
44
Além disso, ressalta-se que a previsão da demanda do próximo dia pode ser estimada
por outro algoritmo ou mesmo utilizada a previsão da própria IESO que é estimada com uma
antecedência de até 7 dias.
Por fim, a Média Móvel ponderada para a HOEP dos últimos d dias pode ser obtida
por meio do seguinte equacionamento:
∑𝑑𝑘=1 𝑃(𝑖, 𝑘) ∗ (𝑑 − 𝑘 + 1)
𝑀𝑀(𝑖, 𝑑) = (4.1)
∑𝑑𝑘=1 𝑘
onde, para uma dada hora i a ser prevista e para o preço (P) desta hora, k representa o
número de dias anteriores e d representa o número máximo de dias considerados pela Média
Móvel.
A equação (4.1) fornece pesos maiores para os dias mais recentes, tornando assim
uma média que valoriza mais as tendências recentes enquanto ainda mantendo um histórico
dos preços passados.
A previsão da demanda é uma entrada necessária para o modelo, porém sua previsão
é própria da IESO (conforme previamente exposto nesta mesma seção), a qual é fornecida
com uma boa antecedência e ainda apresenta resultados bem próximos aos realizados.
Portanto, para este trabalho foi utilizado o valor fornecido pela IESO.
Por fim, a seleção de dias que compõe tanto o conjunto de treinamento quanto as
entradas para a previsão foi feita de forma a estudar o efeito da temperatura (estação
climática) e também dos “tipos” de dias (dias úteis, feriados e finais de semana) sobre a
qualidade da previsão.
24
1
𝑀𝐴𝐸 = ∑ |𝑃𝑖 − 𝑃̂𝑖| (4.2)
24
𝐼=1
24
100 |𝑃𝑖 − 𝑃̂𝑖|
𝑀𝐴𝑃𝐸 = ∑ (4.3)
24 𝑃𝑖
𝐼=1
24
1 (4.4)
𝑀𝑆𝐸 = √ ∑(𝑃𝑖 − 𝑃̂𝑖)²
24
𝐼=1
onde, Pi representa o preço desejado para a hora i e P̂i representa o preço estimado para a
hora i.
Assim, uma série de simulações de cenários foi realizada por meio de um script criado
via Matlab para variar os parâmetros e salvar os resultados em um arquivo de saída. Em
seguida, outro script implementado em VBA (Visual Basic for Applications) lê estes arquivos
de saída e cria uma planilha em Microsoft Excel, onde todos os cálculos de erros são
armazenados para gerar gráficos de comparação entre os preços estimados e reais.
Previsão utilizando dias corridos: para esta previsão, a janela de dias utilizada
não levou em consideração se os dias eram ou não do mesmo tipo (dias úteis ou
46
Previsão utilizando o mesmo tipo de dia: para esta previsão, a janela utilizada
levou em consideração a hipótese de tipo de dia, conforme proposto por Garcia-
Matos, Rodriguez e Sanchez (2007), isto é, separou-se os dias entre úteis e não
úteis (feriados, sábados e domingos), onde apenas dias de uma mesma classe
foram utilizados durante as etapas de treinamento e validação das RNAs.
Por fim, ainda se estudou os efeitos de distintas topologias de RNA com números
variados de neurônios para a obtenção dos resultados. Entretanto, manteve-se uma topologia
base com apenas uma camada escondida com função de ativação do tipo logística, pois,
desta forma os valores de saída sempre serão positivos. Já na camada de saída empregou-
se uma função de ativação do tipo linear.
Tabela 4.3 – Resultados obtidos ao se aplicar as RNAs treinadas com 15 dias corridos para
prever os dias escolhidos.
Tabela 4.4 – Resultados obtidos ao se aplicar as RNAs treinadas com 15 dias similares para
prever os dias escolhidos.
As Tabelas 4.5 e 4.6 correspondem aos resultados obtidos pelo modelo proposto após
as RNAs serem treinadas com 30 dias de alimentação (entradas), sejam corridos ou similares.
48
Tabela 4.5 – Resultados obtidos ao se aplicar as RNAs treinadas com 30 dias corridos para
prever os dias escolhidos.
Tabela 4.6 – Resultados obtidos ao se aplicar as RNAs treinadas com 30 dias similares para
prever os dias escolhidos.
Tabela 4.7 – Resultados obtidos ao se aplicar as RNAs treinadas com 45 dias corridos para
prever os dias escolhidos.
Tabela 4.8 – Resultados obtidos ao se aplicar as RNAs treinadas com 45 dias similares para
prever os dias escolhidos.
De forma geral, após uma análise dos resultados obtidos, pode-se afirmar que o uso
de 45 dias de treinamento pode ser considerado menos eficiente do que o uso de 15 ou 30
dias, pois, seu desempenho deixa a desejar para este horizonte. Ainda analisando o período
de treinamento, pode-se dizer também que o uso de 15 dias levou a previsões melhores na
maioria dos casos com a vantagem adicional de demandar menos esforço computacional.
Além disso, em apenas um cenário em que foi empregado de 30 dias, MAE para dias corridos
foi consideravelmente melhor a princípio, porém ao se testar sua performance novamente os
resultados não puderam ser reproduzidos, sendo o segundo melhor caso na separação de
dados (15 dias corridos) mais consistente.
Nas subseções que seguem, podem ser analisados cada um dos quatro dias
previamente separados, além disso forneceu-se gráficos com a média dos 10 novos testes,
bem como o melhor resultado e o pior dentre os novos testes.
Assim, repetiu-se os testes desta topologia por mais dez vezes para verificar sua
consistência, esses testes resultaram em um MSE médio de 0,089, um MAPE médio de 7,60%
e um MAE médio de 1,39. Esses resultados podem ser observados pela Tabela 4.9, bem
como uma análise gráfica que pode ser feita pela Figura 4.4.
52
Assim, repetiu-se os testes desta topologia por mais dez vezes para verificar sua
consistência. Estes testes resultaram em um MSE médio de 0,113, MAPE médio de 13,69%
e MAE médio de 1,38, os quais podem ser observados pela Tabela 4.10. Por meio da análise
gráfica deste dia, torna-se evidente que essa topologia de fato possui uma boa consistência,
com exceção de um grande pico entre 18 horas e 21 horas.
53
2. Porém, este cenário apresentou uma resposta melhor quando a separação dos
dados foi feita por dias similares. No entanto, ao repetir os testes não foi possível
obter os mesmos valores ou então um resultado médio mais aproximado do obtido
54
O dia 15 de abril de 2012 apresentou uma temperatura média de 13,65 ºC, mínima de
10,7 ºC e máxima de 18,1 ºC em Toronto, capital de Ontário (Weather – Government of
Canada), pois, este representa um dia típico de Primavera. Para este dia, a topologia que
melhor respondeu aos dados de teste foi baseada em 21 neurônios na camada escondida
utilizando 30 dias corridos, onde o MSE (normalizado) foi de 0,135, o MAPE foi de 13,39% e
o MAE (normalizado) foi de 2,02.
Deste modo, novamente, repetiu-se os testes desta topologia por mais dez vezes para
verificar sua consistência. Tais testes resultaram em um MSE médio de 0,187, MAPE médio
de 35,61% e MAE médio de 2,90. Os resultados para estes dez testes podem ser verificados
por meio da Tabela 4.11. Pelo gráfico da Figura 4.6, nota-se que as RNAs não apresentaram
bom desempenho.
55
Assim, ao se repetir mais dez simulações, desta vez utilizando 15 dias corridos com 9
neurônios na camada escondida (segunda melhor simulação), conseguiu-se resultados bem
mais consistentes e com erros consideravelmente melhores como se pode ver na tabela e
gráfico abaixo:
56
Tabela 4.12 - Resultados dos 10 testes realizados para o dia 15/04/2012 utilizando 15 dias
corridos.
Figura 4.7 – Previsão HOEP para o dia 15/04/12 utilizando 15 dias corridos
O dia 23 de julho de 2012 apresentou uma temperatura média de 27,4 ºC, mínima de
22,2 ºC e máxima de 32,2 ºC em Toronto, capital de Ontário (Weather – Government of
Canada). Portanto, este representa um dia típico de Verão. Para este dia, a topologia com
melhor desempenho possui 17 neurônios na camada escondida utilizando 15 dias corridos, a
qual obteve um MSE (normalizado) de 0,108, MAPE de 15,40% e MAE (normalizado) de 1,82.
Os testes desta topologia foram repetidos por mais dez vezes com o intuito de verificar
sua consistência. Assim, obteve-se um MSE médio de 0,144, MAPE médio de 20,93% e MAE
57
médio de 2,44. Estes resultados são sumarizados por meio da Tabela 4.12 e pelo gráfico da
Figura 4.7.
CAPÍTULO 5 CONCLUSÕES
O uso de Redes Neurais Artificiais abrange diversos ramos das ciências e engenharias,
pois se trata de um método eficiente para classificação de padrões, aproximação de funções
e previsão de séries temporais.
Neste Trabalho de Conclusão de Curso ficou evidenciado que uma RNA simples e
rápida aliada a uma boa organização dos dados pode produzir resultados plausíveis de
previsão de preços de energia elétrica mesmo em um mercado com grande volatilidade como
o de Ontário/Canadá.
Cabe notar que diversas combinações foram testadas, porém há ainda muitas outras
combinações que poderiam ser averiguadas: novas variáveis de entrada (tais como a
temperatura pela província, a congestão das linhas de transmissão, importação e exportação
de eletricidade entre os mercados, dentre outras) e também a variação do tamanho da janela
amostral do preço e/ou da demanda, bem como da média móvel.
Assim, há espaço para trabalhos futuros analisarem esses cenários, bem como para
a implementação de melhorias no algoritmo, possibilitando obter melhores resultados em dias
especialmente atípicos e voláteis.
61
REFERÊNCIAS BIBLIOGRÁFICAS
AMJADY, N.; DARAEEPOUR, A.; KEYNIA, F.; Day-ahead electricity price
forecasting by modified relief algorithm and hybrid neural network, IEEE Trans. Power
Syst., vol 4, pg 432-444, 2009.
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C.; Time Series Analysis, Forecasting
and Control, Wiley Series, Probability and Statistics, 2008.
CONTRERAS, J.; ESPINOLA, R.; NOGALES, F.J.; CONEJO, A. J.; ARIMA models
to predict next-day electricity prices, IEEE Trans. Power Syst., vol 18, pg 1014-1020, 2003.
FOSSO, O. B.; GJELSVIK, A.; HAUGSTAD, A.; BIRGER, M.; WANGENSTEEN, I.;
Generation scheduling in a deregulated system. The Norwegian case, IEEE Trans. Power
Syst., vol 14, pg 75-81, 1999.
GARCIA-MARTOS, C.; RODRIGUEZ, J.; SANCHEZ, M.J.; Mixed models for short-
run forecasting of electricity prices: Application for the Spanish market, IEEE Trans.
Power Syst., vol 22, pg 544-552, 2007.
MANDAL, P.; SENJYU, T.; URASAKI, N.; FUNABASHI, T.; SRIVASTAVA, A. K.; A
novel approach to forecast electricity price for PJM using neural network and similar
days method, IEEE Trans. Power Syst., vol 22, pg 2058-2065, 2007.
MORETTIN, P. A.; TOLÓI, C. M. C.; Análise de séries temporais, São Paulo: Edgard
Blücher, 2006.
MORETTIN, P.A.; TOLÓI, C.M.C; Modelos para Previsão de Séries Temporais, Rio
de Janeiro: Instituto de Matemática Pura e Aplicada, 1981.
ZHANG, L.; LUH, P. B.; KASIVISWANATHAN, K.; Energy clearing price prediction
and confidence interval estimation with cascaded neural network, IEEE Trans. Power
Syst., vol 18, pg 99-105, 2003.
ZHANG, L.; LUH, P. B.; Neural network-based market clearing price prediction and
confidence interval estimation with an improved extended Kalman filter method, IEEE
Trans. Power Syst., vol 20, pg 59-66, 2005.