Escola Politécnica da USP
PEA5019 – Prof. Dr. Maurício B. C. Salles
Estado da arte de aplicações de análise big data e
aprendizado de máquina aos sistemas elétricos
Maurício Rezende Habert – Mestrando do Dpto. de Energia e Automação da Escola Politécnica da USP
Abstract
As técnicas de análise massiva de dados e de aprendizagem de máquina representam uma grande oportunidade para solução de
desafios que surgem nos sistemas elétricos diante da digitalização e descarbonização do setor. Neste contexto, o presente artigo
realiza um panorama do estado da arte das técnicas de big data e machine learning aplicadas aos sistemas elétricos de potência.
Keywords: Big Data, Machine Learning, Redes Elétricas Inteligentes, Descarbonização
1. Introdução
Os crescentes fenômenos da digitalização e da
descarbonização representam transições disruptivas ao setor
elétrico de geração, transmissão, distribuição e
comercialização. A digitalização se insere no setor elétrico
através das redes elétricas inteligentes (REIs), que
representam a fusão das tecnologias de comunicação com as
tecnologias dos sistemas de potência, possibilitando o
aumento do sensoriamento, medição, controle e automação
das redes. Já a descarbonização se introduz no setor através da
inserção de fontes renováveis de geração que se difundem de
forma centralizada e distribuída, principalmente geradores
eólicos e solares.
Entretanto, dois grandes desafios surgem a partir de tais
significativas mudanças: o aumento exponencial de dados que
são gerados e transmitidos; e o aumento da variabilidade e
imprevisibilidade das injeções de energia. Diante deste
cenário, a técnica de análise de grande quantidade de dados -
denominada por análise big data (BD) - associada a técnica de
aprendizado de máquina - machine learning (ML) - surge
como ferramenta muito importante não somente para buscar
soluções aos desafios citados, mas também para otimizar as
estratégias de operação, planejamento e manutenção do setor
elétrico como um todo.
A análise BD compreende as técnicas de extração de valor
de bases de dados com características dos “4v’s” da
informação: volume (de dados), velocidade (geração de dados
por segundo), variedade (diversos tipos de formatos e fontes
de informações) e veracidade (dados corretos) [1]. O setor
elétrico certamente se enquadra nesta situação, visto a grande
diversidade, velocidade e massividade de dados gerados pelos
variados elementos coletores de informações desde a geração
até ao consumo de energia. As técnicas de ML somam-se de
forma natural ao conceito de BD, uma vez que os algoritmos
baseados em inteligência artificial (IA) simplificam
sobremaneira a forma de identificação de padrões e tendências
em bases de dados complexas [2].
Sob este contexto de redes elétricas em direção a
digitalização e a descarbonização, o presente artigo pretende
fazer uma revisão de estado da arte de relevantes artigos com
aplicações de análise BD e ML aos sistemas elétricos. Com
este objetivo, a seção 2 é dividida em nove temas de impacto
1
do setor – desde a geração até o mercado de energia – dentre
os quais técnicas de BD e ML são aplicadas para solução dos
problemas analisados. Na seção 3, é realizada uma conclusão
de tendências verificadas entre os temas revisados.
2. Aplicações
2.1. Localização de Faltas
Com a crescente inserção de fontes geradoras distribuídas
(GDs) nas redes, as técnicas tradicionais de detecção e
localização de faltas elétricas se mostram menos efetivas, uma
vez que foram idealizadas para operações em um sistema
elétrico de geração centralizada e distribuição radial. Portanto,
em um cenário de redes inteligentes e com fluxos bidirecionais
de energia, novas formas de proteção e localização de faltas
são demandadas e possibilitadas pela aplicação de técnicas de
BD e ML.
Em [3] propõe-se um esquema de proteção de uma
microrrede a partir de um método combinado de transformada
Wavelet e Árvore de Decisão para selecionar características de
correntes elétricas no domínio da frequência e do tempo, e
classificá-las como sinais normais ou de faltas elétricas. Em
redes integradas por geradores de fontes renováveis, as
características estocásticas dos sistemas elétricos são ainda
mais amplificadas, devido às injeções variáveis de energia ao
longo das barras do sistema. Com esta preocupação, [4] usa
medições fasoriais PMU (Phasor Measurement Units) para
detectar e localizar faltas em um sistema elétrico, verificando
as dependências entre os fasores das diferentes barras,
modelados como grafos de um Campo Aleatório de Markov.
O grande fluxo de postagens feitas em redes sociais como
Twitter e Facebook também podem ser fontes sensoriais em
tempo real para indicar ocorrências e localizações de faltas
elétricas. Sob essa ótica, [5] apresenta um quadro
probabilístico gerado pelo algoritmo supervisionado LDA
treinado para detectar no tempo e no espaço eventos de
interrupção de energia por meio da análise massiva de
palavras-chaves contidas nos tweets.
2.2. Previsão de Geração Renovável
A característica caótica e intermitente das fontes renováveis
de energia representa um grande desafio ao planejamento,
manutenção e operação dos sistemas elétricos de potência
PEA5019 - Escola Politécnica da USP
rumo a descarbonização. Por este motivo a previsão da 2.4. Previsão, clusterização e desagregação de cargas
geração de fontes eólicas e solares tem sido ponto de crescente
Com o avanço gradual da Infraestrutura de Medição
atenção em diversos estudos e a massividade de dados e
Avançada (IMA), o estudo de cargas pode ser feito de forma
variáveis que envolvem este tipo de análise se adequam muito
muito mais precisa. Diferentemente dos estudos estatísticos,
bem aos propósitos das técnicas combinadas de BD e ML.
em que somente amostras de clientes da concessionária de
Quando se aborda o tema de previsão de energias
energia são analisadas, uma estrutura de medição inteligente
renováveis, os artigos se dividem em previsões de ultra curto
amplamente difundida permite um estudo granularizado da
prazo (ordem de minutos), muito curto prazo (horas) e curto
maior parte dos consumidores [10]. Neste cenário, as técnicas
prazo (dia). A maior parte dos artigos nesta área são focados
de análise BD expandem as possibilidades de estudos de
na previsão de variáveis climáticas (vento e sol) e
previsão de demanda, classificação de perfis de consumidores
transformam essas previsões em energia a partir de relações
e desagregação não intrusiva do consumo.
descobertas entre clima/geração. Em [6] os autores propõem
Com a maior inserção de energias renováveis distribuídas e
um método de previsão de geração eólica espaço-temporal de
a entrada dos “prosumidores”, as técnicas de previsão de carga
muito curto prazo, explorando as dependências entre séries de
tradicionais tendem a se tornar obsoletas e novas estratégias
tempo distribuídas geograficamente (diferentes fazendas
devem ser construídas de forma customizada às características
eólicas) por meio das técnicas combinadas de quadro
específicas de consumo. Com este intuito, tanto em [11] como
probabilístico paramétrico e autoregressão de vetores
em [12] um método de DL é aplicado para previsão da energia
esparsos. De forma semelhante, porém focado na previsão de
de cargas residenciais em curto prazo e a nível individualizado
geração solar sobre GDs em redes de baixa e média tensão, a
(não agregado).
referência [7] explora a previsão espaço-temporal também por
Em [13], o método não supervisionado K-Means é aplicado
meio de autoregressão de vetores. Aplicado em uma rede
para clusterização de todos os consumidores de uma rede
inteligente real, o estudo apresenta melhoria na previsão solar
inteligente de distribuição em categorias que possibilitem uma
em comparação a métodos tradicionais. Já em [8], estuda-se a
fácil visualização geográfica dos diferentes tipos de perfis de
previsão de ventos na escala de ultra curto prazo através de um
carga ao longo do alimentador. Em [14], os autores realizam a
método de Deep Learning (DL) para redes neurais, aplicando-
clusterização de cargas através de técnicas de transformação
se também aprendizado não supervisionado sobre dados
dos perfis de consumo ao domínio da frequência via
históricos de velocidade do vento.
transformação Wavelet, de forma a reduzir o tamanho dos
2.3. Gerenciamento de Energia dados massivos das curvas de consumo e aumento de
eficiência computacional.
O aumento da inserção de recursos energéticos distribuídos A desagregação de energia e monitoração não intrusiva de
(REDs) – tais como geradores de fontes renováveis, baterias carga são métodos para estimar o consumo de energia de
elétricas e carros elétricos – representa não só um desafio dispositivos individualmente sem a instalação de sensores por
adicional para o gerenciamento do setor elétrico de potência, tomadas. Algumas das motivações para isso são desenhar
mas também uma oportunidade de aumento da eficiência melhores programas de eficiência energética e de resposta à
energética do sistema. A definição de técnicas e algoritmos demanda, uma vez que os tipos de cargas do sistema serão
para a otimização energética e econômica entre as variáveis mais conhecidos. Modelos Ocultos de Markov combinados
relacionadas aos REDs é a tendência de grande parte de artigos são aplicados em [15] para desagregar o perfil de consumo
focados no tema de gerenciamento de energia no contexto de residencial. Com o mesmo objetivo, um método baseado em
modernização das redes elétricas. DL é aplicado em [16], com a criação de múltiplas camadas
Em [1], os autores propõem um sistema de gerenciamento de aprendizado para cada dispositivo elétrico.
de energia baseado em uma arquitetura de BD que processa e
concilia dados de medições inteligentes, dados de mercado de 2.5. Gerenciamento de Ativos
energia, previsões de carga e previsões de geração, com o
Um gerenciamento adequado dos dados de ativos das
objetivo de criar um sistema decisório de minimização do
empresas concessionárias de energia é decisivo para a correta
consumo de energia, custos de energia e emissão de CO2,
manutenção e renovação eficiente (no aspecto técnico e
além de uma otimização da sensação de conforto térmico dos
econômico) dos equipamentos componentes dos sistemas
usuários.
elétricos de potência. Com as técnicas de análise BD, é
Nesta área, muitos artigos focados em gerenciamento de
possível extrair e avaliar massivamente as informações
energia de prédios têm sido desenvolvidos, uma vez que
operacionais (ex. tensão e corrente em tempo real) e não
edificações já correspondem aos maiores consumidores de
operacionais dos ativos (nível de óleo dos transformadores e
energia do mundo. Em [9], uma estratégia de mineração de
formas de onda de faltas elétricas) a fim de extrair-se
dados é aplicada a partir de dados obtidos do sistema de
diagnósticos sobre o estado e condições operativas dos
automação de prédios. Análises de clusterização, regras de
equipamentos, resultando em ações preditivas de manutenção
mineração associativa e particionamento recursivo, são
ou renovação.
realizados para avaliação de consumos anormais e otimização
Em [17], nível de acidez, água, fator de dissipação e tensão
das cargas de aquecedores, ares-condicionados, bombas e
de ruptura do óleo de transformadores são usados como dados
outras cargas típicas de um prédio.
de entrada para uma lógica fuzzy que cálcula um “índice de
saúde do transformador”, indicando possíveis ações

2
PEA5019 - Escola Politécnica da USP
preditivas. Um modelo de taxa de falhas para equipamentos
de potência é desenvolvido em [18] com base em um método
de regressão não paramétrica, maximizando o ciclo de vida e
levando em conta tempo de serviço e condições operativas.
Técnicas modernas de monitoramento estrutural e de
condições operativas de turbinas eólicas são analisadas em
[19]. Um modelo de rede neurais para detecção de padrões de
falha é proposto utilizando dados reais do sistema SCADA de
uma fazenda eólica.
2.6. Resposta à demanda
O desafio de conciliar oferta e demanda de energia no setor
elétrico se intensifica cada vez mais com a crescente
penetração de energias renováveis. Programas de Resposta à
Demanda (RD) ganham mais importância ainda neste
contexto, dado que possibilitam o melhor acomodamento do
consumo elétrico à geração de acordo com a necessidade do
agente operador. Aplicações eficientes de RD lidam com
grande volume de dados e variáveis, de forma que as
estratégias de análise BD e ML podem ser aplicadas com
êxito.
Em [20] um gerenciamento de RD residencial é proposto a
partir da combinação de uma rotina de aprendizado de
máquina para modelagem do perfil das cargas e um módulo
otimização que cruza informações de preço de energia,
previsão de consumo e temperatura, resultando em propostas
de redução de cargas relevantes, como aquecedores e ares-
condicionados. Um programa de RD de grande escala é
proposto em [21] baseado em consumidores de pequeno e
médio porte. Com base em seus perfis temporais de consumo,
a seleção de adeptos ao programa é feita por meio de um
algoritmo de otimização com objetivo de minimizar o risco de
erro da previsão de demanda dado um certo nível de RD
desejado.
2.7. Estimação de estados e topologia
Mesmo em uma rede inteligente é impraticável alocar
medidores e sensores por todo sistema de transmissão e
distribuição de energia. As técnicas de estimação de estado e
detecção de topologia buscam obter, respectivamente, as
informações de tensões e fases de toda rede; e estado de
chaves (abertas ou fechadas) a partir de uma quantidade de
medidores e sensores muito inferiores a quantidade de barras
do sistema.
Com a crescente penetração de GD e novas dinamicidade
das cargas, a estimação de estados se torna mais desafiante,
além de cada vez mais necessária para garantia da
confiabilidade de operação das redes. As técnicas de análise
de BD em um contexto de redes inteligentes possibilitam uma
nova oportunidade nessa área, como em [22], onde os autores
propõem uma estimação de estados para o sistema de
distribuição com GD a partir de medições de tensões por PMU
e um método de sensoriamento compressivo, sem cálculos
iterativos como nos tradicionais métodos de estimação. [23]
propõe um método de estimação de estados para lidar com o
crescente aumento de incertezas das redes. Uma arquitetura de
processamento BD é proposta, combinando redução de
3
dimensões com um algoritmo supervisionado treinado por
dados históricos.
A caracterização topológica é determinada pela condição
de chaves e disjuntores, que indicam como e quais linhas estão
conectadas. É considerado um problema de reconhecimento
de padrões, dado que as tensões e fluxos de potência tem um
vínculo direto com a estrutura em que as linhas de uma rede
estão interconectadas [24]. Com esta premissa, [25] apresenta
um método de detecção topológica a partir de uma análise de
correlação entre medições de tensão da rede. Unicamente por
meio de medições de tensão dos consumidores, [26] propõe a
identificação da topologia de rede radial através de um método
baseado em árvores de aprendizagem.
2.8. Detecção de perdas não técnicas
As perdas não técnicas são perdas de energia causadas por
furto de energia, fraude ou falhas em medidores e erros de
faturamento de energia. Este tipo de consumo não medido
representa um problema ao planejamento, manutenção e
operação segura das redes de distribuição, além de ameaçar o
equilíbrio econômico-financeira das concessionárias de
energia.
Com base na diferença entre a medição de energia do
transformador e dos clientes, [27] detecta regiões com
presença de perdas não técnicas e treina um algoritmo baseado
em Máquinas de Vetores de Suporte (MVS) para identificar
quais consumidores da região analisada possuem perfis de
consumo considerados fraudulentos ou normais. Sem utilizar
perfis de consumo, mas somente o total da energia consumida,
[28] treina um algoritmo de árvore de decisão para relacionar
ao consumo de energia esperado em relação a dados de
entrada, como tipos de dispositivos elétricos, quantidade de
moradores e condições climáticas. O consumo real junto com
tais características é classificado em normal ou fraudulento
por um algoritmo MVS. [29] busca o mesmo objetivo, porém
usando teoria dos jogos, modelando uma competição entre a
concessionária e o agente fraudador de energia. Aspectos de
privacidade do consumidor são abordados também, limitando
a taxa de amostragem do perfil de carga para evitar alto nível
de intrusão na privacidade dos padrões de consumo dos
clientes analisados.
2.9. Mercado de Energia Elétrica
O mercado de energia elétrica tem se tornado cada vez mais
complexo em todos os países envolvidos na digitalização e
descarbonização do setor. São demandadas novas estratégias
de otimização dos recursos dos agentes envolvidos diante da
aleatoriedade inserida pelas fontes renováveis e das diversas
opções de tomada de decisão em gerar, consumir ou
armazenar energia proporcionadas pelos recursos energéticos
distribuídos.
Em [30] um algoritmo de aprendizagem por reforço é
treinado por dados do mercado de energia elétrica com o
objetivo de maximizar as receitas de geradores eólicos.
Devido a necessidade de informar ao mercado a quantidade de
energia a ser gerada com um dia de antecedência, o algoritmo
busca o valor ótimo a ser informado com base em previsões
estocásticas da geração eólica e dos preços de venda de
PEA5019 - Escola Politécnica da USP
energia, minimizando a diferença entre a energia de geração
informada e a energia de liquidação comprada no curto prazo.
Focado nos agentes de mercado e de operação, [31] propõe um
método de previsão de preço de energia e carga,
correlacionando as duas variáveis, uma vez que decisões de
consumo podem ser realizadas e alteradas com base nos
preços em tempo real de um mercado de energia moderno.
3. Conclusão
A digitalização e a descarbonização representam um novo
marco de transição ao setor elétrico. Como consequência,
verifica-se um aumento da massividade de dados gerados e
coletados, além de aumento da complexidade e aleatoriedade
das variáveis envolvidas aos sistemas elétricos de potência.
Neste contexto, as ferramentas proporcionadas pelas técnicas
de análise de big data e pelos algoritmos de aprendizagem de
máquina se apresentam como ferramentas muito úteis para
resolução dos diversos desafios apresentados. O presente
trabalho buscou apresentar ao longo de nove temas diferentes,
um panorama do estado da arte das aplicações de tais técnicas
de BD e ML aos sistemas elétricos. Como principais
tendências gerais, verifica-se a forte capacidade das técnicas
combinadas de BD e ML em minimizar as incertezas
relacionadas as variáveis estocásticas das redes, seja através
de previsões da geração renovável, previsão de cargas ou
previsões de preços de mercado, assim como de
proporcionarem estratégias capazes de adentrar a massividade
de dados coletados na geração, transmissão, distribuição e
comercialização e extrair respostas para otimização do
planejamento, operação, proteção e manutenção dos sistemas
elétricos de potência.
Bibliografia
[1] Marinakis, V., Doukas, H., Tsapelas, J., Mouzakitis, S., Sicilia, Á.,
Madrazo, L. and Sgouridis, S., 2020. From big data to smart energy
services: An application for intelligent energy management. Future
Generation Computer Systems, 110, pp.572-586.
[2] Mosavi, A., Salimi, M., Faizollahzadeh Ardabili, S., Rabczuk, T.,
Shamshirband, S. and Varkonyi-Koczy, A., 2019. State of the Art of
Machine Learning Models in Energy Systems, a Systematic Review.
Energies, 12(7), p.1301.
[3] Mishra, D., Samantaray, S. and Joos, G., 2016. A Combined Wavelet
and Data-Mining Based Intelligent Protection Scheme for Microgrid.
IEEE Transactions on Smart Grid, 7(5), pp.2295-2304.
[4] He, M. and Zhang, J., 2011. A Dependency Graph Approach for Fault
Detection and Localization Towards Secure Smart Grid. IEEE
Transactions on Smart Grid, 2(2), pp.342-351.
[5] Sun, H., Wang, Z., Wang, J., Huang, Z., Carrington, N. and Liao, J.,
2016. Data-Driven Power Outage Detection by Social Sensors. IEEE
Transactions on Smart Grid, 7(5), pp.2516-2524.
[6] Dowell, J. and Pinson, P., 2015. Very-Short-Term Probabilistic Wind
Power Forecasts by Sparse Vector Autoregression. IEEE Transactions
on Smart Grid, pp.1-1.
[7] Bessa, R., Trindade, A. and Miranda, V., 2015. Spatial-Temporal Solar
Power Forecasting for Smart Grids. IEEE Transactions on Industrial
Informatics, 11(1), pp.232-241.
[8] Khodayar, M., Kaynak, O. and Khodayar, M., 2017. Rough Deep
Neural Architecture for Short-Term Wind Speed Forecasting. IEEE
Transactions on Industrial Informatics, 13(6), pp.2770-2779.
[9] Xiao, F. and Fan, C., 2014. Data mining in building automation system
for improving building operational performance. Energy and Buildings,
75, pp.109-118.
[10] Puckett, C., Williamson, C., Godin, C., Gifford, W., Farland, J., Laing,
T. and Hong, T., 2020. Utility Load Research: The Future of Load
Research Is Now. IEEE Power and Energy Magazine, 18(3), pp.61-70.
[11] Kong, W., Dong, Z., Jia, Y., Hill, D., Xu, Y. and Zhang, Y., 2017.
Short-Term Residential Load Forecasting Based on LSTM Recurrent
Neural Network. IEEE Transactions on Smart Grid, 10(1), pp.841-851.
[12] Shi, H., Xu, M. and Li, R., 2017. Deep Learning for Household Load
Forecasting—A Novel Pooling Deep RNN. IEEE Transactions on
Smart Grid, 9(5), pp.5271-5280.
[13] T. Zufferey, A. Ulbig, S. Koch, and G. Hug, 2018. Unsupervised
learning methods for power system data analysis, in Big Data
Application in Power Systems. Elsevier, ch. 6, pp. 107–124
[14] Li, R., Li, F. and Smith, N., 2016. Multi-Resolution Load Profile
Clustering for Smart Metering Data. IEEE Transactions on Power
Systems, 31(6), pp.4473-4482.
[15] Kong, W., Dong, Z., Ma, J., Hill, D., Zhao, J. and Luo, F., 2018. An
Extensible Approach for Non-Intrusive Load Disaggregation With
Smart Meter Data. IEEE Transactions on Smart Grid, 9(4), pp.3362-
3372.
[16] Singh, S. and Majumdar, A., 2017. Deep Sparse Coding for Non–
Intrusive Load Monitoring. IEEE Transactions on Smart Grid, 9(5),
pp.4669-4678.
[17] Abu-Elanien, A., Salama, M. and Ibrahim, M., 2012. Calculation of a
Health Index for Oil-Immersed Transformers Rated Under 69 kV Using
Fuzzy Logic. IEEE Transactions on Power Delivery, 27(4), pp.2029-
2036.
[18] Qiu, J., Wang, H., Lin, D., He, B., Zhao, W. and Xu, W., 2015.
Nonparametric Regression-Based Failure Rate Model for Electric
Power Equipment Using Lifecycle Data. IEEE Transactions on Smart
Grid, 6(2), pp.955-964.
[19] Antoniadou, I., Dervilis, N., Papatheou, E., Maguire, A. and Worden,
K., 2015. Aspects of structural health and condition monitoring of
offshore wind turbines. Philosophical Transactions of the Royal Society
A: Mathematical, Physical and Engineering Sciences, 373(2035),
p.20140075.
[20] Zhang, D., Li, S., Sun, M. and O'Neill, Z., 2016. An Optimal and
Learning-Based Demand Response and Home Energy Management
System. IEEE Transactions on Smart Grid, 7(4), pp.1790-1801.
[21] J. Kwac and R. Rajagopal, 2013. Demand response targeting using big
data analytics. Proc. IEEE Int. Conf. Big Datapp. 683–690.
[22] Majidi, M., Etezadi-Amoli, M. and Livani, H., 2017. Distribution
system state estimation using compressive sensing. International Journal
of Electrical Power & Energy Systems, 88, pp.175-186.
[23] Weng, Y., Negi, R., Faloutsos, C. and Ilic, M., 2017. Robust Data-
Driven State Estimation for Smart Grid. IEEE Transactions on Smart
Grid, 8(4), pp.1956-1967.
[24] Nabeyama, G., Asada, E. and Matrakas, M., 2021. Identificação de
Topologia de Sistemas de Distribuição de Energia Elétrica por Métodos
de Aprendizagem Inteligentes.
[25] Bolognani, S., Bof, N., Michelotti, D., 2013. Identification of power
distribution network topology via voltage correlation analysis.
Proceedings of the IEEE conference on decision and control, p. 1659–
64.
[26] Deka, D., Backhaus, S., and Chertkov, M., 2016. Learning topology of
distribution grids using only terminal node measurements. Proc. IEEE
Int. Conf. Smart Grid Commun., Nov. 2016, pp. 205–211.
[27] Jokar, P., Arianpoo, N. and Leung, V., 2016. Electricity Theft Detection
in AMI Using Customers’ Consumption Patterns. IEEE Transactions on
Smart Grid, 7(1), pp.216-226.
[28] Jindal, A., Dua, A., Kaur, K., Singh, M., Kumar, N. and Mishra, S.,
2016. Decision Tree and SVM-Based Data Analytics for Theft
Detection in Smart Grid. IEEE Transactions on Industrial Informatics,
12(3), pp.1005-1016.
[29] A. A. Cardenas, S. Amin, G. Schwartz, R. Dong, and S. Sastry, 2012. A
game theory model for electricity theft detection and privacy-aware
control in AMI systems. Proc. IEEE Allerton Conf. Commun. Control
Comput., pp. 1830–1837.
[30] Mazzi, N., Pinson, P, 2016. Purely data-driven approaches to trading of
renewable energy generation.13th International Conference on the
European Energy Market
[31] Wu, L. and Shahidehpour, M., 2014. A hybrid model for integrated day‐
ahead electricity price and load forecasting in smart grid. IET
Generation, Transmission & Distribution, 8(12), pp.1937-1950.