Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Lotufo, Anna Diva Plasencia [UNESP] | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Felix, Renan Ferreira | - |
Data de aceite: dc.date.accessioned | 2022-08-04T21:54:29Z | - |
Data de disponibilização: dc.date.available | 2022-08-04T21:54:29Z | - |
Data de envio: dc.date.issued | 2022-03-18 | - |
Data de envio: dc.date.issued | 2022-03-18 | - |
Data de envio: dc.date.issued | 2022-01-23 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/217275 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/217275 | - |
Descrição: dc.description | A energia elétrica é insumo essencial para a economia de qualquer país e para a vida de todos os seus habitantes. A matriz energética brasileira se difere da dos demais países devido a sua característica bastante renovável e variável, por possuir diversas fontes de energia. Na década de 90 ocorreu a separação das atividades de geração, transmissão e distribuição no Brasil, e atualmente a contratação de energia no país está dividida em dois ambientes, o Ambiente de Contratação Livre e o Ambiente de Contratação Regulado. A previsão de preços é uma das tarefas mais importantes para o planejamento e operacionalização dos mercados elétricos no Brasil. O presente trabalho objetiva propor uma abordagem para previsão dos Preços de Liquidação de Diferenças com base na utilização de modelos de redes neurais artificiais. Os dados utilizados para isso, foram os próprios Preços de Liquidação de Diferenças, dias da semana, dias do mês, meses do ano e horário. Todos os dados são disponibilizados em quatro submercados diferentes: Sul, Sudeste, Nordeste e Norte. Neste trabalho utiliza-se os dados do submercado Sudeste de 1 de janeiro de 2020 até 30 de junho de 2021. Para a realização do trabalho utiliza-se a rede neural do tipo Multilayer Perceptron feedforward, e dois tipos de treinamento: Levenberg-Marquardt e Backpropagation (Gradiente Conjugado Escalonado). Para a avaliação dos resultados obtidos utiliza-se o Mean Absolute Percentage Error (MAPE) e ambos os treinamentos são comparados com o objetivo de se propor a técnica mais adequada para a previsão de preços. | - |
Descrição: dc.description | Electric energy is an essential input for the economy of any country and for the life of all its habitants. The Brazilian energy matrix differs from that of other countries due to its very renewable and variable characteristics, it has different energy sources. In the 90’s, generation, transmission and distribution activities were separated in Brazil, and currently energy contracts in the country are divided into two environments, The Free Contracting Environment and The Regulated Contracting Environment. Price forecasting is one of the most important tasks for planning and operating the electrical markets in Brazil. The present work aims to propose an approach for the Difference Settlement Prices based on the use of Artificial Neural Network models. The data used for this were the Difference Settlement Prices, days of the week, days of the month, months of the year and time. All data is available in four different submarkets: South, Southeast, Northeast and North. In this work, data from the Southeast submarket from January 1, 2020 to June 30, 2021 are used. To carry out the work, the Multilayer Perceptron feedforward neural network is used, and two types of training: Levenberg-Marquardt and Backpropagation (Scaled Conjugate Gradient). To evaluate the results obtained, the Mean Absolute Percentage Error (MAPE) is used and both trainings are compared with the objective of proposing the most adequate technique for price forecasting. | - |
Descrição: dc.description | Não recebi financiamento | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (Unesp) | - |
Direitos: dc.rights | Acesso aberto | - |
Palavras-chave: dc.subject | Rede neural perceptron multicamadas | - |
Palavras-chave: dc.subject | Redes neurais artificiais | - |
Palavras-chave: dc.subject | Preço de liquidação de diferenças | - |
Palavras-chave: dc.subject | Gradiente conjugado escalonado | - |
Palavras-chave: dc.subject | Levenberg-marquardt | - |
Palavras-chave: dc.subject | Backpropagation | - |
Palavras-chave: dc.subject | Multilayer perceptron neural network | - |
Palavras-chave: dc.subject | Artificial neural networks | - |
Palavras-chave: dc.subject | Difference settlement price | - |
Palavras-chave: dc.subject | Scaled conjugate gradient | - |
Título: dc.title | Previsão de preços de comercialização de energia elétrica por redes neurais artificiais | - |
Título: dc.title | Forecast of electric energy commercialization prices by artificial neural networks | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: