
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Fernández, Leonardo Brain García | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | Tiritan, Mateus Bertipaglia | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T17:14:19Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T17:14:19Z | - |
| Data de envio: dc.date.issued | 2025-07-02 | - |
| Data de envio: dc.date.issued | 2025-06-17 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/311685 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/311685 | - |
| Descrição: dc.description | A previsão do comportamento dos preços de energia elétrica em mercados de curto prazo é um desafio enfrentado por operadores e agentes do setor energético. Com a crescente disponibilidade de dados e o avanço das tecnologias computacionais, o uso de técnicas de Machine Learning tem ganhado espaço como alternativa às abordagens tradicionais de modelagem. Neste trabalho, foram aplicados três modelos distintos de ML: Support Vector Machine (SVM), Long Short-Term Memory (LSTM) e ARTMAP Fuzzy Modificada, com o objetivo de prever os preços de energia do mercado elétrico peruano. A base de dados utilizada foi extraída do site do operador do sistema peruano: Comité de Operación Económica del Sistema (COES), contendo registros de preços, carga e geração hídrica com resolução de 30 minutos entre agosto de 2022 e setembro de 2024. Após o pré-processamento e segmentação da base, os modelos foram treinados e avaliados em dois horizontes: previsão de 1 dia e 1 semana. Os resultados mostraram que a SVM obteve melhor desempenho para horizontes curtos, enquanto a rede ARTMAP demonstrou maior robustez nas previsões semanais, refletindo corretamente padrões típicos como os baixos preços durante a madrugada. Já a LSTM apresentou desempenho inferior, com revisões excessivamente suavizadas e correlação negativa em horizontes longos. | - |
| Descrição: dc.description | The forecasting of electricity prices in short-term markets is a challenge faced by operators and stakeholders in the energy sector. With the increasing availability of data and the advancement of computational technologies, the use of Machine Learning techniques has emerged as a promising alternative to traditional modeling approaches. In this study, three distinct ML models were applied: Support Vector Machine (SVM), Long Short-Term Memory (LSTM), and Modified Fuzzy ARTMAP, with the goal of forecasting electricity prices in the Peruvian electricity market. The dataset was obtained from the Comité de Operación Económica del Sistema (COES), the operator of the Peruvian electric system, and included records of prices, load, and hydroelectric generation at 30-minute intervals from August 2022 to September 2024. After preprocessing and dataset segmentation, the models were trained and evaluated over two forecasting horizons: one day and one week. The results showed that SVM performed better for short-term forecasts, while the ARTMAP network demonstrated greater robustness in weekly forecasts, correctly capturing typical patterns such as low prices during nighttime hours. LSTM showed inferior performance, producing overly smoothed forecasts and negative correlation over longer horizons. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
| Direitos: dc.rights | info:eu-repo/semantics/openAccess | - |
| Palavras-chave: dc.subject | previsão de preços | - |
| Palavras-chave: dc.subject | energia elétrica | - |
| Palavras-chave: dc.subject | machine learning | - |
| Palavras-chave: dc.subject | SVM | - |
| Palavras-chave: dc.subject | LSTM | - |
| Palavras-chave: dc.subject | ARTMAP Fuzzy | - |
| Palavras-chave: dc.subject | price forecasting | - |
| Palavras-chave: dc.subject | electric energy | - |
| Palavras-chave: dc.subject | machine learning | - |
| Palavras-chave: dc.subject | SVM | - |
| Palavras-chave: dc.subject | LSTM | - |
| Palavras-chave: dc.subject | Fuzzy ARTMAP | - |
| Título: dc.title | Análise comparativa de técnicas de Machine Learning aplicados à previsão de preços de energia elétrica no mercado elétrico peruano | - |
| Título: dc.title | Comparative analysis of Machine Learning techniques applied to electricity price forecasting in the peruvian power market | - |
| Tipo de arquivo: dc.type | livro digital | - |
| 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: