Zur Kurzanzeige

dc.contributor.advisorMesquita, Alexandre
dc.contributor.authorPerin, Maikon Del Ré
dc.contributor.otherShiguemori, Elcio Hideiti
dc.contributor.otherChiwiacowsky, Leonardo Dagnino
dc.contributor.otherGraciolli, Odacir Deonisio
dc.date.accessioned2020-03-13T12:06:20Z
dc.date.available2020-03-13T12:06:20Z
dc.date.issued2020-03-13
dc.date.submitted2019-12-19
dc.identifier.urihttps://repositorio.ucs.br/11338/5544
dc.descriptionO sistema elétrico brasileiro é referência mundial pelas suas particularidades na forma de geração, transmissão e distribuição de energia. A matriz energética é composta em sua maioria por usinas hidrelétricas e termelétricas, embora tenha-se visto um acentuado aumento de fontes eólicas e solares nos últimos anos. O despacho das usinas hidrelétricas e termelétricas é efetuado de forma centralizada pelo ONS. São utilizados os softwares NEWAVE e DECOMP para otimização visando o menor custo total em todo horizonte de estudo. Além do despacho de cada usina hídrica e térmica, esses softwares divulgam o preço de liquidação das diferenças, utilizado pela Câmara de Comercialização de Energia Elétrica para valorar o preço de energia no curto prazo. Esse preço também é utilizado para negociações bilaterais entre agentes do mercado, seja para trading nas comercializadoras ou compra e venda de energia elétrica para consumidores. Os agentes do mercado utilizam esses softwares para projetar o preço de energia elétrica de curto prazo. Todavia, os softwares necessitam de alto processamento computacional para efetuar a otimização, além do cálculo do despacho ser bastante moroso. Dessa forma, este trabalho apresenta um modelo computacional utilizando Deep Reservoir Computing para projeção do preço de energia elétrica do mercado spot. O trabalho demonstra que a Deep Reservoir Computing pode ser utilizada como ferramenta de auxílio na projeção do preço de energia elétrica no mercado de curto prazo. O modelo proposto foi desenvolvido no software Matlab e, para os experimentos realizados, obteve resultados melhores que redes neurais mais populares, como a Perceptron Multicamadas, onde a correlação foi 3,08% superior na Deep Reservoir Computing além do erro percentual médio absoluto ser 8,8% inferior.pt_BR
dc.description.abstractThe Brazilian electric system is a world reference for its particularities in the form of energy generation, transmission and distribution. The energy matrix is mostly composed of hydroelectric and thermoelectric plants, having seen a sharp increase in wind and solar sources in recent years. The dispatch of hydroelectric and thermoelectric power plants is performed centrally by ONS. The softwares NEWAVE and DECOMP is used for optimization aiming the lowest total cost over the entire study horizon. In addition to the dispatch of each hydro and thermal plant, these softwares disclose the liquidation price of the differences, used by the Electric Energy Trading Chamber to value the short-term energy price. This price is also used for bilateral negotiations between market agents, either for trading or buying and selling electricity to consumers. Market players use this software to project short-term electricity prices. However, the software needs high computational processing to perform the optimization, and the dispatch calculation is very time consuming. Thus, this paper presents a computational model using Deep Reservoir Computing to project the spot market electricity price. This work demonstrates that Deep Reservoir Computing can be used as a support tool for projecting electricity prices in the short term market. The proposed model was developed in Matlab software and, for the experiments performed, obtained better results than more popular neural networks, such as Multilayer Perceptron, where the correlation was 3.08% higher in Deep Reservoir Computing in addition to the absolute mean percentage error being 8,8% lowerpt_BR
dc.language.isoptpt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectEnergia elétricapt_BR
dc.subjectPreçospt_BR
dc.subjectArtificial intelligencept_BR
dc.subjectNeural networks (Computer science)pt_BR
dc.subjectElectric powerpt_BR
dc.subjectPricespt_BR
dc.titleDeep Reservoir Computing aplicado na previsão do preço de energia elétrica no mercado de spotpt_BR
dc.typeDissertaçãopt_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.advisor.latteshttp://lattes.cnpq.br/2911754439835566pt_BR
mtd2-br.author.lattesPERIN, M. R.pt_BR
mtd2-br.program.namePrograma de Pós-Graduação em Engenharia de Produçãopt_BR


Dateien zu dieser Ressource

Thumbnail

Das Dokument erscheint in:

Zur Kurzanzeige