Aplicação de aprendizado de máquina para projeção do preço horário de liquidação das diferenças como suporte às estratégias de comercialização de energia elétrica

Abstract

Estimar o preço de um ativo financeiro ou de produtos comercializáveis é uma tarefa complexa e que pressupõe a disponibilidade de uma quantidade razoável de amostras de dados. No ambiente de comercialização de energia elétrica, a projeção do preço da energia no mercado de curto prazo em base horária é essencial para a tomada de decisão dentro desse complexo mercado e as particularidades do setor elétrico brasileiro tornam essa tarefa ainda mais complexa do que em outros mercados. Devido ao comportamento estocástico de algumas variáveis, como a vazão afluente às usinas hidrelétricas e a correlação entre as variáveis que afetam a geração de eletricidade, as técnicas estatísticas tradicionais de previsão de séries temporais apresentam uma complexidade adicional, quando se procura prever diferentes horizontes de análise. Para enfrentar essas complexidades dos métodos tradicionais de previsão, neste estudo apresenta-se uma nova abordagem baseada em metodologia de Machine Learning para previsão de séries temporais aplicadas no processo de previsão do PLD. A Base de Aprendizado do modelo é obtida a partir de informações públicas dos modelos oficiais do setor: NEWAVE, DECOMP e DESSEM. A aplicação da metodologia para casos práticos, utilizando-se de backtest com informações reais do setor elétrico brasileiro, demonstra que a linha de pesquisa é promissora, à medida que a aderência das projeções aos valores realizados é significativa.