1. Repositório Aberto da Universidade do Porto
2. FEUP - Faculdade de Engenharia
3. FEUP - Dissertação

Author(s):	José Pedro Ferreira Pelicano Paulos
Title:	Previsão de Consumo de Energia Elétrica e do Preço da Eletricidade através de Redes Neuronais de Regressão Generalizada
Issue Date:	2017-07-14
Description:	Um dos principais desafios impostos para o século \textit{XXI} passa por realizar uma gestão coordenada e adequada do mercado da eletricidade e a consequente cooperação com a produção de energia, permitindo integrar ferramentas computacionais que sustentem um setor elétrico viável, eficaz e oportuno. O preço da eletricidade e o consumo energético vêm cada vez mais a representar dois grandes pilares do setor elétrico, com a sua análise e previsão a ser uma peça de capital importância para a estável manutenção de um mercado que agora é liberalizado. Com a liberalização do mercado da eletricidade, a previsão de preços e consumo torna-se fundamental para desenvolver tomadas de decisão e para estabelecer estratégias por parte dos operadores de mercado. Ainda que, pela análise do preço da eletricidade, se revelem situações monetariamente estáveis, sobressaem-se também cenários repletos de irregularidades e daí uma resultante dificuldade em estimar os preços, que podem penalizar o desempenho global da previsão. O consumo de energia, por sua vez, impõe curvas que refletem uma robustez característica, e que permitem realizar previsões satisfatoriamente elaboradas. No âmbito da presente dissertação, pretende-se realizar a previsão de preço da eletricidade e do consumo, onde é imperativo o uso de redes neuronais artificiais (ANN). Ora, pretende-se verificar a significância de diversos tipos de ANN, uma rede neuronal \textit{feed-forward} convencional e uma rede neuronal de regressão generalizada (GRNN). Tendo como referência valores obtidos pela análise clássica de séries temporais (Box-Jenkins), pretende-se comparar os diferentes tipos de redes neuronais quanto, por exemplo, à sua capacidade de resposta a flutuações, desempenho global ou até tempos de treino. Importa claro, ter em consideração uma coordenação fiel das diferentes variáveis a estudar, até porque a representação de um modelo final de previsão deve ter em consideração apenas aquelas que de facto apoiam de uma forma firme a previsão do preço da eletricidade ou do consumo. A abordagem pelas GRNN é uma solução antiga (1991), mas tem ressurgido recentemente realçando um bom desempenho, rapidez da fase de treino e facilidade de parametrização. A integração deste modelo em estudos comparativos com métodos mais convencionais permite obter soluções sensatas em áreas mais robustas com tempos de treino bastante reduzidos o que, mesmo representando um parâmetro de avaliação cabal, pode, em diversos cenários, ser providencial.
Subject:	Engenharia electrotécnica, electrónica e informática Electrical engineering, Electronic engineering, Information engineering
Scientific areas:	Ciências da engenharia e tecnologias::Engenharia electrotécnica, electrónica e informática Engineering and technology::Electrical engineering, Electronic engineering, Information engineering
DOI:	10.34626/wqxx-0018
TID identifier:	201799995
URI:	https://hdl.handle.net/10216/105456
Document Type:	Dissertação
Rights:	openAccess
Appears in Collections:	FEUP - Dissertação

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.