Análise preditiva do Preço de Liquidação das Diferenças no mercado de energia elétrica via algoritmos de Machine Learning

Abstract

No mercado de energia elétrica, onde a especulação e a competição são intensas, prever o preço pelo qual a energia será negociada em um determinado período é um desafio que pode auxiliar na tomada de decisões dos agentes envolvidos. Um indicador utilizado nesse mercado é o Preço de Liquidação das Diferenças (PLD), que leva em consideração uma série de fatores, como oferta e demanda de energia, condições hidrológicas, restrições na transmissão, custos operacionais do sistema elétrico, entre outros. Nesse contexto, este trabalho teve como objetivo estudar o comportamento desses fatores para prever o PLD, do submercado Sudeste/CentroOeste, no mercado nacional de energia. Para isso, foram utilizadas ferramentas de Análise Exploratória de Dados (AED) e modelos de Machine Learning (ML), como Florestas Randômicas, Máquinas de Vetores de Suporte e Aumento do Gradiente. Os modelos foram desenvolvidos e validados por meio da análise de diferentes conjuntos de dados, incluindo a geração de energia de diversas fontes, dados climáticos e dados hidrológicos. A partir disso, os modelos preditivos obtiveram ótimos resultados, tendo como destaque o algoritmo Aumento do Gradiente, que atingiu o MSE no valor de 165.48 e MAPE de 6.28%, além de apresentar uma boa acurácia considerando novos dados distintos. Com isso, essa abordagem permitiu o desenvolvimento de estratégias e novas soluções computacionais para os agentes do mercado de energia elétrica no Brasil.

In the electricity market, where speculation and competition are intense, predicting the price at which energy will be traded in a given period is a challenge that can assist decision-making by the involved agents. An indicator used in this market is the Preço de Liquidação das Diferenças (PLD), which takes into account a series of factors such as energy supply and demand, hydrological conditions, transmission constraints, operational costs of the electrical system, among others. In this context, the aim of this project was to study the behavior of these factors to predict the PLD for the Sudeste/Centro-Oeste submarket in the national energy market. For this purpose, tools of Exploratory Data Analysis (EDA) and Machine Learning (ML) models such as Random Forests, Support Vector Machines, and Gradient Boosting were employed. The models were developed and validated through the analysis of different datasets, including energy generation from various sources, weather data, and hydrological data. As a result, the predictive models achieved excellent results, with Gradient Boosting algorithm standing out, reaching an MSE of 165.48 and MAPE of 6.28%, while demonstrating good accuracy when considering new distinct data. This approach enabled the development of strategies and new computational solutions for agents in the Brazilian electricity market.