Predição do Preço de Liquidação das Diferenças do Submercado Sul a partir de variáveis hidrológicas

Abstract

A partir dos anos 1990, o mercado de energia elétrica brasileiro passou por um intenso período de abertura econômica, tornando o ambiente mais competitivo e, em certo aspecto, eficiente. Nesse contexto, uma mudança notável que ocorreu ainda mais recentemente é a implementação do Preço de Liquidação das Diferenças (PLD) horário. Tradicionalmente, o PLD define, a partir de modelos de otimização, o preço da energia no mercado de curto prazo. Com a mudança, passou-se a ser a divulgar o PLD com discretização horária, permitindo maior liquidez e dinamismo ao mercado. Assim, diversas novas oportunidades começam a poder ser exploradas, em geral visando à redução de exposição a riscos que tal parâmetro, agora mais volátil, pode causar. Nesse contexto, este trabalho propõe utilizar modelos de aprendizado de máquina para predizer, com uma semana de antecedência, o valor do PLD. Para fazê-lo, são implementados diversos algoritmos, que utilizam como dados de entrada séries temporais históricas de variáveis hídricas, com a expectativa de obter um valor acurado do preço futuro da energia no curto prazo. Adicionalmente, o trabalho desenvolve um breve estudo de caso, que visa avaliar um eventual ganho financeiro que um agente do mercado poderia ter, caso em posse de um modelo de predição. Com os resultados obtidos, é possível observar que, não apenas alguns modelos conseguiram atingir um valor satisfatório de predição, como também o estudo de caso indicou que há uma significativa redução na exposição a riscos a partir de modelos com predição.

Since the 1990s, the Brazilian electricity market has been experiencing an intense period of economic opening, making its environment more competitive and, in a certain way, more efficient. In this context, a notable change that has taken place in recent years is the implementation of the hourly energy spot price. Thus, that price, which defines, based on optimization models, the price of energy in the short-term market, started to be defined hourly, allowing greater liquidity and dynamism to the market. Thus, several new market opportunities can be explored, generally aiming to reduce exposure to the risks that the new and more volatile spot price can cause. In this context, this work proposes using machine learning models to predict the value of the spot price one week in advance. To this end, several models are implemented, using time series of water variables as input data, hoping to obtain an accurate value of the future energy price. Additionally, the work develops a brief case study to evaluate an eventual financial gain that a market agent could have, if it had a forecast model. With the acquired results, it is possible to observe that some models were able to reach a satisfactory prediction value, but the the case study indicated that there is a significantly lower exposure to risks of models with predictions similar to the one obtained.