Uma aplicação de redes neurais recorrentes do tipo LSTM à previsão dos preços de curto prazo do mercado de energia elétrica brasileiro

Abstract

A formação dos preços de energia elétrica no mercado de curto prazo brasileiro é obtida através de modelos computacionais, não necessariamente pelas relações de oferta e demanda. Este fator, somado à própria dinâmica dos mercados de energia elétrica no geral, traz um elevado nível de incerteza a ser administrado pelos agentes participantes do mercado. Este trabalho desenvolve um modelo de redes neurais recorrentes, mais especificamente o modelo Long Short Term Memory, para a previsão dos preços à vista do mercado de energia elétrico brasileiro. O modelo baseia-se em variáveis históricas coletadas a partir de junho/2001 até dezembro/2018, com periodicidade semanal, sendo aplicado para os quatro subsistemas do Sistema Elétrico Brasileiro. Os valores são projetados para uma semana à frente, considerando os diferentes patamares de carga disponibilizados pela CCEE. Os algoritmos foram desenvolvidos a partir do software MATLAB, utilizando-se da biblioteca Deep Learning Toolbox. O modelo foi comparado com uma técnica alternativa a partir de simulações Bootstrap, que fundamentalmente simula os preços aleatoriamente de acordo com as distribuições empíricas dos seus retornos. Para a avaliação dos algoritmos foram utilizadas as métricas de desempenho MSE, RMSE, MAPE e Precisão de Movimento. A partir dos resultados obtidos é possível concluir que o modelo LSTM foi significativamente mais acurado quando comparado com o Bootstrap, demonstrando-se mais eficiente para identificar as movimentações dos preços em detrimento a uma assertividade do nível destes preços.

The pricing methodology applied to Brazilian short-term electricity market is derived from computational models, not necessarily by supply and demand relationship as usually observed among other electricity markets. This key factor and the dynamic of electricity market itself, bring a high level of uncertainty to be managed by the players of Brazilian electricity market. This paper develops a Recurrent Neural Network model, specifically the Long Short-term memory model, to forecasting the Brazilian short-term electricity prices. The input layer is based on historical variables between June/2001 and December/2018, using weekly data and applied to all four subsystems belong to Brazilian Electricity System. The forecasting is one week ahead and made considering the 3 levels of price published by CCEE. The algorithms were developed using the MATLAB software and its library called Deep Learning Toolbox. The model was compared with the Bootstrapping methodology, which simulate the prices using the empirical distribution function of its returns. In order to evaluate the algorithms, we used the performance metrics MSE, RMSE MAPE as well as the capacity to predict the right direction of the actual prices. The results of the metrics indicate that the model is more accurate than Bootstrapping methodology for all the prices under analysis. However, the model was more accurate to predict the prices movements rather than they total value.