Ao longo desta dissertação foram sendo apresentadas conclusões parciais sobre cada assunto abordado. Assim este capítulo tem como objetivo apresentar um resumo global das conclusões retiradas, dando ênfase aos aspetos mais significativos, apontando-se a satisfação geral dos objetivos fixados, bem como as perspetivas de trabalho futuro.

Com o objetivo de implementar estruturas desverticalizadas, realizaram-se uma série de transformações organizativas no Setor Elétrico. Uma destas transformações foi a introdução de diferentes agentes de mercado. Esta restruturação tem vindo a ser realizada de forma gradual por todo o mundo, não existindo ainda uma consolidação que sirva de modelo inequívoco. Os esforços da Europa tem sido intensos nessa direção, como por exemplo a implementação de um mercado interno de eletricidade que decorre atualmente.

Todas estas transformações no Setor Elétrico levaram ao aumento da concorrência neste mesmo setor, levando assim à necessidade de criar organismos reguladores que atuem como fiscalizadores a fim de evitar situações que ponham em risco o funcionamento livre do mercado. Este tipo de mercado tem como base de funcionamento a receção de propostas de compra e de venda de energia elétrica dos diferentes agentes que participam no mercado.

Neste sentido, surge o interesse na realização de estudos de previsão dos preços da energia elétrica, com o objetivo de oferecer aos agentes de mercado um mecanismo de orientação na realização das suas propostas de compra e de venda.

Este trabalho apresenta uma abordagem, baseada em ANNs, de previsão do preço da energia elétrica, em Pool Comum, com horizonte temporal de um mês.

Neste trabalho foram realizadas três redes neuronais distintas. A primeira Rede Neuronal estudada, utilizava os dados de um ano, para prever os Preços de Mercado de um mês de Verão e de um mês de Inverno. A segunda Rede Neuronal, utilizava os dados dos meses de Verão para prever os valores do Preço de Mercado de um mês de Verão. E, por fim, a terceira Rede Neuronal, utilizava dados dos meses de Inverno com o objetivo de prever os Preços de Mercado de um mês de Inverno.

Em qualquer uma das Redes Neuronais realizadas, verificou-se que a Produção em Regime Especial de Energia Eólica tinha uma grande influência no Preço de Mercado. Isto acontece uma vez que as propostas de venda deste tipo de energia são as que ficam na base, ou seja, são as primeiras a entrarem no mercado, sendo que estas tem um custo de produção nulo. Assim, uma grande quantidade de produção de origem eólica leva a que os Preços de Mercado desçam. De forma análoga, se a produção por via eólica for reduzida os Preços de Mercado aumentam.

Verificou-se também que a introdução da Produção de Energia Hídrica na terceira Rede Neuronal tinha um grande impacto no Preço de Mercado. Como referido, a Produção de Energia Eólica é a primeira a entrar no mercado, sendo usualmente seguida pela Produção de Energia Hídrica. Uma vez que na terceira Rede Neuronal se utilizam meses de Inverno para prever os Preços de Mercado de um mês deste tipo, e sendo a época de Inverno ventosa e chuvosa, a produção destes dos tipos de energia têm uma grande influência na previsão.

 

Após a realização de várias experiências, foi identificada a melhor arquitetura para cada uma das Redes Neuronais realizadas. Ao longo do processo de seleção foi possível concluir que o uso de valores da produção do dia anterior e da semana anterior, tinham impactos diferentes nas várias Redes.

Quanto aos erros das previsões obtidas com as Redes Neuronais, o erro percentual da diferença entre os valores reais e os valores previstos foi de:

• Para a primeira Rede Neuronal: 8,65% para o mês de Julho, e 20,39% para o mês de Novembro;

• Para a segunda Rede Neuronal: 10,05% para o mês de Julho;

• Para a terceira Rede Neuronal: 24,59% para o mês de Novembro.

 

Assim chegou-se à conclusão que o uso dos dados de um ano para prever algum mês desse mesmo ano, se revelava mais vantajoso do que a separação das épocas consideradas de Verão e de Inverno. Também se percebeu a dificuldade em obter bons resultados para o mês de Novembro, uma vez que os Preços de Mercado na época de Inverno sofrem várias oscilações, sendo assim difícil para a Rede Neuronal perceber o seu comportamento. De forma análoga, uma vez que nos meses de Verão os Preços de Mercado revelam-se mais constantes, foi possível obter resultados mais satisfatórios.

 

Como trabalhos futuros sugere-se a seguinte direção:

• A utilização de dados meteorológicos como variáveis de entrada, uma vez que estes tem impacto tanto no consumo como na produção de energia;

 

Num mercado competitivo de energia elétrica seriam de esperar preços próximos dos custos marginais de curto prazo, especialmente se existir uma quantidade substancial de contratos a prazo. Se se obtiver um conhecimento preciso das condições meteorológicas, e da disponibilidade de cada grupo produtor de energia elétrica, então as metodologias convencionais de previsão conseguem projetar um cenário muito satisfatório dos preços de energia elétrica.

No entanto, a maior parte dos mercados de energia elétrica não foram desenhados com um nível suficientemente baixo de poder de mercado, que permita resultados perfeitamente competitivos [1].

Assim também se recomenda outra possível direção de trabalho futuro:

• Em função do sucesso da recolha da nova informação (que considere comportamentos estratégicos e a habilidade dos geradores manterem os preços a cima do custo marginal), a construção de outras abordagens metodológicas destinadas a estabelecer previsões em horizontes mais alargados.

Espera-se que este trabalho tenha correspondido aos objetivos traçados pela EDP Produção – entidade que o propôs – e a quem se agradece publicamente a colaboração prestada.

Ainda não foram retiradas nenhumas conclusões.