Imbalance Price Forecasting in the Italian Energy Market Using Deep Neural Networks and Temporal Fusion Transformers
Este artigo propõe uma estrutura de previsão probabilística utilizando Temporal Fusion Transformers para o volátil mercado de desequilíbrio de eletricidade italiano, demonstrando que, embora a precisão determinística seja limitada, o valor principal do modelo reside em sua capacidade de fornecer bandas de risco calibradas e insights interpretáveis para uma gestão de risco eficaz.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
A eletricidade é uma commodity que não pode ser facilmente armazenada em grandes quantidades, o que significa que a quantidade gerada deve corresponder à quantidade consumida a cada segundo. Na Itália, como em muitas outras nações, esse equilíbrio é gerido através de um complexo sistema de mercados. Os negociantes compram e vendem energia com antecedência para o dia seguinte, mas o verdadeiro teste surge quando as luzes se acendem e a procura real chega. Se uma central elétrica produz demasiado ou de menos em relação ao que foi prometido, o operador da rede tem de intervir para corrigir a diferença, muitas vezes a um custo elevado. Estes custos são conhecidos como preços de desequilíbrio. Como a rede é uma estrutura física de fios e transformadores, os gargalos locais podem fazer com que estes preços oscilem violentamente, por vezes atingindo níveis extremos em questão de minutos. Prever estes preços é notoriamente difícil, pois são impulsionados por uma mistura caótica de meteorologia, produção de energia renovável e os limites físicos das linhas de transmissão. Para qualquer pessoa que compre ou venda eletricidade, saber se estes preços serão altos ou baixos, e se serão positivos ou negativos, é a diferença entre o lucro e a perda.
Uma equipa de investigadores da Universidade Roma Tre e da Universidade de Tabuk decidiu enfrentar este problema utilizando um tipo sofisticado de inteligência artificial chamado Temporal Fusion Transformer. O seu objetivo não era simplesmente adivinhar um único número para o que seria o preço, mas sim construir um sistema que pudesse compreender a incerteza inerente ao mercado energético italiano. Eles alimentaram o modelo de computador com uma vasta gama de informações, incluindo preços históricos, a quantidade de eletricidade que estava a ser usada, quanto poder solar e eólico estava disponível e os preços definidos no mercado do dia anterior. O modelo foi concebido para analisar estes dados e prever o que aconteceria nas próximas doze horas, divididas em intervalos de quinze minutos. Os investigadores estavam particularmente interessados em saber se esta tecnologia avançada conseguiria finalmente decifrar o código do mercado italiano, que é conhecido pela sua volatilidade extrema e picos de preços frequentes e imprevisíveis.
Os resultados do seu trabalho revelaram uma dura verdade sobre a natureza da rede elétrica italiana. Embora o modelo de inteligência artificial tenha tido um desempenho excecional na previsão dos preços padrão do dia anterior, com erros frequentemente inferiores a um euro por unidade de energia, encontrou um obstáculo ao tentar prever os preços finais de desequilíbrio. Nestes momentos voláteis, a taxa de erro do modelo estabilizou em torno de sessenta e dois euros por unidade, um valor apenas ligeiramente melhor do que métodos muito mais simples. Os investigadores descobriram que o modelo não conseguia prever de forma fiável a altura exata dos picos de preços ou o momento preciso em que ocorreriam. De facto, quando o modelo tentava demasiado perseguir estes picos extremos durante o seu treino, tornava-se, na verdade, menos preciso quando testado em novos dados, um fenómeno conhecido como overfitting. O sistema aprendeu essencialmente que o mercado é demasiado caótico para ser previsto com um número único e preciso.
No entanto, o estudo não terminou num fracasso; pelo contrário, levou a uma mudança na forma como os investigadores viam o valor de tal ferramenta. Em vez de agir como uma bola de cristal que fornece um preço único e definitivo, o modelo provou o seu valor ao agir como um gestor de risco. Ele conseguiu prever a direção geral do mercado — se os preços seriam altos ou baixos, ou se o desequilíbrio seria positivo ou negativo — com uma precisão de cerca de sessenta e dois a sessenta e cinco por cento. Mais importante ainda, o modelo forneceu uma gama de resultados possíveis, oferecendo uma banda de confiança que mostrava aos negociantes o risco que estavam a assumir. Conseguia identificar horas em que o mercado estava estável e seguro para negociar, versus horas em que a incerteza era tão alta que a negociação era perigosa.
Os investigadores também utilizaram a mecânica interna do modelo para compreender o que estava a impulsionar o mercado. Ao observar a quais dados a parte de computação prestava atenção, descobriram que o modelo aprendeu a ignorar muitas das variáveis complexas que lhe foram fornecidas, focando-se em vez disso em alguns fatores fundamentais, como o preço na zona norte e a época do ano. Esta transparência transformou a "caixa negra" da inteligência artificial numa ferramenta clara de apoio à decisão. O sistema mostrou que, embora ninguém consiga prever perfeitamente os picos caóticos da rede italiana, os negociantes podem ainda tomar melhores decisões ao compreender a probabilidade de diferentes resultados. O estudo conclui que o verdadeiro poder desta tecnologia não reside em substituir o julgamento humano por uma previsão perfeita, mas sim em fornecer uma estrutura robusta e interpretável que ajuda os participantes do mercado a navegar a incerteza inerente ao sistema energético com maior confiança.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.