PROVAS DE DISSERTAO DO MIEECJULHO 2008
Previso de Preos de Energia Elctrica em
Mercados de Electricidade - Horizonte de 1 Semana
Andr E. Duarte, Joo T. Saraiva (Orientador), Jos M. Fidalgo (Co-orientador)
AbstractEste trabalho cobre duas reas de estudo, sendo a
primeira parte orientada para uma anlise do estado da arte
relativo reestruturao do Sector Elctrico na Europa, bem
como para os obstculos que tm surgido desde que foram dados
os primeiros passos at actualidade. Na segunda parte desta
dissertao, correspondente aos captulos 4 a 7, pretendeu-se
obter conhecimentos alargados sobre metodologias de previso
e sua utilizao prtica quando aplicadas aos preos de energia
elctrica. Numa primeira fase, e de forma breve, sero abordadas
algumas metodologias de previso e, posteriormente, uma anlise
mais profunda incidir sobre as Redes Neuronais Artificiais, nas
quais se ir trabalhar com a finalidade de as testar num exerccio
prtico de previso. O horizonte temporal para o exerccio de
previso a realizar ser de uma semana tendo por base dados
do mercado Espanhol. Por fim, os conhecimentos adquiridos ao
longo do trabalho, que pressupe a interaco entre duas reas
de conhecimento - Mercados de Electricidade e Metodologias de
Previso -, culminaro no captulo 8, referente s concluses,
onde sero sintetizados os resultados do exerccio da previso.
Index TermsReestruturao do Sector Elctrico, Mercados
de Electricidade, Redes Neuronais Artificiais, Previso de Preos
de Energia Elctrica
I. I NTRODUO
O processo de reestruturao do sector elctrico e o aparec-
imento dos mercados de electricidade na maioria dos
pases da Europa Continental comeou durante a dcada de
90. Nesta procura por um ambiente competitivo o preo da
electricidade deixa de ser fixado por mtodos prprios da
regulao tarifria, e passa a ser estabelecido por mecanismos
de mercado. O mercado Spot centralizado, tambm conhecido
por mercado em Pool, o exemplo de uma estrutura para
relacionar a produo e a carga.
Foi nesta perspectiva que surgiu o interesse na realizao
deste trabalho, que consiste na previso de preos da energia
elctrica, resultante do Pool em Espanha. Para realizao dos
exerccios da previso ser utilizada uma metodologia baseada
em Redes Neuronais Artificiais. Neste sentido, ser criada
uma Rede Neuronal Artificial qual sero apresentados um
conjunto de dados histricos (variveis de entrada da rede) que
influenciam o preo da energia elctrica, resultante do Pool.
Perante estes dados, a Rede Neuronal ser treinada e pos-
teriormente fornecer a previso pretendida sob o horizonte
temporal de uma semana. A necessidade de previso a uma se-
mana justifica-se quando utilizada na construo de estratgias
de explorao de grupos trmicos e hdricos, isto , estratgias
de construo das propostas a apresentar ao mercado.
91 361 8497, oandreduarte@gmail.com
Prof. Associado do DEEC, 22 508 1880, jsaraiva@fe.up.pt
Prof. Auxiliar do DEEC, 22 508 1858, jfidalgo@fe.up.pt
1
II. R EESTRUTURAO DO S ECTOR E LCTRICO E
M ERCADOS DE E LECTRICIDADE
A. Reestruturao do Sector Elctrico
Na Europa, o movimento de liberalizao iniciou-se na Gr-
Bretanha, com a publicao do Energy Act de 1983. Apesar
do processo de reestruturao se desenrolar h cerca de duas
dcadas, no se chegou contudo a um consenso universal sobre
o modelo mais adequado para a estrutura do sector. Observam-
se estdios de desenvolvimento diversificados em diversos
pases, sendo os case studies habitualmente reportados, a Gr-
Bretanha, a Escandinvia e a Espanha.
Segundo os relatrios anuais da Comisso Europeia, torna-
se claro que os principais problemas e desafios se centram
nas questes de poder de mercado a nvel nacional e na
insuficincia das interligaes existentes entre os Estados-
Membros.
Na Pennsula Ibrica o movimento integrador entre os
sectores elctricos de Portugal e da Espanha culminou com
a criao do Mercado Ibrico de Electricidade, tambm con-
hecido por MIBEL.
B. Mercados de Electricidade
A experincia recente do que se tem passado na UE, no
contexto dos mercados de electricidade, permite identificar que
a estrutura de mercado se revela determinante na formao dos
preos nesses mercados. A elevada concentrao de activos
de produo resulta numa fraca concorrncia (caso do Reino
Unido e da Espanha numa fase inicial), ao passo que em
mercados menos concentrados, tais como a Alemanha e os
pases nrdicos, visvel uma concorrncia mais intensa.
Qual ser ento a soluo para o mercado de electricidade?
No h uma resposta nica. As especificidades do negcio
elctrico, a histria do sector em cada pas e a necessidade de
relacionamento com mercados vizinhos impem, com certeza,
solues de compromisso.
A electricidade no permite o desenvolvimento dum ver-
dadeiro mercado Spot pois no pode ser armazenada, ao
contrrio do que acontece com outras mercadorias indifer-
enciadas, designadas commodities no vocabulrio ingls.
Nos mercados de electricidade, as transaces so contratadas
previamente antes da entrega fsica - um dia, uma hora ou
mesmo alguns minutos - com base na previso dos consumos.
O ajuste dos desequilbrios (inevitveis) que surgem entre os
valores contratados e os valores registados da produo e do
consumo, so trabalhados por procedimentos que podem ou
no possuir natureza competitiva.
PROVAS DE DISSERTAO DO MIEECJULHO 2008
III. P REVISO ATRAVS DE R EDES N EURONAIS
A RTIFICIAIS - ANN S
A previso de curto prazo permite o planeamento de aces
dirias, ao nvel de despacho econmico e ainda previso de
preos de energia elctrica em ambientes de mercado.
As Redes Neuronais Artificiais (Artificial Neural Net-
works ANNs), como proposta metodolgica aplicada
previso de curto-prazo, tm conhecido desde 1980 um desen-
volvimento considervel, com resultados globais que se podem
considerar satisfatrios.
As ANNs so modelos matemticos baseados no funciona-
mento do crebro humano, e so compostas por elementos
simples que operam em paralelo. Estes elementos so inspi-
rados nos sistemas nervosos biolgicos. A literatura explica
certas caractersticas das ANNs que as tornam particularmente
teis na previso de sries temporais. Ser de referir que
a mais importante reside na capacidade destas aproximarem
praticamente qualquer funo.
A. Funo de Transferncia
As funes de transferncia (ou de activao) so indis-
pensveis nas camadas intermdias, sendo atravs deste tipo
de funes que possvel a introduo de no-lineridades na
rede. Normalmente as funes sigmoidais so preferveis visto
que uma pequena alterao nos pesos produz uma mudana
contnua na sada, o que torna possvel uma avaliao sobre a
sua evoluo. Segundo este critrio foi seleccionada a funo
de transferncia Tan-Sigmoid. Esta funo limita a sada do
neurnio ao intervalo [ 1; 1]. O seu algoritmo dado por:
2 a especulao e at a valorizao ou desvalorizao do dolar
tansig(n) = 1 (1)
1 + e(2n)
B. Aprendizagem por Back-Propagation
Foi escolhida uma funo de treino designada de Trainlm
(baseado no algoritmo Back-Propagation). Esta funo actu-
aliza os pesos das ligaes entre os neurnios de acordo com o
mtodo de optimizao de Levenberg-Marquardt. O Trainlm
um algoritmo de retro-propagao muito eficiente, tipicamente
recomendado em aprendizagem supervisionada.
IV. DADOS U TILIZADOS PARA T REINO E T ESTE DA ANN
A previso aqui abordada ser realizada por meio de uma
ANN treinada a partir de dados disponibilizados pelo operador
do mercado espanhol - OMEL - e ainda por outros dados que
sero descritos a seguir. Estes dados constituem as entradas
e os targets da rede neuronal, e sero separados em dois
conjuntos: conjunto de treino e conjunto de teste.
Os dados do conjunto de treino dizem respeito ao perodo
compreendido entre 1 de Janeiro de 2006 e 31 de Dezembro de
2007, perfazendo assim um perodo de dois anos. No que diz
respeito ao conjunto de teste, os referentes aos dados utilizados
sero os dois primeiros meses do ano de 2008, i.e. Janeiro e
Fevereiro de 2008. Optou-se por usar para teste um perodo
posterior ao de treino por ser esta a condio a verificar em
operao real.
2
As entradas da ANNs so dados dos quais dependero,
supostamente, o preo da energia elctrica, que representa
a srie a prever. Existem variveis claramente influentes no
preo da energia elctrica. No entanto, existem outras em que
a sua dependncia apenas se consegue demonstrar experimen-
talmente.
A. Dia da Semana e Ms do Ano
O dia da semana influencia em grande escala o preo da
energia elctrica resultante de um mercado competitivo visto
que existem consumos prprios em cada dia da semana que se
auto-correlacionam e que se afastam de outros dias da semana.
Meses tipicamente mais secos conduzem ao aumento de
produo por parte das centrais trmicas que, devido sua na-
tureza possuem custos marginais mais elevados, contribuindo
deste modo para o aumento do preo do mercado dirio de
electricidade. Da mesma maneira, nos meses de maior plu-
viosidade, haver uma grande utilizao das centrais hdricas,
de modo que os preos do mercado dirio tendero a baixar.
B. Preo do BRENT e do Gs Natural
Uma parte da produo de energia elctrica provm de
grupos trmicos que utilizam o petrleo, seus derivados e o
gs natural como fonte de produo. O gs natural sobretudo
utilizado em centrais de ciclo combinado. Ser ento de
considerar estas variveis como influncia para o preo da
energia elctrica. O preo destas mercadorias cujo valor
negociado em ambiente bolsista, resulta de vrios factores, tais
como as reservas mundiais de crude, as decisees dos cartis,
americano.
C. Preo da Energia Elctrica em Dias Anteriores
Como se tinha referido anteriormente, devido aos hbitos de
consumo, existem consumos prprios em cada dia da semana
que se auto-correlacionam e que se afastam de outros dias
da semana. Assim, o consumo num dia d ser tipicamente
semelhante ao consumo do mesmo dia da semana anterior, ou
d 7.
Conforme se pode verificar na Tabela 1, o coeficiente de
auto-correlao para o dia d 1 o mais elevado, mas visto
que a nossa previso tem o horizonte temporal de uma semana,
naturalmente no ser possvel utiliz-lo.
No entanto os coeficientes de auto-correlao linear tambm
tomam valores elevados para os atrasos de 7 e 14 dias, o
que significa que o preo da energia elctrica em cada hora
est fortemente correlacionado com o preo praticado no dia
anterior e no mesmo dia em semanas anteriores.
Realizaram-se algumas experincias inclundo estas vari-
veis na entrada da ANN. Destas experincias concluiu-se que a
utilizao dos preos praticados 7 dias antes do dia da previso
benfica para a previso do preo da energia elctrica. No
entanto, o preo praticado 14 dias antes da previso no
apresenta qualquer melhoria no resultado da previso, pelo
que foi rejeitado como entrada da ANN.
PROVAS DE DISSERTAO DO MIEECJULHO 2008 3

Tabela I
C OEFICIENTES DE AUTO - CORRELAO PARA OS DIFERENTES C. Feriados
CENRIOS CALCULADOS . Os feriados so considerados eventos atpicos nas sries de
preos de energia elctrica. Apesar da sua taxa de ocorrncia
07h 12h 21h 07h 12h 21h ser relativamente baixa, em relao a dias regulares, os efeitos
d1 0.847 0.709 0.860 d9 0.659 0.517 0.750
d2 0.758 0.606 0.814 d 10 0.636 0.488 0.736
negativos que provocam na performance so substanciais.
d3 0.731 0.568 0.790 d 11 0.634 0.462 0.730 Numa primeira etapa, tendo por base o calendrio de
d4 0.713 0.551 0.785 d 12 0.653 0.476 0.736 feriados1 do ano de 2006 e 2007, foi feita uma comparao
0.719 0.570 0.782 0.694 0.542 0.739
d5 d 13
(no conjunto de treino) entre todos os dias feriados e os dias
d6 0.740 0.614 0.786 d 14 0.726 0.643 0.757
d7 0.779 0.753 0.817 d 15 0.672 0.473 0.710 que lhes precedem e sucedem. Assim, considerando um dia
d8 0.713 0.578 0.777 feriado df , comparou-se o valor mdio dirio do preo da
energia elctrica entre o dia df 1 , df e df +1 .
Esta anlise revelou que o valor mdio dirio do preo
V. P REVISO DE P REOS DE E NERGIA E LCTRICA NO da energia elctrica nos dias feriados aproximadamente 9%
M ERCADO E LCTRICO E SPANHOL inferior sua vizinhana.
Atendendo que o nosso conjunto de teste se refere ao
Ao longo de todo o processo de experimentao, foram perodo compreendido entre 1 de Janeiro de 2008 e 29 de
treinadas vrias configuraes de ANNs, em busca daquela Fevereiro de 2008, os feriados existentes neste intervalo sero
que ofereceria um melhor desempenho. O indicador de perfor- respectivamente, o dia 1 de Janeiro de 2008 e o dia 6 de Janeiro
mance utilizado no treino foi o MSE - erro mdio quadrtico. de 2008. De modo a estudar o comportamento especfico
A escolha do nmero de neurnios da camada escondida desses dois casos, fez-se uma anlise mais aprofundada dos
foi decisiva para a seleco da melhor configurao. Ficou mesmos. Tomou-se o princpio de comparao com os dias
demonstrado que a ANN apresentava o melhor desempenho vizinhos utilizado anteriormente mas, desta vez estendeu-se
como 3 neurnios na camada escondida. essa anlise para todos os perodos horrios.
Ser o momento para analisar a sua capacidade em acom- possvel ver, atravs das Figura 1, a contribuio positiva
panhar diferentes evolues tpicas dos preos da energia que o tratamento individual dos feriados provoca na previso.
elctrica ao longo do dia e para diferentes dias da semana. certamente um processo mais demorado que a incluso de
uma varivel que identifique a existncia de um feriado. Po-
rm, no caso do presente trabalho revelou-se mais satisfatria.
A. Dias teis
1-Jan-2008
Observando a evoluo do preo da energia elctrica ao
longo do dia, possvel notar um padro que explicado 12

pelo diagrama de carga tpico de dias teis. A influncia do 10

comrcio e da indstria determinante nestes dias. 8

Previso tratada
c!/kWh

No perodo da madrugada (vazio ou cava do diagrama de 6 Valores reais

Previso
carga), o preo permanece baixo, atingindo o valor mnimo 4

por volta das 5h da manh. A partir desse ponto, o preo 2

comea a subir at atingir uma ponta por volta das 11h da 0

manh. A ponta mxima atingida entre as 20h e as 21h. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
Nesta fase, o consumo domstico seguramente influente pois
esse perodo representa o seu mximo. Como era desejvel, a
Figura 1. Efeito do tratamento de feriados para o dia 1 de Janeiro
ANN consegue interpretar esse padro com sucesso. de 2008.

B. Dias de Fim-de-Semana VI. C ONCLUSO

No que diz respeito aos fins-de-semana, nota-se uma varia-
o completamente diferente do preo ao longo do dia, o que
seria de esperar, visto que o consumo totalmente diferente
nestes dias.
No incio da madrugada, 1h e 2h da manh nota-se um
ligeiro aumento do preo em relao aos dias teis, facto que
a ANN interpreta com sucesso. Aps essa altura, d-se uma
ponta mais tardia por volta das 12h, que substancialmente
inferior ao que acontece nos dias teis. A ponta mxima dos
dias de fim-de-semana atingida por volta das 21h, o que se
reflecte mais uma vez no preo da energia elctrica. Mais uma
vez, a satisfao grande com o desempenho da ANN para
os dias de fim-de-semana.
Aps vrias experincias, encontrou-se a arquitectura que
melhor desempenho revelou no proposto exerccio de previso.
Ao longo do processo de seleco foi possvel concluir que
a escolha do nmero de neurnios da camada escondida se
revelou decisivo. Ao utilizar um nmero elevado de neurnios
da camada escondida sentiu-se uma insatisfao geral nos
resultados, o que resultou do facto da rede ter sido exposta
ao fenmeno de sobre-adaptao. Esse nmero foi reduzido
sucessivamente at ser encontrado aquele que melhor desem-
penho provocava na ANN.
1 Note-se que apenas foram considerados os feriados nacionais de Espanha,
sendo desprezados os feriados regionais, considerando que estes no reflectem
o comportamento de um todo mas simplesmente de uma regio ou cidade.
PROVAS DE DISSERTAO DO MIEECJULHO 2008
As variveis escolhidas passaram por testes que conduziram
que seria a melhor arquitectura. O tratamento de feriados
adoptado, apesar de trabalhoso, mostrou-se eficaz para o
conjunto testado.
O valor de MAPE - Mean Absolute Percentual Error -
(indicador de desempenho muito utilizado em previso) fixou-
se em 12.62% para dias teis e 10.73% para feriados e fins-de-
semana (com o tratamento de feriados aplicado). Estes valores
foram comparados com um estudo muito semelhante referente
ao mesmo mercado, provando-se a obteno de resultados
satisfatrios, tendo em conta a diferena de horizonte temporal
entre os dois estudos.
Os resultados obtidos demonstraram que este estudo pode
ter interesse para os agentes do mercado em causa, uma vez
que se obtiveram previses bastante realistas.
R EFERENCES
[1] BATLLE , C., S OLE , C., AND R IVIER , M. A new
security of supply mechanism for the iberian market. The
Electricity Journal 21, 2 (2008), 6373.
[2] B UNN , D. W. Forecasting loads and prices in competitive
power markets. Proceedings of the IEEE 88, 2 (February
2000), Pages 163169.
[3] C APGEMINI C ONSULTING. European Energy Markets
Observatory (November 2007), vol. 9.
[4] CEER AND ERGEG. The European Energy Regulator
annual Repport (2007).
[5] CEER AND ERGEG. The European Energy Regulator
Work Programme (2008).
[6] CEER AND ERGEG. Joint Conference by the European
Commission and ERGEG. The Regional Initiatives. Eu-
ropes key to energy market integration. (February 2008).
[7] C HEN , Y., YANG , B., D ONG , J., AND A BRAHAM , A.
Time-series forecasting using flexible neural tree model.
Elsevier, doi: 10.1016/j.ins.2004.10.005 (October 2004).
[8] CNE E ERSE. Modelo de Organizao do Mercado
Ibrico de Electricidade (2002).
[9] CNE, ERSE, CMVM E CNMV. Relatrio Mensal
MIBEL (Julho 2007).
[10] C OMISSO E UROPEIA. Directiva 2003/54/CE (2003).
[11] C OMISSO E UROPEIA. Relatrio sobre os progressos
realizados na criao do mercado interno do gs e da
electricidade (Novembro 2005).
[12] C OMISSO E UROPEIA. Directiva do Parlamento Eu-
ropeu e do Conselho que altera a Directiva 2003/54/CE
que estabelece regras comuns para o mercado interno
da electricidade (2007).
[13] C OMISSO E UROPEIA. Press Release do terceiro pacote
de propostas legislativas da Energia (2007).
[14] C OMISSO E UROPEIA. Terceiro Pacote Legislativo da
Energia (Julho 2007).
[15] C ONSELHO E UROPEU DE L ISBOA. Mercado Interno da
Energia: Regras Comuns para o Mercado Interno de
Electricidade (2003).
[16] C ONSENTEC C ONSULTING. Towards a common co-
ordinated regional congestion management method in
Europe (October 2007).
4
[17] C ORTEZ , P., ROCHA , M., AND N EVES , J. Evolving time
series forecasting neural network models. Invited Paper
(2001).
[18] DA C OSTA S ANTOS , P. J. Previso de cargas em
horizonte de curto-prazo aplicada a subestaes de
distribuio. PhD thesis, Universidade de Coimbra,
Faculdade de Cincias e Tecnologia, Departamento de
Engenharia Electrotcnica e de Computadores, Dezem-
bro 2005.
[19] DA S ILVA , P. P. O Sector da Energia Elctrica na Unio
Europeia; Evoluo e Perspectivas. PhD thesis, FEUC,
2007.
[20] D IRIO DA R EPBLICA. Decreto-Lei 29/2006 de 15 de
Fevereiro (2006), vol. 1.
[21] D OMINGUEZ , E. F., AND B ERNAT, J. X. Restructuring
and generation of electrical energy in the iberian penin-
sula. Energy Policy 35, 10 (2007), 51175129.
[22] EGL N ETWORKIG E NERGIES. The EGL Annual Report
(2007).
[23] ERGEG. The Regional Initiatives Annual Report (Febru-
ary 2008).
[24] ERSE. Ter ou No ter Mercado (2001).
[25] ERSE. Despacho n. 06/2008 (Abril 2008).
[26] EURELECTRIC. Recommendations on unbundling
(June 2005).
[27] E UROPEAN C OMISSION. Comparison of Market Open-
ing developments in the Energy and Transport Sectors
(2003), no. 92-894-7889-6, Office for Official Publica-
tions of The European Comission.
[28] E UROPEAN C OMISSION. Quarterly Review of European
Electricity and Gas Prices (September 2006), vol. 8.
[29] E UROPEAN I NVESTMENT BANK. An Efficient, sustain-
able and secure supply of energy for Europe (2007),
vol. 12.
[30] E UROPEAN I NVESTMENT BANK. EU energy policy and
the EIB (2007).
[31] EUROSTAT. Competition Indicators in the Electricity
Markets (2001).
[32] FABRA , N., AND T ORO , J. Price wars and collusion in
the spanish electricity market. International Journal of
Industrial Organization 23, 3-4 (2005), 155181.
[33] F ERRARI , A., AND G IULIETTI , M. Competition in
electricity markets: International experience and the case
of italy.
[34] F ERREIRA , P., A RAUJO , M., AND OK ELLY, M. E. J.
An overview of the portuguese electricity market. Energy
Policy 35, 3 (2007), 19671977.
[35] F IDALGO , J., AND M ATOS , M. A. Forecasting portugal
global load with artificial neural networks. Lecture Notes
in Computer Science Volume 4669/2007, ISBN 978-3-
540-74695-9 (2007), Pages 728737.
[36] G AO , C., B OMPARD , E., NAPOLI , R., AND C HENG , H.
Price forecast in the competitive electricity market by
support vector machine. Physica A: Statistical Mechanics
and its Applications 382, 1 (2007), 98113.
[37] G OERTEN , J., AND C LEMENT, E. Electricity prices for
eu households and industrial consumers. EUROSTAT
(January 2007).
PROVAS DE DISSERTAO DO MIEECJULHO 2008
[38] G OERTEN , J., AND C LEMENT, E. European electricity
market indicators of the liberalisation process. EURO-
STAT (2007).
[39] G OMES , M. H. Novos mecanismos de mercado de
energia elctrica e de servios auxiliares em sistemas
elctricos. Ms.c. thesis, FEUP, Janeiro 2007.
[40] G OUDRIAAN , J. W. Public service in the energy sec-
tor. In IEA Regulatory Forum. Competition in Energy
Markets: Implications for Public Services and Security
of Supply goals in the Electricity and Gas Industries
(February 2002), IEA, Ed.
[41] H AAS , R., G LACHANT, J.-M., AUER , H., K ESERIC , N.,
AND P EREZ , Y. Competition in the continental european
electricity market: Despair or work in progress?
[42] H EITOR , H., AND C ORREIA , N. Anlise numrica dos
resultados do mercado portugus nos meses de julho,
agosto e setembro de 2007. Masters thesis, FEUP, Dec
2007.
[43] H OUSE OF C OMMONS , C OMMITTEE OF P UBLIC AC -
COUNTS. The new electricity trading arrangements in
England and Wales (2003).
[44] IEA. Competition in Electricity Markets (2001).
[45] IEA. World Energy Outlooks (2001).
[46] IEA. World Energy Outlooks (2006).
[47] I ZIQUIERDO , L., C ABAL , H., S AZ , R., AND C ALDS ,
N. Comprehensive analysis of future european demand
and generation of european electricity and its security of
supply.
[48] L IANG , F. Bayeasian neural networks for nonlinear time
series forecasting. Statistics and Computing Volume 15,
0960-3174 (May 2005), Pages 1329.
[49] M ATOS , E., AND G ILVAZ , V. Previso de preos de en-
ergia elctrica em mercados de electricidade, utilizando
redes neuronais. Masters thesis, FEUP, July 2003.
[50] M C K INSEY AND C OMPANY. Bringing best practice to
Markets (2007), vol. 4.
[51] M IRANDA , V. Redes neuronais - treino por retropopa-
gao. FEUP (2007).
[52] M UNNS , D. Modeling new approaches for electric
energy efficiency. The Electricity Journal 21, 2 (2008),
2026.
[53] OMEL. Relatorio Anual del Operador del Mercado de
Electicidad (2002).
[54] OMEL. Modelo de Sistema Elctrico con Gstion
Tcnico-Econmica Separada: Operador del Mercado y
Operador del Sistema (2005).
[55] PAIVA , J. S. Redes de Energia Elctrica, vol. 6. IST,
2006.
[56] P EDREGAL , D. J., AND T RAPERO , J. R. Electricity
prices forecasting by automatic dynamic harmonic re-
gression models. Energy Conversion and Management
48, 5 (2007), 17101719.
[57] P INO , R., PARRENO , J., G OMEZ , A., AND P RIORE , P.
Forecasting next-day price of electricity in the spanish
energy market using artificial neural networks. Engineer-
ing Applications of Artificial Intelligence 21, 1 (2008),
5362.
[58] R AST, M. Forecasting financial time series with fuzzy
5
neural networks. IEEE Internacional Conference on In-
telligent Processing Systems, ISBN 0-7803-4253-4 (Oc-
tober 1997), Pages 432434.
[59] REE. El Sistema Elctrico Espaol: Avance del Informe
2007 (2007).
[60] REN. Plano de Desenvolvimento e Investimento da Rede
de Transporte 2009-20014 (Julho 2008).
[61] S ANTANA , J. A concorrncia no sector elctrico. ERSE
(2006).
[62] S IOSHANSI , F. P. Competitive electricity markets: Ques-
tions remain about design, implementation, performance.
The Electricity Journal 21, 2 (2008), 7487.
[63] T ENTI , P. Forecasting foreign exchange rates using
recurrent neural networks. Applied Artificial Intelligence,
10:567-581 (1996), Pages 567581.
[64] T OM S ARAIVA , J., P EREIRA DA S ILVA , J., AND
P ONCE DE L EO , M. T. Mercados de Electricidade -
Regulao e Tarifao de Uso das Redes, 1 ed. No. De-
psito legal n. 183933/02 in ISBN . 972-752-053-7.
FEUP edies, 2002.
[65] VASCONCELOS , J. Enquadramento, estrutura e estratgia
do sector elctrico na pennsula ibrica. In Sesso
II: Enquadramento Legal e Estrutura da Energia na
Pennsula Ibrica (1999), ERSE.
[66] VASCONCELOS , J. Limites concentrao dos merca-
dos. In Seminrio da Associao Portuguesa de Energia
"Evoluo do Mercado Interno de Energia (Novembro
2005).
[67] VASCONCELOS , J. Mibel, o paradigma perdido. ERSE
(2006).
[68] VOORSPOOLS , K. R., AND D HAESELEER , W. D. Mod-
elling of electricity generation of large interconnected
power systems: How can a co2 tax influence the european
generation mix. Energy Conversion and Management 47,
11-12 (2006), 13381358.
[69] YAN , X.-B., WANG , Z., Y U , S.-H., AND L I , Y.-J.
Times series forecasting with rbf neural networks. Pro-
ceedings of fourth Internatcional Conference on Machine
Learning and Cybernetics, 0-7803-9091-1/05 (August
2005), Pages 46804683.
[70] Z HOU , E. Evolutionary Intelligent Systems dor Pattern
Classification and Price Based Electric Load Forecasting
Applications. PhD thesis, Faculty of the School of
Engineering and Applied Science Southern Methodist
University, May 2007.