A carregar...
Publicação
Algorithmic procurement for electricity retailers : a decision-oriented benchmarking framework in the iberian market
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.88 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Wholesale electricity procurement is the primary cost lever available to a residential electricity retailer, yet the existing literature evaluates forecasting models in isolation from the procurement decisions they inform. This thesis constructs an integrated end-to-end pipeline for a Portuguese retailer operating within MIBEL (Iberian Electricity Market), jointly optimising day-ahead and intraday market routing and evaluated on annual procurement cost rather than statistical error. Five forecasting architectures, ranging from linear autoregressive benchmarks to histogram gradient boosting and recurrent neural networks, are combined with a binary hourly routing decision across 64 load and 113 price configurations. These are tested on the structurally demanding 2024 MIBEL environment following the June 2024 intraday reform and a neartenfold increase in solar-driven negative price hours. The best algorithmic configuration delivers a procurement saving equivalent to a 14 to 36 percent improvement in net retailer margin, material within an industry of just 2 to 5 percent margins. This improvement reveals a systematic accuracy paradox confirmed across all surplus settlement regimes: the model ranking last on forecast error achieves the highest routing accuracy and lowest procurement cost, a structural feature of the 2024 MIBEL environment rather than an artefact of a specific configuration. Battery storage increases costs at current MIBEL spread conditions, though declining capital costs and rising negative price frequency indicate that viability is approaching. Crucially, this improvement requires no physical asset deployment, no significant capital commitment and scales directly with portfolio size, making algorithmic procurement a structurally accessible competitive advantage for retailers of any size.
A compra de eletricidade no mercado grossista é o principal instrumento de gestão de custos para um comercializador residencial, contudo a literatura avalia modelos de previsão isoladamente das decisões que informam. Esta dissertação constrói um pipeline integrado para um comercializador português no MIBEL (Mercado Ibérico de Eletricidade), optimizando o encaminhamento entre mercados diário e intradiário e avaliado no custo anual de procurement em vez de erro estatístico.Cinco arquitecturas de previsão, desde benchmarks autorregressivos lineares até gradient boosting de histogramas e redes neuronais recorrentes, são combinadas com decisão de encaminhamento horária em 64 configurações de carga e 113 de preço. Estas são testadas no exigente ambiente MIBEL de 2024, após a reforma intradiária de junho de 2024 e aumento quase décuplo de horas com preços negativos solares.A melhor configuração gera poupança equivalente a melhoria de 14 a 36 por cento na margem líquida, significativa numa indústria com margens de 2 a 5 por cento. Esta melhoria revela um paradoxo de precisão confirmado em todos os regimes de liquidação: o modelo com pior desempenho estatístico obtém maior precisão de encaminhamento e menor custo de procurement, característica estrutural do MIBEL de 2024 e não artefacto de configuração específica. O armazenamento por bateria aumenta os custos nas condições actuais, embora a queda dos custos de capital e aumento de preços negativos indiquem que a viabilidade se aproxima. Esta melhoria não requer activos físicos nem capital significativo e escala com a carteira, tornando o procurement algorítmico uma vantagem competitiva acessível a qualquer comercializador.
A compra de eletricidade no mercado grossista é o principal instrumento de gestão de custos para um comercializador residencial, contudo a literatura avalia modelos de previsão isoladamente das decisões que informam. Esta dissertação constrói um pipeline integrado para um comercializador português no MIBEL (Mercado Ibérico de Eletricidade), optimizando o encaminhamento entre mercados diário e intradiário e avaliado no custo anual de procurement em vez de erro estatístico.Cinco arquitecturas de previsão, desde benchmarks autorregressivos lineares até gradient boosting de histogramas e redes neuronais recorrentes, são combinadas com decisão de encaminhamento horária em 64 configurações de carga e 113 de preço. Estas são testadas no exigente ambiente MIBEL de 2024, após a reforma intradiária de junho de 2024 e aumento quase décuplo de horas com preços negativos solares.A melhor configuração gera poupança equivalente a melhoria de 14 a 36 por cento na margem líquida, significativa numa indústria com margens de 2 a 5 por cento. Esta melhoria revela um paradoxo de precisão confirmado em todos os regimes de liquidação: o modelo com pior desempenho estatístico obtém maior precisão de encaminhamento e menor custo de procurement, característica estrutural do MIBEL de 2024 e não artefacto de configuração específica. O armazenamento por bateria aumenta os custos nas condições actuais, embora a queda dos custos de capital e aumento de preços negativos indiquem que a viabilidade se aproxima. Esta melhoria não requer activos físicos nem capital significativo e escala com a carteira, tornando o procurement algorítmico uma vantagem competitiva acessível a qualquer comercializador.
Descrição
Palavras-chave
Electricity procurement Electricity price forecasting MIBEL Machine learning Day-ahead and intraday markets Energy retail Compra de eletricidade Previsão de preços de eletricidade Aprendizagem automática Mercados diário e intradiário Comercialização de eletricidade
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC