Previsão de demanda de energia elétrica residencial utilizando aprendizado profundo

• Ano de defesa: 2023
• Autor(a) principal: Ramos, Paulo Vitor Barbosa
• Orientador(a): Villela, Saulo Moraes
• Banca de defesa: Bernardino, Heder Soares , Morais, Hugo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Previsão de demanda; Energia elétrica; Aprendizado profundo; Seleção de atributos; Demand prediction; Electrical energy; Deep learning; Feature selection
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/18198

Prever a futura demanda de energia elétrica de uma residência possui aplicações em diversas escalas. Partindo da constatação dos indicadores de qualidade do fornecimento de energia, passando pelo gerenciamento do melhor despacho em um sistema interligado, chegando até a fundamentação de investimentos em expansão. Prever a demanda possui um importante papel no desenvolvimento do setor energético. Para tanto, são diversos métodos que auxiliam a inferência desse consumo no mais variado horizonte temporal. Modelos estatísticos, máquinas de vetores suporte e árvores de decisão são algumas maneiras de realizar tal tarefa, porém as redes de aprendizado profundo vêm recebendo um grande destaque pelo baixo erro de inferência obtido, onde múltiplas propriedades vinculadas ao consumo estão presentes. Devido à permissibilidade das redes recorrentes ao problema de previsão de séries temporais, torna-se interessante compará-las à arquitetura Transformers, que além de também trazer aspectos de persistência durante o treinamento, está inserida no estado da arte. Não limitado ao comparativo do comportamento entre modelos, é possível levantar estudos de caso de redução de características e granularidade de tempo, a fim de constatar o impacto que as propriedades e o número de amostras possui no desempenho das arquiteturas estudadas. Muito embora seja possível avaliar desempenho, o comparativo torna-se mais completo com a interpretabilidade dos modelos, constatando o impacto dos atributos e, para o conjunto de teste, a importância média de cada característica utilizada no treinamento do modelo. Baseado em um referencial teórico, o comparativo estudado demonstra um ótimo desempenho na utilização dos modelos recorrentes, Transformers e baseados em camadas convolucionais. Partindo de um intervalo fixo de tempo, os estudos de caso demonstraram que, à medida que o número de amostras diminui com a resolução de tempo analisado, a redução de atributos faz piorar o erro médio quadrático dos modelos, portanto, a seleção traz bons resultados nas granularidades temporais que trazem um maior número de amostras disponíveis para o treinamento do modelo. Melhoras de até 10, 9% são passíveis de serem alcançadas quando o método de fusão tardia por votação, otimizado pela meta-heurística de resfriamento simulado, é utilizado.