Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Palavras-chave em Inglês: | |
| Link de acesso: | https://hdl.handle.net/11449/257623 |
Resumo: | A previsão da demanda energética é essencial para a eficiência e estabilidade dos sistemas elétricos de potência. Tradicionalmente, as metodologias de previsão analisam as séries temporais de forma isolada, sem considerar o contexto global do sistema e as possíveis interações entre séries semelhantes. Este estudo examina a complexidade da demanda elétrica, sublinhando a importância das interdependências dinâmicas e das correlações presentes nas séries temporais do setor energético. Utilizando o Temporal Fusion Transformer (TFT), uma técnica avançada de aprendizado de máquina desenvolvida para lidar com dados periódicos complexos, a metodologia proposta investiga como a integração de diferentes sequências temporais de consumo influencia a precisão das previsões. Experimentos realizados com dados históricos de duas bases de dados distintas visaram obter projeções de demanda com um horizonte preditivo de 24 horas. Os resultados indicam que a abordagem múltipla resulta em uma melhoria significativa na precisão das previsões, evidenciando que, no contexto dos sistemas elétricos, a amplitude e a variedade das séries temporais utilizadas são fundamentais para alcançar previsões mais precisas e confiáveis. |
| id |
UNSP_b7917b5c0d2c54ee676c95c3bfb71a8b |
|---|---|
| oai_identifier_str |
oai:repositorio.unesp.br:11449/257623 |
| network_acronym_str |
UNSP |
| network_name_str |
Repositório Institucional da UNESP |
| repository_id_str |
|
| spelling |
Ferreira, Andréia Brasil Alves [UNESP]Universidade Estadual Paulista (Unesp)Leite, Jonatas Boas [UNESP]2024-10-02T20:33:14Z2024-10-02T20:33:14Z2024-09-04FERREIRA, Andréia Brasil Alves. Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer. 2024. 188 f. Tese (Doutorado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2024.https://hdl.handle.net/11449/25762333004099080P0A previsão da demanda energética é essencial para a eficiência e estabilidade dos sistemas elétricos de potência. Tradicionalmente, as metodologias de previsão analisam as séries temporais de forma isolada, sem considerar o contexto global do sistema e as possíveis interações entre séries semelhantes. Este estudo examina a complexidade da demanda elétrica, sublinhando a importância das interdependências dinâmicas e das correlações presentes nas séries temporais do setor energético. Utilizando o Temporal Fusion Transformer (TFT), uma técnica avançada de aprendizado de máquina desenvolvida para lidar com dados periódicos complexos, a metodologia proposta investiga como a integração de diferentes sequências temporais de consumo influencia a precisão das previsões. Experimentos realizados com dados históricos de duas bases de dados distintas visaram obter projeções de demanda com um horizonte preditivo de 24 horas. Os resultados indicam que a abordagem múltipla resulta em uma melhoria significativa na precisão das previsões, evidenciando que, no contexto dos sistemas elétricos, a amplitude e a variedade das séries temporais utilizadas são fundamentais para alcançar previsões mais precisas e confiáveis.Energy demand forecasting is essential for the efficiency and stability of electrical power systems. Traditionally, forecasting methodologies analyze time series in isolation, without considering the overall context of the system and the possible interactions between similar series. This study examines the complexity of electricity demand, highlighting the importance of the dynamic interdependencies and correlations present in the energy sector's time series. Using the Temporal Fusion Transformer (TFT), an advanced machine learning technique developed to deal with complex periodic data, the proposed methodology investigates how the integration of different consumption time sequences influences forecast accuracy. Experiments carried out with historical data from two different databases aimed to obtain demand projections with a predictive horizon of 24 hours. The results indicate that the multiple approach results in a significant improvement in forecast accuracy, showing that, in the context of electricity systems, the breadth and variety of the time series used are fundamental to achieving more accurate and reliable forecasts.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)porUniversidade Estadual Paulista (Unesp)Inteligência ArtificialAprendizado ProfundoMecanismos de AtençãoAnálise de Séries TemporaisPrevisão de DemandaTransformersArtificial intelligenceDeep learningAttention mechanismsTime series analysisDemand forecastingPrevisão múltipla em séries temporais de energia elétrica com Temporal Fusion TransformerMultiple forecasting in electric energy time series with Temporal Fusion Transformerinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPEngenharia Elétrica - FEISAutomaçãoNão constaUniversidade Estadual Paulista (UNESP), Faculdade de Engenharia, Ilha Solteira18 meses após a data da defesaBanca públicaPublication85b724f4-c5d4-4984-9caf-8f0f0d076a19virtual::177208-185b724f4-c5d4-4984-9caf-8f0f0d076a19virtual::177208-1909f8040-719f-42cf-a550-e298b801fcebvirtual::189040-1909f8040-719f-42cf-a550-e298b801fcebvirtual::189040-1ORIGINALferreira_aba_dr_ilha_int.pdfTese_Andréia_Brasil_DEE_FEIS_UNESP.pdfapplication/pdf16409369https://repositorio.unesp.br/bitstreams/8ff31011-cae7-4008-8a11-a0213d254a18/downloadf4d6417e3e040c4595225184e194e753MD52trueAnonymousREADferreira_aba_dr_ilha_par.pdfferreira_aba_dr_ilha_par.pdfapplication/pdf2554440https://repositorio.unesp.br/bitstreams/df6cde06-5e0b-4162-81fa-93244fb9ad13/downloadedacdd4533c42fbd49d727faa04996f4MD54falseAnonymousREADLICENSElicense.txtWritten by org.dspace.content.LicenseUtilstext/plain; charset=utf-82192https://repositorio.unesp.br/bitstreams/3141f0a4-d06e-49f5-8094-274e4c4eecb3/download9a2966d4a2cfb71a0b846f3fe5f2c26cMD53falseAnonymousREADTEXTferreira_aba_dr_ilha_int.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2024-10-02T21:23:15Z (GMT).Extracted texttext/plain103025https://repositorio.unesp.br/bitstreams/4e6d9d05-5fc7-4baf-a530-f83102659100/download181bd0eade0aee1811dcfad125085b22MD55falseAnonymousREADferreira_aba_dr_ilha_par.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2024-10-02T21:23:17Z (GMT).Extracted texttext/plain83254https://repositorio.unesp.br/bitstreams/5b9438e8-f6fc-4e98-8ca2-40b199ccfeec/download99acb2693b944e65be04bd760c4714aeMD57falseAnonymousREADTHUMBNAILferreira_aba_dr_ilha_int.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.PDFBoxThumbnail on 2024-10-02T21:23:16Z (GMT).Generated Thumbnailimage/jpeg3233https://repositorio.unesp.br/bitstreams/21a6ef4e-c6e4-4de6-830b-7e269c477a3d/download8550b2fde3bb63767a88e4813e28af28MD56falseAnonymousREADferreira_aba_dr_ilha_par.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.PDFBoxThumbnail on 2024-10-02T21:23:17Z (GMT).Generated Thumbnailimage/jpeg2787https://repositorio.unesp.br/bitstreams/15289fbe-5044-4c5a-b86c-93e990743d76/download74d9106d9e0aa2509db638edccbe522bMD58falseAnonymousREAD11449/2576232026-01-26T12:55:11.885059Zopen.accessoai:repositorio.unesp.br:11449/257623https://repositorio.unesp.brRepositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462026-01-26T12:55:11Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)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 |
| dc.title.pt.fl_str_mv |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer |
| dc.title.alternative.en.fl_str_mv |
Multiple forecasting in electric energy time series with Temporal Fusion Transformer |
| title |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer |
| spellingShingle |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer Ferreira, Andréia Brasil Alves [UNESP] Inteligência Artificial Aprendizado Profundo Mecanismos de Atenção Análise de Séries Temporais Previsão de Demanda Transformers Artificial intelligence Deep learning Attention mechanisms Time series analysis Demand forecasting |
| title_short |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer |
| title_full |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer |
| title_fullStr |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer |
| title_full_unstemmed |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer |
| title_sort |
Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer |
| author |
Ferreira, Andréia Brasil Alves [UNESP] |
| author_facet |
Ferreira, Andréia Brasil Alves [UNESP] |
| author_role |
author |
| dc.contributor.institution.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| dc.contributor.author.fl_str_mv |
Ferreira, Andréia Brasil Alves [UNESP] |
| dc.contributor.advisor1.fl_str_mv |
Leite, Jonatas Boas [UNESP] |
| contributor_str_mv |
Leite, Jonatas Boas [UNESP] |
| dc.subject.por.fl_str_mv |
Inteligência Artificial Aprendizado Profundo Mecanismos de Atenção Análise de Séries Temporais Previsão de Demanda |
| topic |
Inteligência Artificial Aprendizado Profundo Mecanismos de Atenção Análise de Séries Temporais Previsão de Demanda Transformers Artificial intelligence Deep learning Attention mechanisms Time series analysis Demand forecasting |
| dc.subject.eng.fl_str_mv |
Transformers Artificial intelligence Deep learning Attention mechanisms Time series analysis Demand forecasting |
| description |
A previsão da demanda energética é essencial para a eficiência e estabilidade dos sistemas elétricos de potência. Tradicionalmente, as metodologias de previsão analisam as séries temporais de forma isolada, sem considerar o contexto global do sistema e as possíveis interações entre séries semelhantes. Este estudo examina a complexidade da demanda elétrica, sublinhando a importância das interdependências dinâmicas e das correlações presentes nas séries temporais do setor energético. Utilizando o Temporal Fusion Transformer (TFT), uma técnica avançada de aprendizado de máquina desenvolvida para lidar com dados periódicos complexos, a metodologia proposta investiga como a integração de diferentes sequências temporais de consumo influencia a precisão das previsões. Experimentos realizados com dados históricos de duas bases de dados distintas visaram obter projeções de demanda com um horizonte preditivo de 24 horas. Os resultados indicam que a abordagem múltipla resulta em uma melhoria significativa na precisão das previsões, evidenciando que, no contexto dos sistemas elétricos, a amplitude e a variedade das séries temporais utilizadas são fundamentais para alcançar previsões mais precisas e confiáveis. |
| publishDate |
2024 |
| dc.date.accessioned.fl_str_mv |
2024-10-02T20:33:14Z |
| dc.date.available.fl_str_mv |
2024-10-02T20:33:14Z |
| dc.date.issued.fl_str_mv |
2024-09-04 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.citation.fl_str_mv |
FERREIRA, Andréia Brasil Alves. Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer. 2024. 188 f. Tese (Doutorado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2024. |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/11449/257623 |
| dc.identifier.capes.none.fl_str_mv |
33004099080P0 |
| identifier_str_mv |
FERREIRA, Andréia Brasil Alves. Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer. 2024. 188 f. Tese (Doutorado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2024. 33004099080P0 |
| url |
https://hdl.handle.net/11449/257623 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
| instname_str |
Universidade Estadual Paulista (UNESP) |
| instacron_str |
UNESP |
| institution |
UNESP |
| reponame_str |
Repositório Institucional da UNESP |
| collection |
Repositório Institucional da UNESP |
| bitstream.url.fl_str_mv |
https://repositorio.unesp.br/bitstreams/8ff31011-cae7-4008-8a11-a0213d254a18/download https://repositorio.unesp.br/bitstreams/df6cde06-5e0b-4162-81fa-93244fb9ad13/download https://repositorio.unesp.br/bitstreams/3141f0a4-d06e-49f5-8094-274e4c4eecb3/download https://repositorio.unesp.br/bitstreams/4e6d9d05-5fc7-4baf-a530-f83102659100/download https://repositorio.unesp.br/bitstreams/5b9438e8-f6fc-4e98-8ca2-40b199ccfeec/download https://repositorio.unesp.br/bitstreams/21a6ef4e-c6e4-4de6-830b-7e269c477a3d/download https://repositorio.unesp.br/bitstreams/15289fbe-5044-4c5a-b86c-93e990743d76/download |
| bitstream.checksum.fl_str_mv |
f4d6417e3e040c4595225184e194e753 edacdd4533c42fbd49d727faa04996f4 9a2966d4a2cfb71a0b846f3fe5f2c26c 181bd0eade0aee1811dcfad125085b22 99acb2693b944e65be04bd760c4714ae 8550b2fde3bb63767a88e4813e28af28 74d9106d9e0aa2509db638edccbe522b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
| repository.mail.fl_str_mv |
repositoriounesp@unesp.br |
| _version_ |
1878344215525588992 |