Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Ferreira, Andréia Brasil Alves [UNESP]
Orientador(a): Leite, Jonatas Boas [UNESP]
Banca de defesa: Não Informado pela instituição
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