Previsão de demanda de curto prazo : uma abordagem serial com redes neurais convolucionais e recorrentes

• Ano de defesa: 2023
• Autor(a) principal: Peñaloza, Ana Karen Apolo
• Orientador(a): Leborgne, Roberto Chouhy
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Energia elétrica : Demanda; Previsão de demanda; Redes neurais
• Palavras-chave em Inglês: CNN; GA; LSTM; STLF; XGboost
• Link de acesso: http://hdl.handle.net/10183/283600

A previsão de demanda de energia elétrica é de extrema importância para garantir a operação adequada dos sistemas de distribuição de energia. No entanto, existem vá- rios desafios nessa previsão devido à natureza aleatória do clima e aos diferentes padrões de consumo dos usuários residenciais. Nos últimos anos, os métodos de aprendizado profunda têm despertado maior interesse nas pesquisas de previsão de demanda, devido à capacidade dessas metodologias lidarem com grandes quantidades de dados. Com o surgimento de grandes conjuntos de dados e a necessidade de otimizar o tempo de processamento, surgiram metodologias combinando métodos de aprendizado de máquina, extração de características e/ou otimização de hiperparâmetros. Este trabalho propõe uma metodologia combinada de aprendizagem profunda, a qual considera, em primeiro lugar, uma rede neural LSTM, que é capaz de aprender os padrões temporais e sazonalidades dos dados históricos de demanda de energia. Em segundo lugar, uma metodologia especializada na extração de caraterísticas XGboost, que é utilizada para extrair as características relevantes dos dados, identificando as variáveis de entrada que têm maior influência na previsão da demanda e a escolha destas variáveis é corroborado com análise de correlação. Em terceiro lugar, utiliza-se uma metodologia especializada em definição dos hiperparâmetros, os quais precisam ser ajustados para obter o melhor desempenho do previsor. Com a metodologia apresentada são realizados estudos de caso com duas bases de dados: IrishCer e Ausgrid. Os testes consideram previsão para demanda individual e agregada. Efetuam-se previsões para grupos de 10, 30, 50 e 100 consumidores. Os resultados alcançados mostram que os grupos de 50 e 100 consumidores o previsor apresenta melhores resultados com erros menores a 3% para ambas bases de dados. Isto devido a menor variância da demanda destes grupos em comparação aos grupos de 10 e 30 consumidores. Pode-se observar que para os conjuntos de 10 e 30 consumidores a previsão da demanda individual obteve erros menores que a previsão da demanda agregada.