Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
| Ano de defesa: | 2022 |
|---|---|
| Autor(a) principal: | |
| Outros Autores: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Federal do Amazonas
Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://tede.ufam.edu.br/handle/tede/9279 |
Resumo: | A predição da demanda de energia em cenários adversos, como a pandemia da COVID-19, é fundamental para assegurar o fornecimento de eletricidade e o funcionamento de serviços básicos de uma região metropolitana. Um outro fator importante é a autossustentabilidade do sistema energético, frente a índices históricos de emissão de CO2 ocasionado pelo alto consumo de energia. Na literatura, é possível observar uma tendência na utilização de inteligência artificial para predizer demanda de energia e mitigar esses efeitos. Contudo, foram desenvolvidos poucos trabalhos envolvendo cenários anômalos. Nessa dissertação, é proposto um modelo de aprendizado profundo para predizer a demanda para o próximo dia, utilizando a base de dados da competição “IEEE DataPort Competition Day-Ahead Electricity Demand Forecasting: Post-COVID Paradigm”. Três arquiteturas de redes neurais profundas são propostas, sendo uma rede convolucional, uma rede recorrente e uma rede híbrida (convolucional-recorrente). O melhor modelo apresentado é caracterizado pela extração de características espaço-temporais dos dados de entrada, por meio da rede híbrida. É realizado uma análise preliminar dos dados de entrada, com a exclusão de variáveis anômalas e a aplicação de uma janela deslizante, com intervalo de 24 horas, que define a quantidade de horas necessárias para predizer a demanda da próxima hora. Também foi implementada a normalização dos dados de entrada, com uma ponderação com fator de 10 para a variável demanda. O desempenho dos modelos propostos foi comparado com os modelos desenvolvidos na competição, por meio de uma análise benchmark. A arquitetura híbrida proposta neste trabalho apresentou um erro absoluto médio de 2361,84 kW (78,22% inferior ao modelo de melhor desempenho da competição) e uma similaridade da curva de demanda real e a curva de demanda predita também superior aos referidos modelos. Tais fatos evidenciam a eficiência da aplicação de redes profundas, frente aos métodos clássicos aplicados por outros autores. |