Previsão de carga elétrica a curto prazo combinando métodos lineares univariados e variáveis exógenas através de algoritmos genéticos

• Ano de defesa: 2019
• Autor(a) principal: Azevedo, Iago Mansur de
• Orientador(a): Hippert, Henrique Steinherz
• Banca de defesa: Souza, Augusto Carvalho, Manfrini, Francisco Augusto Lima
• 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 Modelagem Computacional
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Séries temporais; Amortecimento exponencial; Algoritmos genéticos; Combinação de previsões; Previsão de cargas; Time series; Exponential smoothing; Genetic algorithms; Combination of forecasts; Short-term load forecasting
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/123456789/10154

As previsões da carga elétrica a curto prazo são cruciais para a operação dos sistemas energéticos, pois permitem otimizar os custos de operação e evitar desperdícios. Além disso, as previsões são necessárias para estabelecer o preço da energia no mercado e para definir os contratos de fornecimento. Neste trabalho, desenvolvemos um sistema baseado na combinação de previsões. Primeiramente, são feitas previsões univariadas por meio de quatro métodos de amortecimento exponencial (extensões do método de Holt-Winters); em seguida, estas previsões são combinadas linearmente entre si, e também com algumas funções não-lineares de variáveis exógenas (especialmente a temperatura), por meio de algoritmos genéticos. Fizemos experimentos com duas implementações diferentes destes algoritmos e testamos o sistema sobre uma base de dados reais, obtidos na cidade do Rio de janeiro - RJ. Os resultados obtidos indicaram que a introdução de variáveis exógenas não melhorou a acurácia das previsões; além disso, que a combinação usando algoritmos genéticos não conseguiu previsões melhores do que as feitas usando um métodos de otimização já bem conhecido (no caso, o método de Nelder-Mead). O que indica que os métodos baseados em inteligência computacional podem não apresentar resultados melhores, em todas as situações, que os dos métodos lineares usuais e que a sua aplicação deve ser bem justificada, em cada problema particular.