Previsão de séries temporais de consumo de energia elétrica com aprendizagem profunda para um sistema IoT

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: SILVA, Davi Guimarães da lattes
Orientador(a): Não Informado pela instituição lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Oeste do Pará
Programa de Pós-Graduação: Programa de Pós-Graduação em Sociedade, Natureza e Desenvolvimento
Departamento: PRÓ-REITORIA DE PESQUISA, PÓS-GRADUAÇÃO E INOVAÇÃO TECNOLÓGICA
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufopa.edu.br/jspui/handle/123456789/1006
Resumo: Consumo de energia e eficiência energética são tópicos que têm atraído a atenção dos pesquisadores nos últimos anos, a fim de buscar soluções científicas e tecnológicas para a produção de energia e redução de custos. Uma das alternativas que têm obtido resultados satisfatórios é o uso de tecnologias baseadas em Internet das Coisas (Internet of Things, IoT) e Aprendizagem Profunda (AP). Com base nisso, propõe-se avaliar o desempenho de Redes Neurais Profundas (RNPs) Long Short-Term Memory (LSTM) e LSTM Bidirecional (BiLSTM) para predição de Séries Temporais (STs) univariadas de consumo de energia elétrica. Para este objetivo foi utilizada a validação cruzada para Séries Temporais (VC-ST). Os resultados indicaram que os modelos LSTM obtiveram uma tendência de melhor desempenho em comparação com os algoritmos Extreme Gradient Boost (XGBoost) e Random Forest (RF) e que por sua vez os modelos BiLSTM obtiveram melhor desempenho que os modelos LSTM, com diferença estatisticamente significativa de acordo com os testes de Friedman (p = 0,0455) considerando quatro datasets. Desse modo, corroboram-se os resultados experimentais comparativos e análises estatísticas que a AP pode ser utilizada para predição obtendo melhores resultados e que apesar de ter um tempo maior de treinamento, a BiLSTM foi estatisticamente superior a LSTM. Por fim, pode-se destacar que uma das principais vantagens da predição é a possibilidade de, a partir da integração da AP com IoT, traçar estratégias eficazes de curto, médio e longo prazo, para promover soluções apropriadas para cada situação