Modelo para previsão de demanda de eletricidade com redes neurais artificias integradas a métodos multicritério

• Ano de defesa: 2020
• Autor(a) principal: Deina, Carolina
• Orientador(a): Trojan, Flavio
• Banca de defesa: Trojan, Flavio , Oliveira, Gilson Adamczuk , Oliveira, Joao Fausto Lorenzato de , Lima, José Donizetti de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Pato Branco
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Produção e Sistemas
• País: Brasil
• Palavras-chave em Português: Energia elétrica - Consumo; Variáveis (Matemática); Análise de séries temporais; Modelos lineares (Estatística); Electric power consumption; Variables (Mathematics); Time-series analysis; Linear models (Statistics)
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4921

Para que não haja produção excessiva de eletricidade ou abaixo da demanda, o planejamento e a adoção de políticas eficientes são essenciais. Para isso, torna-se necessário aprimorar as técnicas de previsão de demanda de eletricidade em um país, pois uma produção que não atende à demanda causa racionamentos. Por outro lado, a produção excessiva gera desperdícios e custos elevados. Este trabalho teve por objetivo aprimorar as técnicas do processo de previsão de demanda de eletricidade, por meio de um modelo que integra redes neurais e o método multicritério ELECTRE I. Na literatura, constatou-se que ao incluir variáveis independentes no modelo de previsão, os resultados melhoram sensivelmente, porém ainda há uma carência de modelos eficientes que auxiliem neste processo. Assim, o modelo proposto apresenta cinco etapas distintas: 1) seleção das variáveis de entrada pelo método ELECTRE I, cujo o objetivo foi selecionar apenas as variáveis causais, excluindo as variáveis que podem estar apenas correlacionadas, porém sem influência direta no comportamento da demanda; 2) pré-processamento de dados com identificação do comportamento da demanda, considerando que poderá apresentar sazonalidade, tendência, ciclicidade e termos aleatórios e não estacionaridade; 3) previsão de demanda realizada com base nos modelos linerares de SEHW, AR e ARIMA e três modelos de Redes Neurais Artificiais, MLP, RBF e ELM; 4) pós-processamento de dados com a transformação dos dados nas escalas originais; 5) comparação dos modelos utilizados com base nas medidas de Erro: MSE, MAE e MAPE. Para testar o modelo proposto na metodologia, selecionou-se a série histórica de consumo de energia elétrica do Paraná. As previsões foram realizadas considerando 1, 3 e 6 passos à frente. Além disso, as entradas utilizadas pelos modelos neurais foram selecionadas por meio do método Wrapper. Como resultado, o ELECTRE I selecionou como variáveis explicativas a temperatura e evaporação média. Quando essas foram incluídas nos modelos preditivos constatou-se a melhora dos resultados de todas as RNAs. Além disso, para esse problema as RNAs tiveram desempenho superior comparado aos modelos lineares. Destaca-se as Redes ELM e RBF como os melhores preditores.