Desenvolvimento de modelos de redes neurais recorrentes para previsão de demanda de energia elétrica

• Autor(a) principal: Mansur, Marcos Bonfim
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/27481
• topic: Previsão de carga; Aprendizado de Máquina; Redes neurais recorrentes; Séries temporais; Energia elétrica; Previsão de demanda; Rede neural; Load forecasting; Machine Learning; Recurrent neural networks; Time series

Previsões de demanda de energia elétrica em sistemas de potência são insumos indispensáveis para o planejamento da operação de tais sistemas e são exigidas pelo Operador Nacional do Sistema Elétrico (ONS) aos agentes do setor. São utilizadas para operações de curto e médio prazo na programação da geração de energia, manutenção de equipamentos, comissionamento de usinas e gerenciamento de compra e alocação de combustível. Nesse cenário, algoritmos de aprendizado de máquina como redes neurais se tornam um valioso instrumento para realizar tal tarefa devido às características não lineares desses algoritmos, que os tornam capazes de lidar com a não linearidade do problema em questão. A partir disso, este trabalho se propõe a desenvolver um modelo de rede neural recorrente que realiza previsões de demanda (carga) média semanal para as próximas 5 semanas operativas, tal qual como o ONS exige dos agentes. Para tal, desenvolve-se dois modelos, um que realiza previsão direta das 5 semanas seguintes e outro auto regressivo, que prevê uma semana por vez e utiliza a saída da rede como realimentação da entrada para a previsão seguinte. Então, compara-se a performance dos dois modelos desenvolvidos de maneira a elencar o melhor para a tarefa que se propõe a realizar. O código foi escrito na linguagem de programação Python utilizando os pacotes scikit-learn, numpy e pandas para manipulação dos dados, tensorflow para a implementação da rede neural e DVC para estruturação da pipeline de dados e tracking de experimento. Os dados utilizados foram a série histórica de carga média diária em MW médio divulgada publicamente pelo ONS.