Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia

Detalhes bibliográficos
Autor(a) principal: Coimbra, Tainá de Souza, 1996-
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/17221
Resumo: Orientadores: Romis Ribeiro de Faissol Attux, Levy Boccato
id UNICAMP-30_4d3b2d814a0714655c3f16b7326dcc59
oai_identifier_str oai::1384041
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energiaPreprocessing methods for linear models and neural networks for energy demand forecastingSéries temporaisRedes neurais (Computação)Modelos lineares (Estatística)Previsão de séries temporaisAprendizado de máquinaTime seriesNeural networks (Informatics)Linear models (Statistics)Time series forecastingMachine learningOrientadores: Romis Ribeiro de Faissol Attux, Levy BoccatoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: A previsão de demanda de energia é uma ferramenta valiosa para a gestão de tomada de decisões, visto que pode servir de base para diminuir gastos e melhorar a eficiência de sistemas energéticos. Vários modelos podem ser utilizados para previsão, desde lineares estatísticos a redes neurais profundas. Dentre os modelos lineares, destacam-se aqueles da metodologia de Box \& Jenkins: Autoregressivo (AR), Médias Móveis (MA), Autoregressivo de Médias Móveis (ARMA), e o ARMA integrado (ARIMA). Quando tratamos de modelos de redes neurais, que diferentemente dos modelos citados anteriormente são não-lineares, podemos subdividi-los quanto à existência ou não de realimentação. Existem aqueles que são denominados não-recorrentes, os quais o algoritmo é de direção única da entrada à saída, como por exemplo a MLP, ESN ou CNN. Há também aqueles que são recorrentes, os quais existe realimentação ($feedback$) das saídas ou dos estados internos. Uma desvantagem de redes não-recorrentes é que não levam em consideração o caráter sequencial da série, fato que já é respeitado por redes recorrentes. Exemplos dessas redes são: Long-Short Term Memory (LSTM) e Echo State Networks (ESN). A primeira possui a vantagem de guardar memórias passadas tanto de curto quanto de longo prazo, e a segunda possui implementação simples e de solução fechada. Neste trabalho, utilizamos os modelos lineares de Box \& Jenkins, uma MLP, ESN e LSTM para a previsão de séries de demanda de energia das regiões sudeste e norte do Brasil. Os modelos lineares foram escolhidos por serem de fácil implementação e apresentarem histórico de resultados satisfatórios, e dentre as redes neurais foram escolhidas uma clássica não-recorrente (MLP), e duas recorrentes para comparação de resultados (ESN e LSTM). Para testar a generalização dos modelos, foram selecionadas também séries de duas regiões com perfis diferentes de consumo. Antes mesmo de treinar tais modelos, este trabalho salienta a fase de pré-processamento. Sabe-se que os modelos lineares AR, MA e ARMA necessitam que a série seja estacionária antes de aplicados, isto é, que a média e a variância sejam constantes. O ARIMA já assume não-estacionariedade, e para redes neurais esta não é uma propriedade obrigatória. Porém, avaliamos se tornar a série estacionária também melhora o desempenho de redes neurais. Considerando que uma série de consumo de energia possui sazonalidade e tendência, muito provavelmente ela não será estacionária. Por esta razão, removemos estas componentes da série para atingir estacionariedade. Existem diferentes métodos para a remoção destas componentes, de forma que testamos distintas combinações de técnicas e comparamos os resultados para verificar qual fornece o melhor desempenho. Para remoção de tendência, as técnicas de diferenciação e ajuste de curva foram analisadas. Já para dessazonalização, foram utilizadas médias móveis e normalizaçãoAbstract: Energy demand forecasting is a valuable tool for decision-making management, as it can serve as a basis for reducing costs and improving the efficiency of energy systems. Several models can be used for forecasting, from statistical linear to deep neural networks. Among linear models, the ones from the Box \& Jenkins methodology stand out: Autoregressive (AR), Moving Averages (MA), Autoregressive Moving Averages (ARMA), and Integrated ARMA (ARIMA). When dealing with neural network models, which are nonlinear unlike the aforementioned models, they can be subdivided into feedback or non-feedback models. There are those that are called non-recurrent, in which the algorithm is one-way from input to output (feedforward), such as MLP, ESN or CNN. There are also those that are recurrent, in which there is feedback from the outputs or internal states. A disadvantage of non-recurrent networks is that they do not take into account the sequential nature of the series, which is already respected by recurrent networks. Examples of these networks are Long-Short Term Memory (LSTM) and Echo State Networks (ESN). The former has the advantage of storing both short and long-term past memories, and the latter has a simple implementation and a closed solution. In this work, we used Box \& Jenkins linear models, an MLP, ESN, and LSTM for forecasting energy demand series in the southeast and north regions of Brazil. Linear models were chosen for their ease of implementation and satisfactory historical results, and among neural networks, a classic non-recurrent model (MLP) and two recurrent ones for comparison of results (ESN and LSTM) were chosen. To test the generalization of the models, series from two regions with different consumption profiles were also selected. Even before training such models, this work emphasizes the pre-processing phase. It is known that the AR, MA, and ARMA linear models require the series to be stationary before being applied, that is, that the mean and variance are constant. ARIMA already assumes non-stationarity, and for neural networks, this is not a mandatory property. However, we evaluated whether making the series stationary also improves neural network performance. Considering that an energy consumption series has seasonality and trend, it is very likely that it will not be stationary. For this reason, we removed these components from the series to achieve stationarity. There are different methods for removing these components, so we tested different combinations of techniques and compared the results to see which provides the best performance. For trend removal, differentiation and curve fitting techniques were analyzed. For deseasonalization, moving averages and normalization were usedAbertoMestradoEngenharia de ComputaçãoMestra em Engenharia ElétricaCNPQ444916/2020-2[s.n.]Attux, Romis Ribeiro de Faissol, 1978-Boccato, Levy, 1986-Castro, Marcelo Stehling deGuillardi Júnior, HildoUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASCoimbra, Tainá de Souza, 1996-20232023-12-22T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (66 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/17221COIMBRA, Tainá de Souza. Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia. 2023. 1 recurso online (66 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/17221. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1384041Cover: https://repositorio.unicamp.br/capa/capa?codigo=1384041Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2024-05-08T14:34:39Zoai::1384041Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2024-05-08T14:34:39Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
Preprocessing methods for linear models and neural networks for energy demand forecasting
title Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
spellingShingle Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
Coimbra, Tainá de Souza, 1996-
Séries temporais
Redes neurais (Computação)
Modelos lineares (Estatística)
Previsão de séries temporais
Aprendizado de máquina
Time series
Neural networks (Informatics)
Linear models (Statistics)
Time series forecasting
Machine learning
title_short Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
title_full Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
title_fullStr Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
title_full_unstemmed Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
title_sort Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia
author Coimbra, Tainá de Souza, 1996-
author_facet Coimbra, Tainá de Souza, 1996-
author_role author
dc.contributor.none.fl_str_mv Attux, Romis Ribeiro de Faissol, 1978-
Boccato, Levy, 1986-
Castro, Marcelo Stehling de
Guillardi Júnior, Hildo
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Coimbra, Tainá de Souza, 1996-
dc.subject.por.fl_str_mv Séries temporais
Redes neurais (Computação)
Modelos lineares (Estatística)
Previsão de séries temporais
Aprendizado de máquina
Time series
Neural networks (Informatics)
Linear models (Statistics)
Time series forecasting
Machine learning
topic Séries temporais
Redes neurais (Computação)
Modelos lineares (Estatística)
Previsão de séries temporais
Aprendizado de máquina
Time series
Neural networks (Informatics)
Linear models (Statistics)
Time series forecasting
Machine learning
description Orientadores: Romis Ribeiro de Faissol Attux, Levy Boccato
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-12-22T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/17221
COIMBRA, Tainá de Souza. Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia. 2023. 1 recurso online (66 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/17221. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/17221
identifier_str_mv COIMBRA, Tainá de Souza. Métodos de pré-processamento no uso de modelos lineares e de redes neurais para previsão de demanda de energia. 2023. 1 recurso online (66 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/17221. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1384041
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1384041
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (66 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189197364330496

Registros relacionados