Modelo previsor diário para cargas em diferentes níveis de desagregação baseado nas técnicas de machine learning

• Autor(a) principal: García Fernández, Leonardo Brain
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/244625
• topic: Previsão de cargas elétricas em nível desagregado; Machine learning; Teoria da ressonância adaptativa; Máquina de suporte vetorial; Filtros wavelet; Electrical load forecasting in disaggregated level; Adaptive resonance theory; Support vector machine; Wavelet filters

A previsão de carga elétrica é fundamental para o gerenciamento dos sistemas de energia, especialmente em um contexto de desregulamentação do setor. Gerenciar esses sistemas levando em consideração diferentes perspectivas, como a operação, a manutenção e o planejamento se tornam tarefas desafiadoras devido à evolução tecnológica e às demandas variáveis dos usuários. Esses desafios exigem uma abordagem complexa para garantir o fornecimento adequado de energia. Neste trabalho propõe-se o desenvolvimento de um sistema previsor flexível para cargas elétricas desagregadas no horizonte do dia seguinte via métodos de Machine Learning (ML). Por conseguinte, há necessidade da aplicação de um procedimento especializado que produza resultados satisfatórios. Neste sentido são abordadas três metodologias baseadas em dois métodos de ML, os quais se alinham às redes neurais ARTMAP Fuzzy modificada (plasticidade, estabilidade e rapidez) e às Support Vector Machine (SVM) de regressão. Portanto, a primeira proposta está desenvolvida utilizando o método SVM_ARTMAP Fuzzy (Kernel Linear, Gaussiano e Otimizado). Para a segunda, utiliza-se um modelo híbrido de treinamento em paralelo baseado no método WPT-SVM_ARTMAP Fuzzy. Finalmente a terceira, utiliza-se o método WPT-MMQ_ARTMAP Fuzzy. Essas duas últimas propostas são treinadas utilizando dados via filtro Wavelet. Para fins de comparação, implementou-se o método ARTMAP Fuzzy como o benchmark 1, adicionalmente, o método MMQ-ARTMAP Fuzzy como o benchmark 2. Nas metodologias apresentadas são consideradas o impacto da escolha dos inputs nas redes, uma modelagem matemática aplicada à tarefa de identificação de dias atípicos, por último, uma análise de correlação com dados meteorológicos. A aplicação do treinamento em paralelo e a análise dos inputs resultaram em uma melhoria significativa na capacidade preditiva da terceira metodologia, ampliando sua capacidade de generalização.