Previsão de curto prazo da demanda de energia elétrica no nordeste brasileiro utilizando séries temporais
Resumo
Visando uma gestão eficiente e sustentável dos sistemas elétricos, é essencial ter uma previsão da demanda de energia, principalmente devido à crescente integração de fontes renováveis e às mudanças climáticas. Posto isso, o presente estudo objetivou desenvolver um algoritmo para prever a demanda de energia elétrica no nordeste
brasileiro utilizando técnicas de análise de séries temporais e aprendizado de máquina, com foco no modelo MLP (Perceptron de Multicamadas). Empregou-se a metodologia CRISP (Processo Padrão Intersetorial) para estruturar processos de análise preditiva, garantindo uma abordagem sistemática desde a compreensão do problema até a implementação e monitoramento do modelo. Os experimentos avaliaram o desempenho de diferentes cenários de previsões da carga elétrica para horizontes de 24, 72, 168 e 720 horas. Foram criados três modelos: (i) modelo contendo uma camada de 24 neurônios; (ii) modelo contendo duas camadas: a primeira com 24 neurônios e a segunda com 48 neurônios; e (iii) modelo contendo três camadas: a primeira com 24 neurônios, a segunda com 48 neurônios e a terceira 96 neurônios. Dentre os modelos, os que possuem duas camadas ocultas usando o otimizador Nadam e função de ativação Linear apresentou o melhor desempenho geral com um Erro Absoluto percentual Médio (MAPE) de 1,49% e
um Coeficiente de Determinação (R²) de 0,94 para previsões de 24 horas, indicando alta precisão. Esses modelos também foram eficazes para horizontes de 72 e 168 horas, com um MAPE de 1,79% e 1,87% e R² de 0,92 e 0,91, respectivamente. No entanto, o modelo
enfrentou dificuldades para o horizonte de 720 horas, apresentando um MAPE de 3,17%
e R² de 0,77, exibindo menor precisão e maior tempo de processamento. Os resultados
destacam a importância da escolha adequada de otimizadores e funções de ativação para
maximizar a precisão e a eficiência dos modelos. A arquitetura otimizada do banco de dados contribuiu para a alta performance do modelo, evidenciando a necessidade de testes contínuos de configurações para aprimorar a previsão de longo prazo.
Collections
Os arquivos de licença a seguir estão associados a este item: