Mostrar registro simples

dc.creatorBelém, Gabriel da Silva
dc.date.accessioned2024-11-01T16:56:17Z
dc.date.available2024-11-01T16:56:17Z
dc.date.issued2024-09-19
dc.identifier.citationBELÉM, Gabriel da Silva. Previsão de curto prazo da demanda de energia elétrica no nordeste brasileiro utilizando séries temporais. 2024. 75 f. TCC (Graduação) - Curso de Engenharia Elétrica, Instituto Federal de Pernambuco, Garanhuns, 2024.pt_BR
dc.identifier.urihttps://repositorio.ifpe.edu.br/xmlui/handle/123456789/1419
dc.description.abstractAiming for efficient and sustainable management of electrical systems, it is essential to forecast energy demand, especially due to the increasing integration of renewable sources and climate change. Accordingly, this study aimed to develop an algorithm to predict electricity demand in the Brazilian Northeast using time series analysis techniques and machine learning, focusing on the MLP (Multilayer Perceptron) model. The CRISP methodology (Cross-Industry Standard Process for Data Mining) was employed to structure predictive analysis processes, ensuring a systematic approach from problem understanding to model implementation and monitoring. The experiments evaluated the performance of different scenarios for forecasting electrical load for horizons of 24, 72, 168, and 720 hours. Three models were created: (i) a model with one layer of 24 neurons; (ii) a model with two layers: the first with 24 neurons and the second with 48 neurons; and (iii) a model with three layers: the first with 24 neurons, the second with 48 neurons, and the third with 96 neurons. Among the models, those with two hidden layers using the Nadam optimizer and a linear activation function demonstrated the best overall performance, achieving a Mean Absolute Percentage Error (MAPE) of 1.49% and a Coefficient of Determination (R²) of 0.94 for 24-hour forecasts, indicating high accuracy. These models were also effective for 72- and 168-hour horizons, with MAPE values of 1.79% and 1.87%, and R² values of 0.92 and 0.91, respectively. However, the model faced challenges for the 720-hour horizon, presenting a MAPE of 3.17% and R² of 0.77, showing lower precision and longer processing time. The results highlight the importance of choosing appropriate optimizers and activation functions to maximize model accuracy and efficiency. The optimized database architecture contributed to the model’s high performance, underscoring the need for continuous testing of configurations to improve long-term forecastingpt_BR
dc.format.extent75 p.pt_BR
dc.languagept_BRpt_BR
dc.relationACKERMANN, A. E. F.; SELLITTO, M. A. Métodos de previsão de demanda: uma revisão da literatura. Innovar, v. 32, n. 85, p. 83–99, 2022. Disponível em: https://doi.org/10.15446/innovar.v32n85.100979. Acesso em: 05 abr. 2024. Almada, Marco. (2019). Modelos de neurônios em redes neurais artificiais. 10.13140/RG.2.2.32042.16323. Arlot, S., & Celisse, A. (2010). "A Survey of Cross-Validation Procedures". Statistics Surveys. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. BOX, G. E. P. and JENKINS, G. M. (2008). Time series analysis: forecasting and control, 4th ed. San Francisco: Holden-Day. Brockwell, Peter J. and Davis, Richard A. (2002). Introduction to Time Series and Forecasting, 2nd ed. Springer-Verlag. Brasil, Ministério de Minas e Energia, Empresa de Pesquisa Energética. Plano Nacional de Energia 2050 / Ministério de Minas e Energia. Empresa de Pesquisa Energética. Brasília: MME/EPE, 2020. Disponível em: https://www.epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/Plano-Nacional-de-Energia-2050. Acesso em: 05 abr. 2024. CAMELO, H. DO N. et al. Métodos de Previsão de Séries Temporais e Modelagem Híbrida ambos Aplicados em Médias Mensais de Velocidade do Vento para Regiões do Nordeste do Brasil. Revista Brasileira de Meteorologia, v. 32, n. 4, p. 565–574, 2017. CASTRO, N; et al. Impactos Sistêmicos da Micro e Minigeração Distribuída. Disponível em: https://agora.ie.ufrj.br/pdf/Nivalde_de_Castro/12.tdse79_2018_Impactos_sistemicos_da_micro.pdf. Acesso em: 30 jul. 2024. CCEE – 1ª Revisão Quadrimestral das Previsões de carga para o Planejamento Anual da Operação Energética 2023-2027. Disponível em: https://www.ccee.org.br/documents/80415/26530371/Boletim%20Tecnico%20PLAN_2024_2028.pdf/e7ba819c-577f-b415-1604-5ce39e65b5aa. Acesso em: 19 jul. 2024. CEPEL – Centro de Pesquisas de Energia Elétrica. Disponível em: https://see.cepel.br/manual/libs/latest/apresentacao/apresentacao.html. Acesso em: 15 jul 2024a. CEPEL – Centro de Pesquisas de Energia Elétrica. Disponível em: https://www.cepel.br/linhas-de-pesquisa/newave/#:~:text=O%20NEWAVE%20%C3%A9%20um%20programa%20computacional%20de. Acesso em: 02 out. 2024b. CEPEL – Centro de Pesquisas de Energia Elétrica. Disponível em: https://www.cepel.br/linhas-de-pesquisa/decomp/#:~:text=DECOMP:%20Modelo%20de%20Planejamento%20de%20Curto. Acesso em: 02 out. 2024c. CEPEL – Centro de Pesquisas de Energia Elétrica. Disponível em: https://www.cepel.br/linhas-de-pesquisa/dessem-saibamais/#:~:text=O%20programa%20DESSEM%20%C3%A9%20um%20modelo%20de. Acesso em: 02 out. 2024d. Conte, S.; Limão, R.; Oliveira. Aplicação Híbrida com Redes Neurais Profundas e Algoritmo Genético para Previsão de Séries Temporais do Sistema de Energia Elétrica Brasileira. [s.l: s.n.]. Disponível em: https://sbic.org.br/wp-content/uploads/2021/09/pdf/CBIC_2021_paper_104.pdf. Acesso em: 19 jul. 2024. DRANKA, G. G.; FERREIRA, P. Planning for a renewable future in the Brazilian power system. Energy, v. 164, p. 496–511, 1 dez. 2018. Disponível em: https://doi.org/10.1016/j.energy.2018.08.164. Acesso em: 15 jul. 2024. Driscol, M. Jupyter notebook: An introduction. Disponível em: https://realpython.com/jupyter-notebook-introduction/. Acesso em: 26 set. 2024. EPE – Planejamento Energético Planejamento de Longo Prazo. Disponível em: https://www.epe.gov.br/pt/areas-de-atuacao/planejamento-energetico/planejamento-de-longo-prazo. Acesso em: 19 jul. 2024. ENERGIA, A. C. Demanda Global por Eletricidade em Rápida Ascensão: Energias Renováveis e Desafios à Frente. Cenário Energia, 19 de julho de 2024. Disponível em: https://cenarioenergia.com.br/2024/07/19/demanda-global-por-eletricidade-em-rapida-ascensao-energias-renovaveis-e-desafios-a-frente/. Acesso em: 19 jul. 2024. FALCÃO, P. D. M. Impacto da mini e microgeração distribuída nas redes de distribuição de energia elétrica. Disponível em: https://www.ieee.org.br/wp-content/uploads/2014/05/EspacoIEEE_set2013.pdf. Acesso em: 30 jul. 2024. GOMES, P. C. T. Introdução ao aprendizado de máquina. Disponível em: https://www.datageeks.com.br/aprendizado-de-maquina/. Acesso em: 19 jul. 2024. G. Gross and F. D. Galiana, "Short-term load forecasting," in Proceedings of the IEEE, vol. 75, no. 12, pp. 1558-1573, Dec. 1987. doi: 10.1109/PROC.1987.13927. Goodfellow, I; Bengio, Y; Courville, A. Deep Learning. Disponível em: https://www.deeplearningbook.org/. Acesso em: 2 out. 2024. Haykin, S. (2009). Neural Networks and Learning Machines (3rd ed.). Prentice Hall. HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice. [s.l.] Otexts, 2018. Disponível em: https://otexts.com/fpp2/. Acesso em: 05 abr. 2024. IBGE. (2023). Análise da Agricultura Familiar no Nordeste. Disponível em: https://www.ibge.gov.br. Acesso em 21 set. 2024. IBGE. Disponível em: https://www.ibge.gov.br/nordeste. Acesso em: 21 set. 2024. IBM – Soluções de inteligência artificial (IA). Disponível em: https://www.ibm.com/br-pt/artificial-intelligence. Acesso em: 19 jul. 2024. JUPYTER. Jupyter Documentation. Disponível em: https://jupyter.org/documentation. Acesso em: 25 set. 2024. KONG, W. et al. Short-Term Residential Load Forecasting Based on LSTM Recurrent Neural Network. IEEE Transactions on Smart Grid, v. 10, n. 1, p. 841–851, jan. 2019. Disponível em: https://ieeexplore.ieee.org/document/8039509. Acesso em: 15 jul 2024. MARQUES, V. Região Nordeste. Disponível em: https://www.todamateria.com.br/regiao-nordeste/. Acesso em: 21 set. 2024. MATPLOTLIB. Matplotlib Documentation. Disponível em: https://matplotlib.org/stable/contents.html. Acesso em: 15 jul. 2024. McKinney, W. Python for data analysis, 2023, 3 Ed. Disponível em: https://wesmckinney.com/book/. Acesso em: 15 jul. 2024. MEDEIROS, A. Aplicação de redes neurais artificiais para a previsão de demanda em subestações de distribuição considerando a influência da temperatura. Disponível em: https://www.cear.ufpb.br/juan/wp-content/uploads/2022/07/2019-Aplica%C3%A7%C3%A3o-de-redes-neurais-artificiais-para-a-previs%C3%A3o-de-demanda-em-subesta%C3%A7%C3%B5es-de-distribui%C3%A7%C3%A3o-considerando-a-influ%C3%AAncia-da-temperatura.pdf. Acesso em: 03 abr. 2024. MME – Aneel regulamenta marco legal da micro e da minigeração distribuída. Disponível em: https://www.gov.br/mme/pt-br/assuntos/noticias/aneel-regulamenta-marco-legal-da-micro-e-da-minigeracao-distribuida. Acesso em: 30 jul. 2024. MME – Fontes renováveis responderam por 93,1% da geração de energia elétrica em 2023. Disponível em: https://www.gov.br/mme/pt-br/assuntos/noticias/fontes-renovaveis-responderam-por-93-1-da-geracao-de-energia-eletrica-em-2023. Acesso em: 19 jul. 2024. NOGUEIRA, L. C.; SALGADO, R. M. Comparação de Estratégias de Previsão de Carga Elétrica Utilizando Support Vector Machine. Disponível em: https://www.unifal-mg.edu.br/dcc/wp-content/uploads/sites/221/2022/01/ArtigoFinal_LeandraCarvalhoNogueira.pdf. Acesso em: 19 jul. 2024. NUMPY. NumPy Documentation. Disponível em: https://numpy.org/doc/stable/. Acesso em: 15 jul. 2024. ONS – Operador Nacional do Sistema Elétrico. Disponível em: https://www.ons.org.br/paginas/energia-agora/carga-e-geracao. Acesso em: 15 jul 2024. ONS – Operador Nacional do Sistema Elétrico. Disponível em: https://www.ons.org.br/Paginas/Noticias/20230816---ONS-iniciou-processo-de-licita%C3%A7%C3%A3o-para-contrata%C3%A7%C3%A3o-de-consultoria-para-o-subprojeto-de-previs%C3%A3o-de-gera%C3%A7%C3%A3o-de-fo.aspx. Acesso em: 19 jul. 2024. ORIGO – Questão energética no Brasil: entenda a situação do país. Disponível em: https://origoenergia.com.br/blog/energia/questao-energetica-no-brasil-entenda-a-situacao-atual-do-pais. Acesso em: 19 jul. 2024. PANDAS. Pandas Documentation. Disponível em: https://pandas.pydata.org/docs/. Acesso em: 15 jul. 2024. PESSANHA, J. F. M.; CEPEL, B. UM MODELO PARA PREVISÃO DE CARGA DE CURTO-PRAZO. Disponível em: https://www.aedb.br/seget/arquivos/artigos13/44218518.pdf. Acesso em: 19 jul. 2024. PIRES, C. L. Metodologia para previsão de carga e geração no horizonte de curtíssimo prazo. 2016. Disponível em: https://repositorio.ufsm.br/handle/1/860. Acesso em: 17 jul 2024. PYTHON. Python Documentation. Disponível em: https://docs.python.org/3/. Acesso em: 10 jul 2024. RUDER, S. An overview of gradient descent optimization algorithms. 2016. Disponível em: http://arxiv.org/abs/1609.04747. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536. SCHRÖER, C.; KRUSE, F.; GÓMEZ, J. M. A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, Volume 181, 2021, Pages 526-534. Disponível em: https://doi.org/10.1016/j.procs.2021.01.199. Acesso em: 19 jul. 2024. SEABORN. Seaborn Documentation. Disponível em: https://seaborn.pydata.org/. Acesso em: 15 jul 2024. Sanchez, G. MATLAB vs. Python: Which one is right for you? Disponível em: https://www.mathworks.com/products/matlab/matlab-vs-python.html. Acesso em: 3 out. 2024. SILVA, L. C. Aprendizado de máquina com treinamento continuado aplicado à previsão de demanda de curto prazo: o caso do restaurante universitário da Universidade Federal de Uberlândia. Mestrado (Dissertação) — Uberlândia: Universidade Federal de Uberlândia, 27 maio 2019. SILVEIRA, J.; DA, F.; ALEGRE, S. UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM DE EQUAÇÕES ESTRUTURAIS: apresentação de uma metodologia. Disponível em: https://lume.ufrgs.br/bitstream/handle/10183/8628/000583213.pdf. Acesso em: 19 jul. 2024. Spiliotis, E. (2023). Time Series Forecasting with Statistical, Machine Learning, and Deep Learning Methods: Past, Present, and Future. In: Hamoudia, M., Makridakis, S., Spiliotis, E. (eds) Forecasting with Artificial Intelligence. Palgrave Advances in the Economics of Innovation and Technology. Palgrave Macmillan, Cham. https://doi.org/10.1007/978-3-031-35879-1_3 Tieleman, T. e Hinton, G. Aula 6.5 - RMSProp, COURSERA: Neural Networks for Machine Learning. Relatório técnico, 2012. WALTRICK, C. Machine Learning – O que é, tipos de aprendizagem de máquina, algoritmos e aplicações. Disponível em: https://medium.com/camilawaltrick/introducao-machine-learning-o-que-e-tipos-de-aprendizado-de-maquina-445dcfb708f0. Acesso em: 19 jul. 2024. ZHONG, G. et al. Long Short-Term Attention. 2018. Disponível em: http://arxiv.org/abs/1810.12752. Acesso em: 19 jul. 2024.pt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAn error occurred on the license name.*
dc.rights.uriAn error occurred getting the license - uri.*
dc.subjectEnergia elétrica - Previsão - Brasil, Nordeste - Modelos matemáticospt_BR
dc.subjectAnálise de séries temporaispt_BR
dc.subjectRedes neurais - (Computação)pt_BR
dc.titlePrevisão de curto prazo da demanda de energia elétrica no nordeste brasileiro utilizando séries temporaispt_BR
dc.typeTCCpt_BR
dc.creator.Latteshttp://lattes.cnpq.br/3342327262043069pt_BR
dc.contributor.advisor1Diniz, Camila Almeida
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/ 2787551040480018pt_BR
dc.contributor.referee1Diniz, Camila Almeida
dc.contributor.referee2Lopes, Diego Soares
dc.contributor.referee3Alexandre, Geronimo Barbosa
dc.contributor.referee1Latteshttp://lattes.cnpq.br/ 2787551040480018pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/ 0945421566181646pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/ 7510601624292508pt_BR
dc.publisher.departmentGaranhunspt_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqOUTROSpt_BR
dc.description.resumoVisando 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.pt_BR


Arquivos deste item

Thumbnail
No Thumbnail [100%x160]

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples