Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica
The overview of electric energy in Brazil is influenced by a variety of complex factors and nonlinear relationships, making forecasting challenging. With the increasing demand for energy and growing environmental concerns, it is crucial to seek solutions based on clean and renewable energy practices...
| Autor principal: | CONTE, Thiago Nicolau Magalhães de Souza |
|---|---|
| Grau: | Dissertação |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Pará
2025
|
| Assuntos: | |
| Acesso em linha: |
https://repositorio.ufpa.br/jspui/handle/2011/16774 |
| id |
ir-2011-16774 |
|---|---|
| recordtype |
dspace |
| spelling |
ir-2011-167742025-01-29T14:21:26Z Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica CONTE, Thiago Nicolau Magalhães de Souza OLIVEIRA, Roberto Célio Limão de http://lattes.cnpq.br/4497607460894318 Velocidade do vento Aprendizagem de máquina Sistema elétrico brasileiro PLD (Preço de Liquidação das Diferenças) CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES INTELIGÊNCIA COMPUTACIONAL SISTEMAS ELÉTRICOS DE POTÊNCIA COMPUTAÇÃO APLICADA The overview of electric energy in Brazil is influenced by a variety of complex factors and nonlinear relationships, making forecasting challenging. With the increasing demand for energy and growing environmental concerns, it is crucial to seek solutions based on clean and renewable energy practices, aiming to make the energy market more sustainable. These practices aim to reduce waste and optimize the efficiency of processes involved in the operation of electricity distribution and generation technologies. A promising approach to enable sustainable energy is the application of forecasting techniques for various variables in the energy market. This thesis proposes an empirical analysis of the use of regressors to make predictions in the databases of the Price of Settlement Differences (PLD) in the Brazilian market and wind speed in wind turbines in Northeast Brazil, through principal component analysis. We aim to provide significant information about machine learning techniques that can be employed as effective tools for time series prediction in the electric sector. The results obtained may encourage the implementation of these techniques to extract knowledge about the behavior of the Brazilian energy system. This is particularly relevant, given that energy prices often exhibit seasonality, high volatility, and peaks, and wind power generation is widely influenced by weather conditions. To model the prediction of these two time series, we use the database on the Price of Settlement Differences (PLD), focusing especially on the average energy price of the Brazilian National System. The most relevant variables are related to hydrological conditions, electrical load, and fuel prices for thermal units. For collecting variables related to wind energy, two distinct locations in the Northeast region of Brazil were considered: Macau and Petrolina. For the prediction study, we use a Multilayer Perceptron Neural Network (MLP), a Long Short Term Memory (LSTM), Auto-Regressive Integrated Moving Average (ARIMA), and Support Vector Machine (SVM) to determine baseline results in prediction. To enhance the results of these regressors, we employ two different prediction approaches. One approach involves combining deep artificial neural network techniques based on the Canonical Genetic Algorithm (AG) meta-heuristic to adjust the hyperparameters of MLP and LSTM regressors. The second strategy focuses on machine committees, which include MLP, decision tree, linear regression, and SVM in one committee, and MLP, LSTM, SVM, and ARIMA in another. These approaches consider two types of voting, voting average (VO) and voting weighted average (VOWA), to assess the impact on the performance of the machine committee. O panorama da energia elétrica no Brasil é influenciado por uma variedade de fatores complexos e relações não lineares, o que torna a previsão desafiadora. Com o aumento da demanda por energia e a crescente preocupação ambiental, é crucial buscar soluções baseadas em práticas de energia limpa e renovável, visando tornar o mercado de energia mais sustentável. Essas práticas visam reduzir o desperdício e otimizar a eficiência dos processos envolvidos na operação das tecnologias de distribuição e geração de energia elétrica. Uma abordagem promissora para viabilizar a energia sustentável é a aplicação de técnicas de previsão para diversas variáveis do mercado energético. Esta pesquisa propõe uma análise empírica do uso de regressores para realizar previsões nas bases de dados do Preço de Liquidação das Diferenças (PLD) do mercado brasileiro e da velocidade do vento em aerogeradores do Nordeste do Brasil. Busca-se contribuir com informações significativas sobre as técnicas de aprendizagem de máquina, que podem ser empregadas como ferramentas eficazes para a previsão de séries temporais no setor elétrico. Os resultados obtidos podem incentivar a implantação dessas técnicas para extrair conhecimento sobre o comportamento do sistema de energia brasileiro. Isso é particularmente relevante, dado que o preço da energia frequentemente exibe sazonalidade, alta volatilidade e picos, e a geração de energia eólica é amplamente influenciada pelas condições climáticas. Para modelar a previsão dessas duas séries temporais, utilizamos o banco de dados sobre o PLD, focando especialmente no preço médio da energia do Sistema Nacional Brasileiro. As variáveis mais relevantes estão relacionadas às condições hidrológicas, carga elétrica e preço dos combustíveis das unidades térmicas. Para a coleta das variáveis relacionadas à energia eólica, foram considerados dois locais distintos na região nordeste do Brasil: Macau e Petrolina. Para o estudo de previsão, utilizamos uma Rede Neural Perceptron Multicamadas (MLP), uma Long Short Term Memory (LSTM), o Auto-Regressive Integrado de Média Móveis (ARIMA) e a Máquina de Suporte de Vetores (SVM) para determinar as linhas bases nos resultados da predição. Para aprimorar os resultados destes regressores, utilizamos duas abordagens distintas de previsão. Uma das abordagens consistiu na combinação das técnicas de Redes Neurais Artificiais Profundas, baseada na Meta-Heurística do Algoritmo Genético Canônico (AG), para ajustar os hiperparâmetros dos regressores MLP e LSTM. Já a segunda estratégia focou em comitês de máquinas, os quais incluíam MLP, Árvore de Decisão, Regressão Linear e SVM em um comitê, e MLP, LSTM, SVM e ARIMA em outro. Essas abordagens consideraram dois tipos de votação, voting average (VO) e voting weighted average (VOWA), para avaliar o impacto no desempenho do comitê de máquinas. UEPA - Universidade do Estado do Pará 2025-01-29T14:19:48Z 2025-01-29T14:19:48Z 2024-04-05 Dissertação CONTE. Thiago Nicolau Magalhães de Souza. Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica. Orientador: Roberto Célio Limão de Oliveira. 2024. 124 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2024. Disponível em:https://repositorio.ufpa.br/jspui/handle/2011/16774 . Acesso em:. https://repositorio.ufpa.br/jspui/handle/2011/16774 por Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ application/pdf Universidade Federal do Pará Brasil Instituto de Tecnologia UFPA Programa de Pós-Graduação em Engenharia Elétrica Disponível na internet via correio eletrônico: bibliotecaitec@ufpa.br |
| institution |
Repositório Institucional - Universidade Federal do Pará |
| collection |
RI-UFPA |
| language |
por |
| topic |
Velocidade do vento Aprendizagem de máquina Sistema elétrico brasileiro PLD (Preço de Liquidação das Diferenças) CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES INTELIGÊNCIA COMPUTACIONAL SISTEMAS ELÉTRICOS DE POTÊNCIA COMPUTAÇÃO APLICADA |
| spellingShingle |
Velocidade do vento Aprendizagem de máquina Sistema elétrico brasileiro PLD (Preço de Liquidação das Diferenças) CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES INTELIGÊNCIA COMPUTACIONAL SISTEMAS ELÉTRICOS DE POTÊNCIA COMPUTAÇÃO APLICADA CONTE, Thiago Nicolau Magalhães de Souza Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica |
| topic_facet |
Velocidade do vento Aprendizagem de máquina Sistema elétrico brasileiro PLD (Preço de Liquidação das Diferenças) CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES INTELIGÊNCIA COMPUTACIONAL SISTEMAS ELÉTRICOS DE POTÊNCIA COMPUTAÇÃO APLICADA |
| description |
The overview of electric energy in Brazil is influenced by a variety of complex factors and nonlinear relationships, making forecasting challenging. With the increasing demand for energy and growing environmental concerns, it is crucial to seek solutions based on clean and renewable energy practices, aiming to make the energy market more sustainable. These practices aim to reduce waste and optimize the efficiency of processes involved in the operation of electricity distribution and generation technologies. A promising approach to enable sustainable energy is the application of forecasting techniques for various variables in the energy market. This thesis proposes an empirical analysis of the use of regressors to make predictions in the databases of the Price of Settlement Differences (PLD) in the Brazilian market and wind speed in wind turbines in Northeast Brazil, through principal component analysis. We aim to provide significant information about machine learning techniques that can be employed as effective tools for time series prediction in the electric sector. The results obtained may encourage the implementation of these techniques to extract knowledge about the behavior of the Brazilian energy system. This is particularly relevant, given that energy prices often exhibit seasonality, high volatility, and peaks, and wind power generation is widely influenced by weather conditions. To model the prediction of these two time series, we use the database on the Price of Settlement Differences (PLD), focusing especially on the average energy price of the Brazilian National System. The most relevant variables are related to hydrological conditions, electrical load, and fuel prices for thermal units. For collecting variables related to wind energy, two distinct locations in the Northeast region of Brazil were considered: Macau and Petrolina. For the prediction study, we use a Multilayer Perceptron Neural Network (MLP), a Long Short Term Memory (LSTM), Auto-Regressive Integrated Moving Average (ARIMA), and Support Vector Machine (SVM) to determine baseline results in prediction. To enhance the results of these regressors, we employ two different prediction approaches. One approach involves combining deep artificial neural network techniques based on the Canonical Genetic Algorithm (AG) meta-heuristic to adjust the hyperparameters of MLP and LSTM regressors. The second strategy focuses on machine committees, which include MLP, decision tree, linear regression, and SVM in one committee, and MLP, LSTM, SVM, and ARIMA in another. These approaches consider two types of voting, voting average (VO) and voting weighted average (VOWA), to assess the impact on the performance of the machine committee. |
| author_additional |
OLIVEIRA, Roberto Célio Limão de |
| author_additionalStr |
OLIVEIRA, Roberto Célio Limão de |
| format |
Dissertação |
| author |
CONTE, Thiago Nicolau Magalhães de Souza |
| title |
Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica |
| title_short |
Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica |
| title_full |
Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica |
| title_fullStr |
Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica |
| title_full_unstemmed |
Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica |
| title_sort |
previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizagem de máquina : uma análise empírica |
| publisher |
Universidade Federal do Pará |
| publishDate |
2025 |
| url |
https://repositorio.ufpa.br/jspui/handle/2011/16774 |
| _version_ |
1829089371738865664 |
| score |
11.755432 |