Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes

Vilaça, Neilson Luniere; https://lattes.cnpq.br/8364451690823836

Dissertação

Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes

A predição da demanda de energia em cenários adversos, como a pandemia da COVID-19, é fundamental para assegurar o fornecimento de eletricidade e o funcionamento de serviços básicos de uma região metropolitana. Um outro fator importante é a autossustentabilidade do sistema energético, frente a índic...

ver descrição completa

Autor principal:	Vilaça, Neilson Luniere
Outros Autores:	https://lattes.cnpq.br/8364451690823836
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2023
Assuntos:	Redes neurais (Computação) Energia elétrica - Consumo - Previsão ENGENHARIAS Predição de demanda Redes neurais convolutivas Redes neurais recorrentes Redes neurais híbridas COVID-19
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/9279

id	oai:https:--tede.ufam.edu.br-handle-:tede-9279
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-92792023-02-10T05:04:10Z Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes Vilaça, Neilson Luniere Costa, Marly Guimarães Fernandes https://lattes.cnpq.br/8364451690823836 http://lattes.cnpq.br/7169358412541736 Dias, Ozenir Farah da Rocha Silva, Helder Cruz da Redes neurais (Computação) Energia elétrica - Consumo - Previsão ENGENHARIAS Predição de demanda Redes neurais convolutivas Redes neurais recorrentes Redes neurais híbridas COVID-19 A predição da demanda de energia em cenários adversos, como a pandemia da COVID-19, é fundamental para assegurar o fornecimento de eletricidade e o funcionamento de serviços básicos de uma região metropolitana. Um outro fator importante é a autossustentabilidade do sistema energético, frente a índices históricos de emissão de CO2 ocasionado pelo alto consumo de energia. Na literatura, é possível observar uma tendência na utilização de inteligência artificial para predizer demanda de energia e mitigar esses efeitos. Contudo, foram desenvolvidos poucos trabalhos envolvendo cenários anômalos. Nessa dissertação, é proposto um modelo de aprendizado profundo para predizer a demanda para o próximo dia, utilizando a base de dados da competição “IEEE DataPort Competition Day-Ahead Electricity Demand Forecasting: Post-COVID Paradigm”. Três arquiteturas de redes neurais profundas são propostas, sendo uma rede convolucional, uma rede recorrente e uma rede híbrida (convolucional-recorrente). O melhor modelo apresentado é caracterizado pela extração de características espaço-temporais dos dados de entrada, por meio da rede híbrida. É realizado uma análise preliminar dos dados de entrada, com a exclusão de variáveis anômalas e a aplicação de uma janela deslizante, com intervalo de 24 horas, que define a quantidade de horas necessárias para predizer a demanda da próxima hora. Também foi implementada a normalização dos dados de entrada, com uma ponderação com fator de 10 para a variável demanda. O desempenho dos modelos propostos foi comparado com os modelos desenvolvidos na competição, por meio de uma análise benchmark. A arquitetura híbrida proposta neste trabalho apresentou um erro absoluto médio de 2361,84 kW (78,22% inferior ao modelo de melhor desempenho da competição) e uma similaridade da curva de demanda real e a curva de demanda predita também superior aos referidos modelos. Tais fatos evidenciam a eficiência da aplicação de redes profundas, frente aos métodos clássicos aplicados por outros autores. Predicting energy demand in adverse scenarios, such as the COVID-19 pandemic, is critical to ensure the electricity supply and operation of basic services in a metropolitan region. Another important factor is the self-sustainability of the energy system, compared to historical levels of CO2 emissions caused by high energy consumption. In the literature, it is possible to observe a trend in the use of artificial intelligence to predict energy demand and mitigate these effects. However, few works involving anomalous scenarios have been developed. In this dissertation, a deep learning model is proposed to predict the demand for the next day using the “IEEE DataPort Competition Day-Ahead Electricity Demand Forecasting: Post-COVID Paradigm” database. Three deep neural network architectures are proposed, being a convolutional network, a recurrent network, and a hybrid (convolutional-recurrent) network. The best model presented is characterized by extracting spatio-temporal features from the input data by means of the hybrid network. A preliminary analysis of the input data is performed, with the exclusion of anomalous variables and the application of a sliding window, with a 24-hour interval, which defines the number of hours needed to predict the demand of the next hour. The normalization of the input data was also implemented, with a weighting with a factor of 10 for the demand variable. The performance of the proposed models was compared with the models developed in the competition, by means of a benchmark analysis. The hybrid architecture proposed in this work presented an average absolute error of 2361.84 kW (78.22% lower than the model with the best performance in the competition) and a similarity between the real demand curve and the predicted demand curve, also superior to the referred models. Such facts demonstrate the efficiency of the application of deep networks, compared to the classical methods applied by other authors. 2023-02-10T01:16:49Z 2022-12-14 Dissertação VILAÇA, Neilson Luniere. Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes. 2022. 86 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2022. https://tede.ufam.edu.br/handle/tede/9279 por Acesso Aberto application/pdf Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica
institution	TEDE - Universidade Federal do Amazonas
collection	TEDE-UFAM
language	por
topic	Redes neurais (Computação) Energia elétrica - Consumo - Previsão ENGENHARIAS Predição de demanda Redes neurais convolutivas Redes neurais recorrentes Redes neurais híbridas COVID-19
spellingShingle	Redes neurais (Computação) Energia elétrica - Consumo - Previsão ENGENHARIAS Predição de demanda Redes neurais convolutivas Redes neurais recorrentes Redes neurais híbridas COVID-19 Vilaça, Neilson Luniere Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
topic_facet	Redes neurais (Computação) Energia elétrica - Consumo - Previsão ENGENHARIAS Predição de demanda Redes neurais convolutivas Redes neurais recorrentes Redes neurais híbridas COVID-19
description	A predição da demanda de energia em cenários adversos, como a pandemia da COVID-19, é fundamental para assegurar o fornecimento de eletricidade e o funcionamento de serviços básicos de uma região metropolitana. Um outro fator importante é a autossustentabilidade do sistema energético, frente a índices históricos de emissão de CO2 ocasionado pelo alto consumo de energia. Na literatura, é possível observar uma tendência na utilização de inteligência artificial para predizer demanda de energia e mitigar esses efeitos. Contudo, foram desenvolvidos poucos trabalhos envolvendo cenários anômalos. Nessa dissertação, é proposto um modelo de aprendizado profundo para predizer a demanda para o próximo dia, utilizando a base de dados da competição “IEEE DataPort Competition Day-Ahead Electricity Demand Forecasting: Post-COVID Paradigm”. Três arquiteturas de redes neurais profundas são propostas, sendo uma rede convolucional, uma rede recorrente e uma rede híbrida (convolucional-recorrente). O melhor modelo apresentado é caracterizado pela extração de características espaço-temporais dos dados de entrada, por meio da rede híbrida. É realizado uma análise preliminar dos dados de entrada, com a exclusão de variáveis anômalas e a aplicação de uma janela deslizante, com intervalo de 24 horas, que define a quantidade de horas necessárias para predizer a demanda da próxima hora. Também foi implementada a normalização dos dados de entrada, com uma ponderação com fator de 10 para a variável demanda. O desempenho dos modelos propostos foi comparado com os modelos desenvolvidos na competição, por meio de uma análise benchmark. A arquitetura híbrida proposta neste trabalho apresentou um erro absoluto médio de 2361,84 kW (78,22% inferior ao modelo de melhor desempenho da competição) e uma similaridade da curva de demanda real e a curva de demanda predita também superior aos referidos modelos. Tais fatos evidenciam a eficiência da aplicação de redes profundas, frente aos métodos clássicos aplicados por outros autores.
author_additional	Costa, Marly Guimarães Fernandes
author_additionalStr	Costa, Marly Guimarães Fernandes
format	Dissertação
author	Vilaça, Neilson Luniere
author2	https://lattes.cnpq.br/8364451690823836
author2Str	https://lattes.cnpq.br/8364451690823836
title	Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
title_short	Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
title_full	Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
title_fullStr	Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
title_full_unstemmed	Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
title_sort	predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes
publisher	Universidade Federal do Amazonas
publishDate	2023
url	https://tede.ufam.edu.br/handle/tede/9279
_version_	1831970146274508800
score	11.753735

Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes

Registros relacionados