Previsão de demanda de curto prazo : uma abordagem serial com redes neurais convolucionais e recorrentes

Abstract

A previsão de demanda de energia elétrica é de extrema importância para garantir a operação adequada dos sistemas de distribuição de energia. No entanto, existem vá- rios desafios nessa previsão devido à natureza aleatória do clima e aos diferentes padrões de consumo dos usuários residenciais. Nos últimos anos, os métodos de aprendizado profunda têm despertado maior interesse nas pesquisas de previsão de demanda, devido à capacidade dessas metodologias lidarem com grandes quantidades de dados. Com o surgimento de grandes conjuntos de dados e a necessidade de otimizar o tempo de processamento, surgiram metodologias combinando métodos de aprendizado de máquina, extração de características e/ou otimização de hiperparâmetros. Este trabalho propõe uma metodologia combinada de aprendizagem profunda, a qual considera, em primeiro lugar, uma rede neural LSTM, que é capaz de aprender os padrões temporais e sazonalidades dos dados históricos de demanda de energia. Em segundo lugar, uma metodologia especializada na extração de caraterísticas XGboost, que é utilizada para extrair as características relevantes dos dados, identificando as variáveis de entrada que têm maior influência na previsão da demanda e a escolha destas variáveis é corroborado com análise de correlação. Em terceiro lugar, utiliza-se uma metodologia especializada em definição dos hiperparâmetros, os quais precisam ser ajustados para obter o melhor desempenho do previsor. Com a metodologia apresentada são realizados estudos de caso com duas bases de dados: IrishCer e Ausgrid. Os testes consideram previsão para demanda individual e agregada. Efetuam-se previsões para grupos de 10, 30, 50 e 100 consumidores. Os resultados alcançados mostram que os grupos de 50 e 100 consumidores o previsor apresenta melhores resultados com erros menores a 3% para ambas bases de dados. Isto devido a menor variância da demanda destes grupos em comparação aos grupos de 10 e 30 consumidores. Pode-se observar que para os conjuntos de 10 e 30 consumidores a previsão da demanda individual obteve erros menores que a previsão da demanda agregada.

Load forecasting is of utmost importance to ensure the proper operation of power distribution systems. However, there are several challenges in this forecasting due to the random nature of the weather and the different consumption patterns of residential users. In recent years, deep learning methods have attracted increased interest in load forecasting research due to the ability of these methodologies to handle large amounts of data. With the emergence of large datasets and the need to optimize processing time, methodologies combining machine learning methods, feature extraction and/or hyperparameter optimization have emerged. This work proposes a combined deep learning methodology, which considers, firstly, an LSTM neural network, which is able to learn the temporal patterns and seasonalities of historical energy demand data. Secondly, a specialized feature extraction methodology XGboost is used to extract the relevant features from the data, identifying the input variables that have the greatest influence on the load forecasting and the choice of these variables is corroborated with correlation analysis. Thirdly, a specialized methodology is used to define the hyperparameters, which need to be adjusted to obtain the best performance of the forecaster. With the methodology presented, case studies are carried out with two databases: IrishCer and Ausgrid. The tests consider forecasting for individual and aggregate load. Forecasts are made for groups of 10, 30, 50 and 100 consumers. The results show that for the groups of 50 and 100 consumers, the load forecasting presents better results with errors smaller than 3% for both databases. This is due to the lower variance of the demand of these groups compared to the groups of 10 and 30 consumers. It can be observed that for the sets of 10 and 30 consumers the individual load forecasting obtained smaller errors than the aggregate load forecasting.