Projeção de demanda elétrica com algoritmos de aprendizado de máquina
Visualizar/abrir
Data
2022Orientador
Nível acadêmico
Graduação
Assunto
Resumo
A indústria de energia elétrica requer uma grande rede de pessoas e estruturas conectadas trabalhando em harmonia para organizar os sistemas de geração, transmissão e distribuição que atendem os domicílios e negócios. Este trabalho tem como foco comparar modelos de séries temporais para prever a demanda de curto prazo no setor, cuja acuracidade permite gerência, agendamento e despacho de carga mais eficientes, estáveis e, consequentemente, com menores perdas operacionais para os provedores de e ...
A indústria de energia elétrica requer uma grande rede de pessoas e estruturas conectadas trabalhando em harmonia para organizar os sistemas de geração, transmissão e distribuição que atendem os domicílios e negócios. Este trabalho tem como foco comparar modelos de séries temporais para prever a demanda de curto prazo no setor, cuja acuracidade permite gerência, agendamento e despacho de carga mais eficientes, estáveis e, consequentemente, com menores perdas operacionais para os provedores de energia. As abordagens com alisamento exponencial de Holt-Winters e com SARIMA foram comparadas aos algoritmos Prophet, TBATS, árvores de decisão, XGBoost, LightGBM e ensemble learning em um horizonte de quinze dias fora da amostra. As análises indicam uma superioridade destes em relação àquelas, em especial os modelos multivariado LightGBM, com erro percentual absoluto médio de 3,06%; Prophet, com 2,46%; e ensemble learning, com 1,60%. ...
Abstract
The electric power industry requires a massive network of people and structures working together in harmony to organize generation, transmission and distribution systems to provide for households and businesses. This paper aims to compare time series models on short-term electricity demand forecasting, whose accuracy leads to more efficient and stable managing, scheduling and dispatch of resources, thus resulting in fewer operational losses for the energy suppliers. Approaches such as the Holt- ...
The electric power industry requires a massive network of people and structures working together in harmony to organize generation, transmission and distribution systems to provide for households and businesses. This paper aims to compare time series models on short-term electricity demand forecasting, whose accuracy leads to more efficient and stable managing, scheduling and dispatch of resources, thus resulting in fewer operational losses for the energy suppliers. Approaches such as the Holt-Winters exponential smoothing method and SARIMA were compared to the Prophet, TBATS, decision trees, XGBoost, LightGBM and ensemble learning algorithms on a fifteen-day out-of-sample forecast. The results indicated a superiority of these algorithms when compared to the first two models, specially the multivariate LightGBM, with a mean absolute percentage error of 3,06%; Prophet, with 2,46%; and ensemble learning, with 1,60%. ...
Instituição
Universidade Federal do Rio Grande do Sul. Faculdade de Ciências Econômicas. Curso de Ciências Econômicas.
Coleções
-
TCC Ciências Econômicas (1290)
Este item está licenciado na Creative Commons License