Aplicação Híbrida com Redes Neurais Profundas e Algoritmo Genético para Previsão de Séries Temporais do Sistema de Energia Elétrica Brasileira

Abstract

O cenário da energia elétrica no Brasil é influenciado por fatores complexos, além de possuir relações não lineares, o que dificulta sua previsibilidade. Para superar esse problema, propomos uma adaptação baseada na combinação de Redes Neurais Artificiais Profundas e Algoritmo Genético – AG para uso na previsão de algumas séries temporais do setor de energia elétrica brasileira. O AG usa um genótipo binário, de 53 bits, que busca o melhor número de camadas intermediárias, melhor número de células e modificações por Dropout para projetar a estrutura do Long Short Term Memory – LSTM e assim aprimorar a predição. Simulações foram realizadas para verificar o desempenho do método proposto em conjuntos de dados do mundo real: Preço de Liquidação das Diferenças e Velocidade do Vento de aerogeradores do Nordeste do Brasil. Verificou-se que a combinação do AG e LSTM tem melhores predições, em comparação com modelo Perceptron Multicamadas – MLP. Esses resultados mostram que, a abordagem é de grande utilidade para aprimorar e consolidar práticas voltadas para regulação de setor elétrico com o uso do PLD, e também para conversão da energia eólica para energia elétrica.

Uso do ARIMA e SVM para previsão de séries temporais do sistema elétrico brasileiro

“…Os dados são referentes ao preço médio do PLD da região Norte, com 440 observações semanais de 2001 a 2009, e da velocidade do vento em aerogeradores de energia, contendo 4900 observações diárias do período de 2004 a 2017 da cidade de Macau no Nordeste brasileiro (Conte et al, 2021). As Figuras 1 e 2 apresentam, respectivamente, as visualizações das bases de dados do PLD semanal médio e da velocidade do vento.…”

“…Há diversos métodos que envolvem a aprendizagem de máquina propostos na literatura com diferentes abrangências, porém se tratando da energia elétrica brasileira, podemos citar Lagasse (2020), que utiliza ferramentas estatísticas para prever o comportamento do PLD a partir da análise de regressão linear múltipla e séries temporais. Além disso, Conte et al (2021), propõe uma abordagem híbrida para previsão de séries temporais que combina Algoritmo Genético e Long Short Term Memory (AG+LSTM) para predizer o PLD e a velocidade do vento, e igualmente, temos a combinação de técnicas lineares e não lineares para previsão de séries temporais da velocidade do vento com dados de diferentes estados da região Nordeste, porém, envolvendo modelos estatísticos como ARIMA e de inteligência artificial como MLP e LSTM (Assunção et al, 2022). Por fim, (Nascimento, 2022), trabalha métodos de suavização exponencial e modelos de redes neurais artificiais para previsão de séries temporais do preço de energia elétrica no mercado de curto prazo do submercado Sudeste/Centro-Oeste.…”