PREVISÃO DO CONSUMO DE ELETRICIDADE DA REGIÃO SUDESTE: UM ESTUDO DE CASO UTILIZANDO MODELOS UNIVARIADO E MULTIVARIADO

Autores

Resumo

Resumo

Este trabalho tem como objetivo comparar o desempenho de previsão dos modelos LSTM univariado e multivariado. Para realizar esta comparação utilizou-se uma base de dados do consumo de energia elétrica da região Sudeste do Brasil, fornecida pela Empresa de Pesquisa Energética (EPE). A base de dados apresenta uma série mensal do consumo de energia elétrica no período entre Janeiro/2004 e Novembro/2023, totalizando 239 observações. Modelos de previsão, baseados em Redes Neurais LSTM, foram implementados na linguagem Python. Resultados obtidos, dos modelos univariado e multivariado, foram comparados por meio das métricas RSME (Root Mean Squared Error), MAPE (Mean Absolute Percent Error) e MAE (Mean Absolute Error). Verificou-se, para um horizonte de 6 meses, que o modelo LSTM multivariado apresentou um melhor desempenho.

Biografia do Autor

  • José Airton Azevedo dos Santos, Universidade Tecnológica Federal do Paraná-UTFPR, Câmpus Medianeira

    Possui Graduação em Engenharia Elétrica pela Universidade Católica de Pelotas (1987), Mestrado em Engenharia Elétrica pela Universidade Federal de Santa Catarina (1994) e Doutorado em Engenharia Elétrica pela Universidade Federal de Santa Catarina (1999). Atualmente é professor da Universidade Tecnológica Federal do Paraná. Tem experiência nas áreas de Engenharia Elétrica e Engenharia de Produção, atuando principalmente nos seguintes temas: Energia e Meio Ambiente, Modelagem e Simulação de Sistemas Contínuos e Discretos e Inteligência Artificial. É professor permanente do Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio da UTFPR - Câmpus Medianeira.

  • Aldino Normelio Brun Polo, Universidade Tecnológica Federal do Paraná-UTFPR, Câmpus Medianeira

    Engenheiro químico com experiência em produção e análise de Processos, atualmente atua como Analista de Business Intelligence e é mestrando do Programa de Pós-graduação em Tecnologias Computacionais para o Agronegócio - PPGTCA pela Universidade Tecnológica Federal do Paraná-UTFPR.

  • André Sandmann, Universidade Tecnológica Federal do Paraná-UTFPR, Câmpus Medianeira

    Possui graduação em Licenciatura em Matemática pela Universidade Estadual do Oeste do Paraná (2003), mestrado em Modelagem Matemática pela Universidade Regional do Noroeste do Estado do Rio Grande do Sul (2009) e doutorado em Engenharia Agrícola pela Universidade Federal de Campina Grande (2013). Atualmente é professor associado nível 2 da Universidade Tecnológica Federal do Paraná, conselhos, comissões e consultoria da Universidade Tecnológica Federal do Paraná, professor do mestrado PPGTCA da Universidade Tecnológica Federal do Paraná, membro do NDE de engenharia ambiental da Universidade Tecnológica Federal do Paraná, conselheiro da EDUTFPR. Pesquisador em temas correlatos a Matemática Aplicacda; atuando principalmente com produção de leite, modelo matemático, sistemas agroindustriais.

Referências

ANTONIOLLI, E. A. Previsão do consumo de energia elétrica em um frigorifico: um estudo de caso utilizando regressão linear, redes neurais e máquinas de vetores de suporte. 2021. 67 f. Dissertação (Mestrado em Tecnologias Computacionais para o Agronegócio) - Universidade Tecnológica Federal do Paraná, Medianeira, 2021. Disponível em: https://repositorio.utfpr.edu.br/jspui/handle/1/28877. Acesso em: 22 jul. 2024.

ARUNKUMAR, K. E et al. Comparative analysis of Gated Recurrent Units (GRU), long Short-Term memory (LSTM) cells, autoregressive Integrated moving average (ARIMA), seasonal autoregressive Integrated moving average (SARIMA) for forecasting COVID-19 trends. Alexandria Engineering Journal, v. 61, n. 1, 2022. Disponível em: https://doi.org/10.1016/j.aej.2022.01.011. Acesso em: 22 jul. 2024.

BASTIANI, M. et al. Application of data mining algorithms in the management of the broiler production. Geintec, v. 8, n. 1, 2018.

CAMELO, H. et al. C. Proposta para previsão de velocidade do vento através de modelagem híbrida elaborada a partir dos modelos ARIMAX e RNA. Revista Brasileira de Meteorologia, v. 33, n. 1, 2018. Disponível em: https://doi.org/10.1590/0102-7786331005. Acesso em: 22 jul. 2024.

CANKURT, S.; SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering, 2015.

DA SILVA, G, B.; OLIVEIRA, L.; SANTOS, J. A. A. BiLSTM-CNN network applied to the forecast of electricity consumption in agroindustry of the southwest of Goiás. Revista Cereus, v. 15, n. 3, p. 93-108, 2023. Disponível em: http://www.ojs.unirg.edu.br/index.php/1/article/view/4264/2106. Acesso em: 22 jul. 2027.

EPE - Empresa de Pesquisa Energética. Anuário estatístico de energia elétrica. Disponível em http://epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/anuario-estatistico-de-energia-eletrica. Acesso em: 12 dez. 2023.

GRAVES, A.; JAITLY, N.; MOHAMED, R. Hybrid speech recognition with deep bidirectional lstm. In. 2013 IEEE Workshop on Automatic Speech Recognition and nderstanding, Olomouc-Czech Republic, p. 273-278, 2013. Disponível em: https://doi.org/10.1109/ASRU.2013.6707742. Acesso em: 22 jul. 2024.

KHEIRKHAH, A. et al. Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering, v. 64, n. 1, p. 425-441, 2013. Disponível em https://doi.org/10.1016/j.cie.2012.09.017. Acesso em: 22 jul. 2024.

MARCOS, I. P.; JÚNIOR, A. P. P. Previsão do consumo de energia elétrica na região nordeste do Brasil. Revista de Engenharia e Pesquisa Aplicada, v. 6, n. 3, 2021. Disponível em: https://doi.org/10.25286/repa.v6i3.1684. Acesso em: 22 jul. 2024.

PASSOS, B. T. Long short term: redes neurais artificiais que são capazes de ler, ouvir e ler. Blog Ateliware. Curitiba, 9 nov. 2021. Disponível em: https://blog.ateliware.com/long-short-term-memory/. Acesso em: 22 jul. 2024.

PENG, L. et al. Effective energy consumption forecasting using empirical wavelet transform and long short-term memory. Energy, v. 238, n. 1, 2022. Disponível em: https://doi.org/10.1016/j.energy.2021.121756. Acesso em: 22 jul. 2024.

PINHEIRO, T. C.; SANTOS, J. A. A.; PASA, L. A. Gestão da produção de frangos de corte por meio de redes neurais artificiais. Revista Holos, v. 2, n. 1, p. 1-15, 2020. Disponível em: https://doi.org/10.15628/holos.2020.9043. Acesso em: 22 jul. 2024.

SANTOS, J. A. A. Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development, v. 11, n. 1, p. e351132610, 2022. Disponível em: https://doi.org/10.33448/rsd-v11i3.2610. Acesso em: 22 jul. 2024.

e. Previsão do consumo de energia elétrica em uma agroindústria: um estudo de caso usando redes LSTM e CNN-LSTM. Revista Cereus, v. 14, n. 1, p. 63-76, 2022. Disponível em: http://www.ojs.unirg.edu.br/index.php/1/article/view/3636. Acesso em: 22 jul. 2024.

SANTOS, J. A. A.; CHAUCOSKI, Y. Previsão do Consumo de Energia Elétrica na Região Sudeste: Um Estudo de Caso Usando SARIMA e LSTM. Revista Cereus, v. 12, n. 4, p. 93-104, 2020. Disponível em: http://ojs.unirg.edu.br/index.php/1/article/view/3255. Acesso em: 22 jul. 2024.

SANTOS, J. A. et al. Previsão do preço do milho: uma comparação entre os modelos SARIMA e LSTM. Peer Review, v. 5, n. 18, p. 538-549, 2023. Disponível em: https://doi.org/10.53660/952.prw2533. Acesso em: 22 jul. 2024.

SANTOS, J. A. A.; & SPANCERSKI, J. S. Redes neurais aplicadas na predição do preço da soja no estado do Paraná. Revista Exatas & Engenharias, v. 11, n. 1, p. 19-32, 2021. Disponível em: https://doi.org/10.25242/885X113220212282. Acesso em: 22 jul. 2024.

SHEWALKAR, A.; NYAVANANDI, D.; LUDWIG, S. A. Performance evaluation of deep neural networks applied to speech recognition; RNN, LSTM and GRU. Journal of Artificial Intelligence and Soft Computing Research, v. 9, n. 4, p. 235-245, 2019. Disponível em https://intapi.sciendo.com/pdf/10.2478/jaiscr-2019-0006. Acesso em: 22 jul. 2024.

SILVA, A. F. L. Redes Neuronais LSTM em Python: Previsão do S&P500. 2021, 26 f. Dissertação (Mestrado em Matemática Financeira) - Universidade de Lisboa, Lisboa, Portugal, 2023. Disponível em: https://repositorio.ul.pt/bitstream/10451/61679/1/TM_Andr%c3%a9_Silva.pdf. Acesso em: 22 jul. 2024.

STENGHELE, G. et al. Previsão do consumo de energia elétrica na região sudeste: um estudo de caso usando SARIMA. Rev. FSA, v. 17, n. 1, p. 169-183, 2020. Disponível em: http://www4.unifsa.com.br/revista/index.php/fsa/article/download/1956/491492137. Acesso em: 22 jul. 2024.

SUN, Q. et al. Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network. In: 14th Symposium on Neural Networks and Applications (NEUREL), Belgrado (Sérvia), 2018, p. 1-5. Disponível em: https://ieeexplore.ieee.org/abstract/document/8586990/metrics#metrics. Acesso em: 22 jul. 2024.

YANG, R.; HUANG, M.; LU, Q.; ZHONG, M. Rotating Machinery Fault Diagnosis Using Long-short-term Memory Recurrent Neural Network. IFAC-PapersOnLine, v. 51, n. 1, 2018.

YANG, R. et al. Rotating machinery fault diagnosis using long-short-term memory recurrent neural network. IFAC-PapersOnLine, v. 51, n. 24, p. 228-232, 2018. Disponível em: https://doi.org/10.1016/j.ifacol.2018.09.582. Acesso em 22 jul. 2024.

Downloads

Publicado

2024-07-27

Edição

v. 17 n. 1 (2024): RETEC - Revista de Tecnologias

Seção

Artigos