Busca avançada
Ano de início
Entree

Rumo à Avaliação de Demanda de Eletricidade no Brasil: Análise Guiada a Dados e Modelos de Aprendizagem por Agrupamento

Processo: 20/03844-9
Linha de fomento:Auxílio à Pesquisa - Publicações científicas - Artigo
Vigência: 01 de maio de 2020 - 31 de outubro de 2020
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Wallace Correa de Oliveira Casaca
Beneficiário:Wallace Correa de Oliveira Casaca
Instituição-sede: Universidade Estadual Paulista (UNESP). Campus de Rosana. Rosana , SP, Brasil
Assunto(s):Energia elétrica  Aprendizado computacional  Ciência de dados  Planejamento energético 

Resumo

A previsão da geração de eletricidade é uma das tarefas mais importantes no gerenciamento de sistemas energéticos modernos. Melhorar a assertividade dessa previsão pode auxiliar agências governamentais, companhias elétricas e fornecedores de energia a minimizar o custo da eletricidade para o consumidor final. Neste trabalho, o problema de previsão de demanda de energia elétrica no Sistema Interligado Nacional é abordado. Para tal, foram integradas diferentes bases de dados do setor energético adquiridas de duas agências públicas nacionais, resultando assim em um banco de dados unificado e inteiramente aberto à comunidade científica, o qual foi usado posteriormente para ajustar três modelos de Aprendizado de Máquina. Diferente da maioria das obras científicas existentes que exploram o contexto nacional a partir de estimativas anuais/menais da carga elétrica, os modelos de aprendizagem aqui implementados, a saber, Floresta Aleatória, Aumento do Gradiente, e Máquinas de Vetores de Suporte, foram treinados e aperfeiçoados como novos preditores baseados em agrupamentos com ajuste ótimo de parâmetros para alcançar estimativas diárias/mensais da carga. Além disso, também é apresentada no artigo uma análise aprofundada dos dados relacionados à energia obtidos da rede elétrica nacional. Conforme verificado em nosso estudo de validação, os preditores implementados foram bastante efetivos na inferência da carga elétrica, obtendo erros de predição demasiadamente pequenos em diferentes cenários de avaliação. (AU)