Predição de demanda de carga elétrica e aprendizado de máquina: modelagem, análises e aplicações

• Processo: 18/05341-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2018
• Data de Término da vigência: 31 de maio de 2021
• Área de conhecimento: Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
• Pesquisador responsável: Wallace Correa de Oliveira Casaca
• Beneficiário: Matheus Pussaignolli de Paula
• Instituição Sede: Universidade Estadual Paulista (UNESP). Campus de Rosana. Rosana , SP, Brasil
• Assunto(s): Planejamento energético Consumo de energia elétrica Energia elétrica Carga elétrica Plataforma (computação) Inteligência artificial Predição Aprendizado computacional Análise de dados
• Palavra(s)-Chave do Pesquisador: Energia Elétrica | Inteligência Artificial | Planejamento energético | Predição de carga energética | Planejamento energético via plataformas computacionais

Resumo

A previsão do consumo de energia elétrica é um tema de grande relevância para a indústria de energia, uma vez que equívocos na relação geração x demanda podem levar a enormes prejuízos financeiros, sendo também crucial para que se tenha um horizonte mais seguro da utilização da energia elétrica por parte de seus centros consumidores. De fato, a discussão sobre a importância dessa previsão aumentou demasiadamente nos últimos 20 anos, sobretudo após o racionamento de 2001, situação que fez com que empresas do ramo de energia enfrentassem o desafio de realizar uma previsão mais realista da demanda energética. Nesse contexto, o uso de soluções computacionais tem se tornado um importante aliado, viabilizando planos estratégicos de eficiência na geração de energia e políticas públicas de segurança a partir de ferramentas de análise de dados e modelos de predição de demanda. Assim, este projeto visa investigar o problema de predição de carga elétrica a partir do estudo de modelos de Aprendizado de Máquina (AM), possibilitando assim o auxílio a tomadas de decisões por parte de empresas e entidades governamentais do setor de energia. Para o desenvolvimento desta pesquisa, serão analisadas três metodologias da área de AM: Modelos Clássicos de Regressão, Redes Neurais, e Árvores de Decisão + Bagging. Os modelos serão implementados e validados a partir de bases de dados públicas de demanda energética, as quais dispõem de dados tanto para testes como para treinamento.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DE PAULA, M.; COLNAGO, M.; FIDALGO, J.; CASACA, W.. Predicting Long-Term Wind Speed in Wind Farms of Northeast Brazil: A Comparative Analysis Through Machine Learning Models. IEEE Latin America Transactions, v. 18, n. 11, p. 2011-2018, NOV 2020. (18/05341-4)