Predição de demanda energética e preços em despachos hidrotérmicos: modelagem e aplicações via aprendizado de máquina

• Processo: 18/15965-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de novembro de 2018
• Vigência (Término): 31 de outubro de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Wallace Correa de Oliveira Casaca
• Beneficiário: João Vitor de Moraes Leme
• Instituição Sede: Universidade Estadual Paulista (UNESP). Campus de Rosana. Rosana , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Inteligência computacional Aprendizado computacional Demanda energética Eficiência energética Bases de dados
• Palavra(s)-Chave do Pesquisador: Análise exploratória de dados | Aprendizado de Máquina | Data Science | Eficiência Energética | Inteligência computacional | Regressão | Inteligência Computacional

Resumo

A previsão da potência elétrica hora-demandada e seu preço ofertado no mercado livre de energia é uma das tarefas mais importantes no gerenciamento de sistemas de despacho de energia modernos. Melhorar a assertividade dessa previsão pode auxiliar agências governamentais, geradoras e concessionárias do setor elétrico a desenvolverem um planejamento mais otimizado do custo da geração da eletricidade para demandas imediatas, sendo também de grande valia para que se estabeleça um horizonte de consumo mais seguro por parte de seus centros consumidores. Assim, este projeto tem como objetivo investigar tanto o problema de predição de potência elétrica hora-demandada quanto seu preço após o despacho para consumo externo, sob o viés de modelos de Aprendizado de Máquina (AM), ferramentas de Data Science e análise exploratória de dados, contribuindo, desta forma, para que agentes do ramo elétrico possam formular planos de alocação de energia mais otimizados, seguros e econômicos. Para o desenvolvimento desta pesquisa, serão estudadas três metodologias clássicas de AM: Florestas Randômicas (Random Forest), Máquinas de Vetores de Suporte (Support Vector Machines), e Aumento do Gradiente (Gradient Boosting). Os modelos serão implementados e validados a partir de bases de dados públicas disponibilizadas tanto por operadores de energia do exterior como nacionais, possibilitando, além de tecer análises mais aprofundadas e realistas do problema investigado, estreitar relações entre a academia e a indústria de energia, bem como ainda fomentar planos de eficiência energética para empresas e agências nacionais do ramo.

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)

LEME, JOAO VITOR; CASACA, WALLACE; COLNAGO, MARILAINE; DIAS, MAURICIO ARAUJO. Towards Assessing the Electricity Demand in Brazil: Data-Driven Analysis and Ensemble Learning Models. ENERGIES, v. 13, n. 6, MAR 2020. (18/15965-5, 13/07375-0)