PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA EM MICROGRID CONSIDERANDO NÍVEIS MENOS AGREGADOS POR MEIO DA APLICAÇÃO DE REDE NEURAL ARTIFICIAL GRNN COMBINADA COM O MÉTODO ESTATÍSTICO SARIMA
O crescimento do consumo de energia elétrica no mundo obriga que países tenham um planejamento bem estruturado em relação a previsão da demanda de energia elétrica de seus mais diversos setores. Utilizam-se diversas técnicas para previsão de cargas elétricas, como, por exemplo, os modelos de inteligência artificial, os modelos estatísticos e os modelos híbridos. Neste trabalho é apresentado um modelo baseado na combinação entre um método estatístico, o SARIMA, e uma rede neural artificial (RNA) GRNN (Rede Neural de Regressão Generalizada), com objetivo de melhorar a acurácia das previsões de demanda de energia elétrica em um conjunto de dados. As técnicas utilizadas para previsão consideraram um horizonte de previsão de 1, 3 e 5 dias, sendo a primeira técnica a combinação entre a GRNN e o SARIMA, e, as outras técnicas foram os próprios métodos previsores separadamente, além da RNA LSTM, muito utilizada para previsão de séries temporais. Os resultados obtidos com o modelo combinado proposto GRNN+SARIMA são, em geral, mais precisos quando comparados com os resultados das técnicas individualmente, pois combinam as vantagens da GRNN e do SARIMA, suavizando as características negativas uma da outra, ocasionado assim, um equilíbrio que se reflete na previsão gerada. Os resultados são semelhantes aos resultados da LSTM em algumas simulações comprovando sua eficácia e tornando-se uma ótima opção com um custo computacional menor do que a LSTM.
PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA EM MICROGRID CONSIDERANDO NÍVEIS MENOS AGREGADOS POR MEIO DA APLICAÇÃO DE REDE NEURAL ARTIFICIAL GRNN COMBINADA COM O MÉTODO ESTATÍSTICO SARIMA
-
DOI: 10.22533/at.ed.33823200418
-
Palavras-chave: SARIMA, Redes Neurais Artificiais, Previsão de demanda, GRNN, LSTM
-
Keywords: SARIMA, Artificial Neural Networks, Demand forecast, GRNN, LSTM
-
Abstract:
The growth of electricity consumption in the world requires countries to have a well-structured plan in relation to forecasting the demand for electricity in their most diverse sectors. Several techniques are used to predict electrical loads, such as artificial intelligence models, statistical models and hybrid models. This work presents a model based on the combination of a statistical method, SARIMA, and an artificial neural network (ANN) GRNN (Generalized Regression Neural Network), with the aim of improving the accuracy of forecasts of electricity demand in a set of of data. The techniques used for forecasting considered a forecasting horizon of 1, 3 and 5 days, the first technique being the combination of GRNN and SARIMA, and the other techniques were the forecasting methods themselves separately, in addition to the ANN LSTM, which is widely used. for time series forecasting. The results obtained with the proposed combined model GRNN+SARIMA are, in general, more accurate when compared with the results of the techniques individually, as they combine the advantages of GRNN and SARIMA, smoothing out the negative characteristics of each other, thus causing a balance which is reflected in the generated forecast. The results are similar to the LSTM results in some simulations, proving its effectiveness and making it a great option with a lower computational cost than the LSTM.
- Nelson Nunes André Junior
- Carlos Roberto Mendonça da Rocha
- Marcos Ricardo Müller
