Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.946
Aluno: Diogo Moury Fernandes Izidio
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Título: Uma Abordagem Evolutiva para Combinação de Modelos Aplicada a
Previsão de Consumo de Energia
Data: 29/01/2021
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Luciano de Andrade Barbosa (UFPE / Centro de Informática)
Prof. João Fausto Lorenzato de Oliveira(UPE / Escola Politécnica de PE)
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
RESUMO:
O estudo sobre o consumo de energia elétrica vem crescentemente atraindo
atenção da comunidade científica devido aos grandes impactos econômicos e
ambientais. Dentro desse contexto, a introdução de medidores inteligentes
vem sendo proposta como uma alternativa para aumentar a eficiência e
melhorar o gerenciamento do consumo de energia em edifícios. Tais
benefícios são geralmente associados à uma melhor compreensão acerca do
consumo, assim como melhorias na detecção de fraudes e no planejamento da
malha elétrica, tarefas diretamente ligadas à capacidade de prever o
consumo de energia de forma acurada. Esse trabalho propõe um sistema
híbrido que combina modelos estatísticos e de Aprendizado de Máquina (AM)
para modelar padrões lineares e não-lineares das séries temporais de
consumo de energia registradas por medidores inteligentes. O sistema
híbrido é composto de três partes: uma técnica linear é utilizada para
modelar os padrões lineares e sazonais presentes nas séries de consumo; uma
técnica de AM é empregada para modelar os padrões não-lineares presentes
nas séries de resíduos do modelo linear; e a combinação das previsões
lineares e não-lineares é feita por um terceiro modelo de AM. Para realizar
seleção de variáveis de entrada de cada técnica e superar problemas como
underfitting, overfitting e má-especificação de parâmetros, um Algoritmo
Genético foi usado nas etapas de modelagem não-linear e combinação das
previsões. A avaliação experimental utilizou cinco métricas largamente
utilizadas, mostrando que o sistema híbrido proposto alcança melhorias
estatisticamente significantes nos resultados quando comparados com modelos
estatísticos, híbridos e de AM da literatura.
Palavras-chave: Séries Temporais; Sistemas Híbridos; Redes Neurais
Artificiais; Algoritmos Genéticos; Computação Evolutiva; Aprendizado de
Máquina; Regressão por Vetores de Suporte (SVR); Consumo de Energia;
Análise de Séries de Resíduos; Inteligência Artificial; SARIMA;
Comentários desativados