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