Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.005

Aluno: Raphael Crespo Pereira
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Título: Otimização de Combinação de Modelos para Previsão de Consumo de 
Energia
Data: 07/03/2022
Hora/Local: 14h – Virtual – Interessados em Assistir entrar em contato com o aluno
Banca Examinadora:
Prof.  Luciano de Andrade Barbosa (UFPE / Centro de Informática)
Prof. Manoel Henrique da Nóbrega Marinho  (UPE / Escola Politécnica de PE)
Prof. Paulo Salgado Gomes de Mattos Neto  (UFPE / Centro de Informática)


RESUMO:

A previsão do consumo de energia elétrica é um processo que permite a 
melhoria de tomada de decisões auxiliando na gestão e gerenciamento de 
consumo em edifícios de pequeno porte, graças aos avanços dos medidores 
inteligentes. Na literatura pode-se observar que a previsão de consumo  de 
energia é um problema desafiador por ser um tipo de série temporal composta 
de correlações lineares e não-lineares.  Por este motivo, os modelos 
estatísticos clássicos que são amplamente utilizados na literatura, possuem 
uma capacidade limitada de identificar todos os padrões da série, já que 
tais modelos são construídos considerando uma correlação linear dos dados. 
Assim, a utilização de modelos não-lineares baseados em Aprendizagem de 
Máquina (AM), se mostram bons candidatos por serem capazes de identificar 
os padrões não- lineares. Além da utilização destes modelos, existem 
trabalhos que mostram um ganho de desempenho com a utilização de Sistemas 
Híbridos, na qual realizam a combinação dos modelos lineares estatísticos 
com modelos não-lineares de AM. Tal combinação considera que o resíduo dos 
modelos lineares, ou seja, a série composta pela diferença entre o real e o 
previsto, possui padrões não-lineares que não foram captados. Este trabalho 
propõe uma nova abordagem baseada na utilização de Sistemas Híbridos 
Inteligentes composta por três modelos, sendo eles: modelo linear para 
realizar a extração dos padrões lineares da série temporal, modelo 
não-linear para realizar a extração dos padrões não-lineares presentes na 
série de resíduos e um modelo de combinação que considera que existe uma 
relação não linear entre a série temporal, a série de resíduos, a previsão 
da série temporal e a previsão da série de resíduos. Para contornar os 
problemas de seleção dos dados que serão utilizados como entrada (lags) e a 
escolha subótima dos hiperparâmetros dos modelos de AM, a metodologia 
proposta possui 2 etapas de otimização, sendo uma delas na seleção da 
quantidade de lags e dos hiperparâmetros do modelo de resíduos; e a outra 
no modelo de combinação, realizando a seleção dos hiperparâmetros e da 
quantidade de lags de cada uma das quatro séries utilizadas como dados de 
entrada (Real, Resíduos, Previsão da Real e Previsão dos Resíduos). Desta 
forma o sistema se mostra flexível por permitir explorar diferentes 
combinações das séries e assim avaliar unificadamente diferentes propostas 
de combinações que são encontradas na literatura. Nos experimentos 
realizados foram utilizados o ARIMA como modelo linear e LSTM como modelo 
não-linear. Para o  modelo de combinação foram testados o  XGBoost e SVR e 
o Tree Parzen Estimator como algoritmo de otimização. Os resultados 
encontrados apresentaram um desempenho superior ao estado da arte para 
previsão do consumo de energia, a partir de dados de medidores inteligentes 
utilizando as métricas clássicas de avaliação de modelos de previsão de 
série temporal.

Palavras-chave: Séries Temporais, Otimização Bayesiana, 
Aprendizagem de Máquina, Deep Learning, Previsão de Consumo de Energia.

Comentários desativados