Aplicação de redes neurais artificiais para previsão de carga de curto prazo do sistema elétrico brasileiro

Abstract

Este trabalho compara duas Redes Neurais Artificiais (RNA) para previsão de cargas elétricas futuras a partir de uma série histórica de consumo total de energia elétrica no Brasil. Os dados históricos utilizados estão disponíveis publicamente pelo ONS Operador Nacional do Sistema Elétrico, e é dividido em seis capítulos. A introdução apresenta o contexto e os desafios do setor elétrico brasileiro, destacando a relevância da previsão de carga para a operação do Sistema Interligado Nacional (SIN) e descrevendo os objetivos do trabalho. No capítulo de referencial teórico, são discutidos os conceitos fundamentais de redes neurais artificiais, com foco nas arquiteturas Multilayer Perceptron (MLP) e Long Short-Term Memory (LSTM). São analisadas as especificidades dessas redes no contexto de séries temporais e as métricas estatísticas utilizadas para avaliar os modelos, como MAE e MAPE. A metodologia detalha as etapas do estudo, desde a coleta e pré-processamento de dados fornecidos pelo ONS até a implementação dos modelos. Destaca-se o uso de dados de carga e temperatura histórica do SIN, organizados e normalizados para alimentar os modelos preditivos. São descritas as técnicas de aprendizado utilizadas e os parâmetros ajustados para maximizar a precisão das previsões. No capítulo de desenvolvimento, o trabalho expõe a configuração dos modelos e os critérios para seleção de variáveis relevantes. Ressalta-se a aplicação de técnicas como One-Hot Encoding para otimizar o aprendizado. Os modelos foram treinados e avaliados com dados históricos, permitindo uma análise detalhada do desempenho em diferentes cenários. Os resultados, apresentados no quinto capítulo, mostram que o modelo LSTM apresentou melhor desempenho em capturar padrões temporais complexos, com menor MAPE em comparação ao MLP. O trabalho conclui que ambas as arquiteturas são eficazes, mas o LSTM é mais robusto para séries temporais de alta complexidade. Sugere-se a inclusão de variáveis climáticas adicionais e a experimentação com modelos híbridos para trabalhos futuros. A conclusão reforça a relevância do uso de redes neurais na previsão de carga, destacando sua contribuição para o planejamento energético no Brasil. Limitações do estudo são discutidas, e propostas de continuidade são apresentadas, incluindo o aprimoramento dos modelos e a aplicação em outras regiões.

This work compares two Artificial Neural Networks (ANN) to predict future electrical loads based on a historical series of total electrical energy consumption in Brazil. The historical data used is publicly available by the ONS Operador Nacional do Sistema Elétrico, and it is structured into six chapters, detailing the development and application of neural network models for load forecasting in Brazil. The introduction presents the context and challenges of the Brazilian electric sector, emphasizing the importance of load forecasting for the operation of the National Interconnected System (SIN) and outlining the objectives of the study. The theoretical framework chapter discusses fundamental concepts of artificial neural networks, focusing on the Multilayer Perceptron (MLP) and Long Short-Term Memory (LSTM) architectures. The chapter analyzes the specificities of these networks for time series data and the statistical metrics used to evaluate the models, such as MAE and MAPE. The methodology details the study’s stages, from data collection and preprocessing provided by ONS to the implementation of the models. It highlights the use of historical SIN load and temperature data, organized and normalized to feed the predictive models. Learning techniques and parameter tuning are described to maximize prediction accuracy. In the development chapter, the work explains the model configurations and criteria for selecting relevant variables. Techniques like One-Hot Encoding are emphasized to optimize learning. The models were trained and evaluated using historical data, enabling a detailed performance analysis in various scenarios. The results, presented in the fifth chapter, indicate that the LSTM model outperformed the MLP in capturing complex temporal patterns, achieving a lower MAPE. The study concludes that while both architectures are effective, LSTM is more robust for high-complexity time series. The inclusion of additional climatic variables and experimentation with hybrid models is suggested for future research. The conclusion reinforces the relevance of neural networks in load forecasting, highlighting their contribution to energy planning in Brazil. The study discusses its limitations and proposes future work, including model enhancements and applications in other regions.