Aplicando aprendizado de máquinas profundo na predição de demanda de energia elétrica para o dia seguinte, em cenário adverso

Abstract

A predição da demanda de energia em cenários adversos, como a pandemia da COVID-19, é fundamental para assegurar o fornecimento de eletricidade e o funcionamento de serviços básicos de uma região metropolitana. Neste trabalho, é proposto um modelo de aprendizado profundo para predizer a demanda para o próximo dia, utilizando a base de dados da competição “IEEE DataPort Competition Day-Ahead Electricity Demand Forecasting: Post-COVID Paradigm”. Duas arquiteturas de redes neurais profundas são propostas, sendo uma rede convolutiva e uma recorrente. O desempenho dos modelos propostos foi comparado com os modelos desenvolvidos na competição, por meio de uma análise benchmark. O melhor resultado alcançado foi utilizando a rede recorrente, obtendo um erro médio absoluto de 2530,15 kW, superando o primeiro colocado da competição.