65ª Reunião Anual da SBPC

A. Ciências Exatas e da Terra - 2. Ciência da Computação - 6. Inteligência Artificial e Redes Neurais

OTIMIZAÇÃO DA PREVISÃO POR COMBINAÇÃO UTILIZANDO REDES NEURAIS ARTIFICIAIS: PREVISÕES APLICADAS AO CONSUMO DE ENERGIA ELÉTRICA RESIDENCIAL NO ESTADO DE SANTA CATARINA

Manuela Machado - Depto. de Economia e Relações Internacionais - UFSC Gueibi Peres Souza - Prof. Dr. – Depto. de Economia e Relações Internacionais - UFSC Claudio Magalhães de Oliveira - Dr. Eng. - IDESTI - Instituto de Capac., Pesquisa e Desenv. Inst. em G. S. de TI Luiz Angelo Daros de Luca - Me. - IDESTI - Instituto de Capac., Pesquisa e Desenv. Inst. em G. S. de TI Matheus Braun Magrin - Depto. de Informática e Estatística - UFSC Naiane dos Santos Miguel - Depto. de Economia e Relações Internacionais - UFSC

INTRODUÇÃO:

A elaboração de previsões a partir de combinações realizadas por distintos métodos vem sendo estudada nas últimas quatro décadas. Vários métodos foram propostos e não há um consenso sobre qual a forma mais adequada de se combinar previsões para cada situação contextual. Porém, diversos estudos mostram que combinar tende a reduzir o erro. Estes mesmos estudos revelam que quando as previsões são combinadas o resultado tende a apresentar soluções mais precisas que às soluções obtidas com os modelos individuais utilizados na combinação, reduzindo erros e otimizando os resultados. No setor elétrico, é usual a elaboração de previsões de demanda por energia e carga para o curto, médio e longo prazos. Tais previsões são utilizadas para subsidiar tomadas de decisões dos diversos agentes do setor em várias e distintas áreas. Dada à complexidade do setor elétrico e o volume de recursos financeiros empregados, a disponibilidade de previsões relativamente acuradas é de grande importância para este setor da economia. Portanto, neste setor, se faz relevante o estudo de técnicas de combinação de diferentes métodos de previsão, na busca de redução dos erros observados.

OBJETIVO DO TRABALHO:

Gerar previsões de consumo de energia através de técnicas distintas e em seguida combina-las, a fim de se obter resultados mais precisos que os obtidos pelos modelos individuais encontrados. As previsões referem-se ao consumo mensal de energia da classe residencial no Estado de Santa Catarina, na área de concessão da distribuidora de energia local (CELESC Distribuição S.A.).

MÉTODOS:

A fase experimental da pesquisa se divide em três etapas: a modelagem individual, a combinação das modelagens individuais e comparação das medidas de erros. Para as modelagens individuais foram utilizadas quatro técnicas distintas: análise de regressão, suavização exponencial, Box-Jenkins e redes neurais artificiais (RNA). Em seguida, os resultados individuais foram combinados por meio de uma RNA do tipo Perceptron Múltiplas Camadas (Multilayer Perceptron - MLP). A medida de erro empregada na analise comparativa dos resultados foi o Erro Percentual Absoluto Médio (Mean Absolute Percentual Error - MAPE). Os modelos foram construídos e testados por meio das ferramentas computacionais MATLAB®, Gretl® e NNQ-Stat®. As séries históricas de energia obtidas com a CELESC foram relacionadas com 11 dummies binárias representando os meses de Fev. à Dez., a proporção de dias afetados pelo horário de verão em relação ao total de dias no mês e a relação não-linear da temperatura ambiente com o consumo de energia elétrica. Todos os modelos foram construídos utilizando o mesmo conjunto de variáveis e mesma periodicidade, de janeiro de 2000 a junho de 2011, visando possíveis comparações entre os métodos e modelos.

RESULTADOS E DISCUSSÃO:

Na fase de modelagem individual foram gerados quatro modelos distintos, todos construídos com dados de janeiro de 2001 a junho de 2010. Em seguida, os mesmos foram utilizados para prever o período julho de 2010 a junho de 2011. Neste processo estão incluídas as estimações de dois modelos univariados: ARIMA (2.1.2) e suavização exponencial com erro multiplicativo, sem tendência e sazonalidade multiplicativa (MNM) e dois modelos multivariados: de regressão dinâmica por MQO e RNA do tipo MLP. Os modelos ARIMA e MNM apresentaram medidas de erro menos precisas em termos de MAPE, com valores de aproximadamente 2,88% e 2,28%, respectivamente, dentro da amostra, e 3,56% e 3%, respectivamente, fora da amostra. A análise de regressão apresentou um MAPE de aproximadamente 1,63% na predição e 1,76% na previsão, enquanto a RNA/MLP, usando os erros quadrados médios dos conjuntos de treino e validação como critério de parada do treino e com uma camada oculta de 23 neurônios, apresentou erros de 1,49% na predição e 2,10% na previsão. Por fim, a combinação das previsões produziu resultados ainda mais precisos. O melhor resultado obtido com a combinação através de RNA/MLP com uma camada oculta de um neurônio, produziu MAPE de 0,88% dentro da amostra e de 1,75%, fora da amostra.

CONCLUSÕES:

Os resultados da pesquisa são relevantes para a CELESC Distribuição S.A., bem como para o setor elétrico nacional. O método de combinação empregado produziu resultados mais precisos que os obtidos através dos diferentes métodos individuais. Na predição a combinação apresentou, em relação aos métodos ARIMA, MNM, regressão e MLP, ganhos de precisão em termos de MAPE de, 2p.p.; 1,4p.p.; 0,75 p.p. e 0,61 p.p., respectivamente. Na previsão, os ganhos obtidos em termos de MAPE foram de 2,68p.p.; 2,12p.p.; 0,01p.p. e 0,35p.p., respectivamente. Contudo, ainda cabe ressaltar quais as principais variáveis determinantes do consumo mensal de energia elétrica residencial no Estado para o período amostral adotado. Tendo em vista os resultados estimados através dos modelos individuais é possível verificar a influência do próprio consumo defasado (em até dois períodos) no consumo de energia residencial mensal, a relação não linear da temperatura ambiente, a proporção de dias afetados pelo horário de verão no mês (considerando apenas os meses de fevereiro, outubro e novembro) e dummies mensais tendo janeiro como mês de referência.

Palavras-chave: Setor elétrico, Séries temporais, Inteligência artificial.