Predição de demanda de energia elétrica de curto-prazo empregando séries temporais

Abstract

As redes elétricas estão se transformando em sistemas flexíveis, inteligentes e cooperativos, com uma maior disseminação de recursos energéticos distribuídos, infraestrutura de medição avançada e tecnologias de comunicação. Essas características fazem com que essas redes dependam de previsões precisas de demanda, tanto da carga quanto da geração distribuída, em intervalos mais curtos em comparação à rede tradicional. As previsões de demanda de curto prazo são essenciais para o planejamento e a operação das redes de energia elétrica. A maioria das metodologias de previsão existentes falha por desconsiderar as não-linearidades do sistema e por negligenciar a representação de influências externas importantes para o problema; em outras palavras, não são baseadas em uma abordagem holística para a previsão de demanda de eletricidade. Nesta tese é apresentada uma nova abordagem para o desenvolvimento de um modelo de previsão de demanda elétrica e considerados estudos de caso para avaliar a importância de vários fatores que afetam a demanda de eletricidade e a precisão da previsão. Foram utilizadas bases públicas disponibilizadas pelo ENTSO-E, com dados de países da Europa referentes ao período de 2012 a 2014, e do ISO-NE, que representa a carga elétrica total de várias cidades da Inglaterra de janeiro de 2017 a dezembro de 2019. A última base inclui 23 variáveis independentes, abrangendo dados meteorológicos, indicadores econômicos e informações de mercado. A abordagem apresenta um fluxo para a construção de modelos de previsão de demanda elétrica utilizando informações de séries temporais como entrada. Ao selecionar cuidadosamente as variáveis de entrada e representar fatores externos, é demonstrada a viabilidade de gerar um modelo de previsão mais preciso com recursos computacionais reduzidos. O modelo proposto, CNN+LSTM, alcançou uma taxa de erro de 0,15\%, superando modelos previamente estudados, incluindo abordagens autônomas com CNN e LSTM, que apresentaram taxas de erro de 0,8\% e 1,44\%, respectivamente. A capacidade de extração de recursos da CNN, combinadas com as características do LSTM no manuseio de dados de séries temporais, foram determinantes para atingir um desempenho superior na maioria dos cenários. Os resultados indicaram que, ao realizar a seleção de variáveis e incorporar fatores externos, foi possível aumentar a precisão do modelo em até 60%.

Abstract: Electrical grids are evolving into flexible, intelligent, and cooperative systems, driven by the increasing penetration of distributed energy resources, advanced metering infrastructure, and communication technologies. These advancements demand more accurate demand forecasts, encompassing both load and distributed generation, over shorter time intervals compared to traditional grids. Short-term demand forecasts are critical for the planning and operation of electrical networks. However, most existing forecasting methodologies fall short by neglecting system nonlinearities and failing to account for significant external influences. In other words, they lack a holistic approach to electricity demand forecasting. This thesis introduces a novel approach for developing an electrical demand forecasting model, accompanied by case studies to evaluate the importance of various factors influencing electricity demand and forecasting accuracy. The study utilized publicly available datasets provided by ENTSO-E, covering European countries for the period 2012?2014, and ISO-NE, representing total electrical load in multiple cities in England from January 2017 to December 2019. The latter dataset includes 23 independent variables, comprising weather data, economic indicators, and market information. The proposed approach outlines a workflow for building electricity demand forecasting models using time series data as input. By carefully selecting input variables and representing external factors, the study demonstrates the feasibility of generating a more accurate forecasting model with reduced computational resources. The proposed model, CNN+LSTM, achieved an error rate of 0.15\%, outperforming previously studied models, including standalone CNN and LSTM approaches, which exhibited error rates of 0.8\% and 1.44\%, respectively. The CNN's feature extraction capabilities, combined with the LSTM's strengths in handling time-series data, were pivotal in achieving superior performance across most scenarios. The results indicated that variable selection and the integration of external factors enhanced model accuracy by up to 60%.