LSTNETA: UM MODELO DE REDES NEURAIS ARTIFICIAIS HÍBRIDAS PARA A PREDIÇÃO DE CONSUMO DE ENERGIA ELÉTRICA

Ricardo Augusto Manfredini

doi:10.35819/publicaifrs.v1.n1.a6364

Autores

Ricardo Augusto Manfredini Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul, Campus Farroupilha https://orcid.org/0000-0001-5511-9453

DOI:

https://doi.org/10.35819/publicaifrs.v1.n1.a6364

Palavras-chave:

redes neurais, energia elétrica - consumo, análise de séries temporais

Resumo

Apresentamos um estudo comparativo das previsões de consumo de eletricidade utilizando o método SARIMAX (Seasonal Auto Regressive Moving Average eXogenous variables), o modelo HyFis2 (Hybrid Neural Fuzzy Inference System) e o modelo LSTNetA (Long and Short Time Series Network Adapted), uma rede neural híbrida contendo camadas GRU (Gated Recurrent Unit), CNN (Convolutional Neural Network) e camadas densas, especialmente adaptadas para este estudo de caso. O estudo experimental comparativo desenvolvido mostrou um resultado superior para o modelo LSTNetA com previsões de consumo muito mais próximas do consumo real. O modelo LSTNetA no estudo de caso teve um rmse (root mean squared error ) de 198,44, o modelo HyFis2 602,71 e o método SARIMAX 604,58.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Ricardo Augusto Manfredini, Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul, Campus Farroupilha

Possui graduação em Bacharel em Ciências da Computação pela Universidade de Caxias do Sul (1990), mestrado em Ciências da Computação pela Universidade Federal do Rio Grande do Sul (2001) , doutorado pelo Instituto de Biotecnologia da Universidade de Caxias do Sul(2015) e pós-doutorado no GECAD do Instituto Superior de Engenharia do Porto (2020) em Inteligência Artificial e IoT, também é professor do Instituto Federal de Ciências e Tecnologia do Rio Grande do Sul - campus Farroupilha. Tem experiência na área de Ciência da Computação, com ênfase em Programação, Engenharia de Software e Tolerância a Falhas, atuando principalmente nos seguintes temas:IoT & IA , bioinformática, injeção de falhas, sistemas distribuídos, tolerância a falhas, metodologias de desenvolvimento de sistemas e linguagens de programação.

Referências

Chung, J., Gulcehre, C., Cho, K., Bengio, Y. Empirical evaluation of gated recurrent neural network on sequence modeling. in NIPS 2014 Workshop on Deep Learning, December 2014.

He, K. at al. Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification. In Proceedings of the IEEE international conference on computer vision (pp. 1026-1034).

Lai, G., Chang, W.C., Yang, Y., and Liu, H. Modeling long- and short-term temporal patterns with deep neural networks. 41st International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2018, 95–104.

Kingma, D. P. and Ba, J. Adam: A Method for Stochastic Optimization. Computer Science,Mathematics ICLR 2015. (SSCI). 6-9 Dec. 2016R. Disponível em: https:// https://arxiv.org/abs/1412.6980.pdf. Acesso em: mar. 2021.

Python. Python is a programming language that lets you work quickly and integrate systems more effectively. Disponível em: https://www.python.org. Acessado em: 01/03/2021

SARIMAX. SARIMAX: Introduction. Disponível em: https://www.statsmodels.org/dev/examples/notebooks/generated/statespace_sarimax_stata.html. Acessado em: 01/03/2021

SCHMIDHUBER, J. Deep learning in neural networks: An overview. Neural Networks, volume 61, January 2015, Pages 85-117. Disponível em: https://arxiv.org/pdf/1404.7828.pdf. Acesso em: 01 mar. 2021.

TensorFlow. Uma plataforma completa de código aberto para machine learning. Disponível em: https://www.tensorflow.org. Acesso em: mar. 2021.

Zhang, G. P. Time series forecasting using a hybrid arima and neural network model. Neurocomputing, 50:159–175, 2003.