DEFESA Nº 133
Discente: Emilly Pereira Alves
Título: “MODELO HÍBRIDO NÃO LINEAR BASEADO EM APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SÉRIES TEMPORAIS”
Orientador: Prof. Dr. Manoel Henrique da Nóbrega Marinho.
Coorientador: Prof. Dr. Francisco Madeiro Bernardino Junior.
Examinador Interno: Prof. Dr. João Fausto Lorenzato de Oliveira(UPE)
Examinador Externo: Prof. Dr. Paulo Salgado Gomes De Mattos Neto (UFPE)
Data-hora: 31/01/2021, às 14h
Local: Formato Remoto
CÓDIGO DA SALA - Google meet: RESTRITO
Resumo do Projeto:
A previsão de séries temporais permite modelar diversos processos dinâmicos. Em se tratando de consumo de energia elétrica, a previsão desempenha um papel funda-mental, seja no planejamento do setor de distribuição, seja na estimativa individual para gerenciamento de consumo. Além disso, a previsão de consumo proporciona benefícios ambientais, por meio de controles de eficiência energética, podendo reduzir significativamente o consumo de energia global e, consequentemente, minimizando as emissões de gás carbônico. A previsão de séries temporais de consumo de energia é um problema desafiador, pois os dados apresentam padrões lineares e não lineares, além de possuírem forte dependência de variáveis externas, como temperatura e efeitos de calendário, por exemplo. Nesse cenário, modelos híbridos vêm se destacando, devido à capacidade de mapear os padrões lineares e não lineares contidos nas séries. Em se tratando do mapeamento dos padrões lineares, o modelo estatístico Autoregressive Integrated Moving Average (ARIMA), de Box-Jenkin, é amplamente utilizado, em razão de sua flexibilidade e simplicidade. No que diz respeito aos padrões não lineares, a técnica Support Vector Regression (SVR) tem mostrado resultados promissores. A predição final pode ser realizada através de uma combinação linear, somando as previsões obtidas, ou de forma não linear, em que se utiliza uma técnica de inteligência computacional. No presente trabalho propõe-se um modelo de previsão híbrido baseado em combinação não linear, utilizando ARIMA e SVR, otimizado pelo algoritmo Particle Swarm Optimization (PSO). Com a utilização de técnicas de inteligência computacional, a escolha dos parâmetros destas se torna uma etapa fundamental para melhorar a precisão das previsões, uma vez que diferentes características das bases de dados implicam diferentes conjuntos de parâmetros. Assim sendo, a abordagem proposta utiliza o PSO para seleção dos parâmetros do SVR, além de incorporar a escolha de sua topologia e do coeficiente de inércia ao modelo. As simulações foram realizadas para três conjuntos de bases de dados. O primeiro contém oito bases clássicas no cenário de previsão de séries temporais. O segundo e terceiro conjunto consistem em medições de consumo de energia elétrica de um edifício residencial localizado em Taiwan, e de um consumidor residencial atendido pela CPFL Energia, respectivamente. O desempenho da abordagem proposta foi avaliado em termos de cinco métricas: Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), Percentage Difference (PD) e Coeficiente de Variação (CV). Os resultados apresentaram redução de até 89,86% no erro médio quadrático, quando comparado ao ARIMA, e até 70,31% quando comparado a outra híbrida de combinação não linear. Os resultados evidenciam a superioridade do método proposto, em termos das métricas MSE, MAE e MAPE, para a maioria das bases testadas.
Palavras-chave: Previsão de séries temporais, modelos híbridos, previsão de consumo, ARIMA, SVR.
O Programa
