Previsão de curto prazo de energia armazenada (EAR) com rede neural recorrente

Abstract

A comercialização de energia elétrica no Brasil e no mundo passa por inúmeras alterações devido a modernização do setor elétrico. Buscando o equilíbrio econômico entre oferta e demanda da eletricidade, os agentes deste mercado seguem regras definidas pela sociedade. A previsão de energia cobre uma ampla gama de problemas, como por exemplo a previsão de demanda, de geração e de preço com diferentes horizontes de tempo. A previsão de curto prazo permite ao operador do sistema tomar decisões importantes durante a gestão e planejamento da rede, representando também uma melhoria econômica no sistema elétrico global. A principal contribuição deste trabalho de conclusão de curso de graduação em engenharia elétrica é uma proposta de metodologia para previsão da energia armazenada (EAR) em um horizonte de 1, 5, 10, 15 e 30 dias. EAR é energia potencialmente disponível nos reservatórios das hidrelétricas. A Rede Neural Recorrente (RNN) em arquitetura LSTM (Long Short-Term Memory) é a escolhida para essa previsão com série temporal univariada. As métricas de erro escolhidas foram a MAPE (Mean Absolute Percentage Error), a MAE (Mean Absolute Error), a MSE (Mean Squared Error) e a correlação R². O banco de dados é composto por informações públicas históricas da EAR, restrito a Bacia do rio Uruguai por opção do autor. As margens de erro foram próximas de 0.2%, 1.5%, 3%, 6% e 17% para os horizontes de previsão de 1 dia, 5 dias, 10 dias, 15 dias e 30 dias, esses resultados confirmam a utilização de RNN/LSTM como ferramenta para previsão de EAR demonstrando um desempenho adequado.

The commercialization of electrical energy in Brazil and around the world is undergoing numerous changes due to the modernization of the electrical sector. Therefore, seeking economic balance between supply and demand for electricity, agents in this market follow defined rules by society. Energy forecasting covers a wide range of problems, such as demand, generation and price with different time horizons. Shortterm forecasting allows the system operator to make important decisions during network management and planning, also representing an economic improvement in the global electrical system. The main contribution of this paper is a ethodology proposal for predicting stored energy (EAR) over a 1, 5, 10, 15 and 30-days horizon. EAR is energy potentially available in hydroelectric reservoirs. The Recurrent Neural Network (RNN) in LSTM (Long Short-Term Memory) architecture is chosen for this forecast with a univariate time series. The error metrics chosen were MAPE (Mean Absolute Percentage Error), MAE (Mean Absolute Error), MSE (Mean Squared Error) and the R² correlation. The database is composed of historical public information from the EAR, restricted to the Uruguay River Basin by the author's choice. The margins of error were close to 0.2%, 1.5%, 3%, 6% and 17% for the forecast horizons 1-day, 5-days, 10-days, 15-days and 30-days, these results confirm the use of RNN/LSTM as a tool for predicting EAR demonstrating that the model has adequate performance.