Banca de QUALIFICAÇÃO: EDILSON FERREIRA DE SOUSA JÚNIOR

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: EDILSON FERREIRA DE SOUSA JÚNIOR
DATA: 10/01/2024
HORA: 16:30
LOCAL: Núcleo de Computação de Alto Desempenho
TÍTULO: Previsão de Preços de Eletricidade Com o Modelo N-Beats e Suas Variantes
PALAVRAS-CHAVES: Planejamento Energético, Previsão de Preços de Eletricidade, Redes Neurais Articiais, Aprendizado Profundo, N-BEATS, Modelagem Estatística
PÁGINAS: 40
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Sistemas Elétricos de Potência
RESUMO:

Com as reformas, desregulamentações e desestatizações em diversos mercados de energia elétrica, as metodologias de previsão de séries temporais de preços de eletricidade têm se tornado importantes ferramentas aos entes deste mercado na análise, planejamento e gestão do setor. Os mercados que possibilitam a negociação dinâmica da eletricidade, em sua grande maioria, operam no esquema day-ahead, onde o operador do sistema define simultaneamente os 24 preços, um para cada hora do dia, com a finalidade de equilibrar a oferta e a demanda. Devendo assim o modelo matemático-computacional prever os preços do dia seguinte com base no histórico de cotações. Para este propósito, é utilizado neste trabalho o modelo do estado-da-arte em previsão de séries temporais N-BEATS (Neural Basis Expantion Analysis for Interpretal Time Series), baseado em aprendizado profundo, numa versão otimizada para preços de eletricidade, a NBEATSx (N-BEATS com variáveis exógenas). Como contribuição, são adicionados à NBEATSx dois conceitos com o intuito de melhorar sua acurácia de previsão, sendo o primeiro de estabilidade de previsão e o segundo correspondendo à técnica de Max-Pooling somada à interpolação hierárquica. As variantes geradas da NBEATSx passam por técnicas de combinação de previsões, resultando no modelo NBEATSx-G-EA (NBEATSx - Generic - Ensemble Averaging). Um modelo de Redes Neurais Artificiais Profundas DNN (Deep Neural Network) e um modelo estatístico, ambos do estado-da-arte, são empregados como base comparativa. Os modelos são aplicados em cinco conjuntos de dados padrões da área, advindos de mercados bem estabelecidos da Europa e Estados Unidos. Os resultados são avaliados tomando por base medidas de erros tanto tradicionais quanto específicas da área, além de testes estatísticos de significância da diferença na acurácia entre as previsões. O número de iterações do algoritmo de otimização de hiper-parâmetros da NBEATSx-G-EA foi reduzido à três quintos do correspondente da NBEATSx, diminuindo na mesma razão o tempo de treinamento da rede. Dentre estes cinco conjuntos, o modelo NBEATSx-G-EA proposto consegue se equiparar ou superar significativamente o modelo DNN em dois dos conjuntos aos quais o modelo NBEATSx não é efetivamente capaz. Em outros dois conjuntos, os modelos NBEATSx-G-EA e NBEATSx se equiparam. A NBEATSx supera o modelo proposto NBEATSx-G-EA apenas no quinto conjunto.

MEMBROS DA BANCA:
Presidente - 2061294 - RICARDO DE ANDRADE LIRA RABELO
Interno - 3095957 - HERMES MANOEL GALVÃO CASTELO BRANCO
Externo ao Programa - 1038245 - ANTONIO AIRTON CARNEIRO DE FREITAS
Externo à Instituição - FABBIO ANDERSON SILVA BORGES - UESPI