Previsão de demanda de energia elétrica aplicando comitês, aprendizado de correlação negativa, funções cópula e metaheurísticas de otimização

Abstract

Resumo: A energia eletrica e um recurso escasso e seu melhor uso depende de conhecer o quanto sera demandado para comparacao com a capacidade de producao existente, contudo e dificil obter estimativas de consumo e geracao com exatidao dada a sua imprevisibilidade intrinseca. A previsao de demanda de energia eletrica e tradicionalmente realizada com modelos estatisticos, mas recentemente os modelos de aprendizado de maquina tem sido aplicados com sucesso e se apresentam como uma opcao promissora para producao de melhores previsoes. Aqui, propoe-se o aperfeicoamento de metodos existentes e tambem novos metodos de aprendizado de maquina para previsoes mais acuradas. Especificamente, desenvolve-se um comite de redes neurais de estado de eco com aprendizado de correlacao negativa, e uma nova metaheuristica para ajuste dos hiperparametros da rede neural de estado de eco que combina a otimizacao pelo mapeamento da media e da variancia com historico de sucessos, com a estrategia de reducao populacional. Adicionalmente, propoe-se um novo metodo para introducao de diversidade entre os membros do comite por meio de funcoes copula, que sao utilizadas para criar dados de treinamento sinteticos. O modelo proposto e comparado com modelos simples, isto e, persistente, media, e regressao linear, e com modelos avancados, isto e, regressao por vetores suporte, arvores de regressao, florestas aleatorias, rede neural artificial perceptron multi-camadas, boosting de gradiente extremo, rede neural com memoria longa de curto-prazo, maquina de aprendizado extremo, e regressao por vetores suporte. Comparam-se as previsoes em um esquema de validacao cruzada para series temporais com as metricas de erro medio quadratico, raiz do erro medio quadratico, erro medio absoluto percentual, coeficiente de eficiencia de Nash-Sutcliffe, e com o erro medio absoluto. Os modelos propostos se apresentam como a melhor opcao para quatro das oito series temporais consideradas, de acordo com o teste estatistico de Friedman e Nemenyi. Foram utilizadas oito series temporais reais de demanda de energia eletrica de diferentes regioes no mundo disponiveis publicamente, especificamente do Brasil, da California, do Canada, do Texas, da Franca, da usina de Itaipu, de Toquio, e da Nova Zelandia. As principais contribuicoes sao a disponibilizacao de uma nova opcao de maquina de aprendizado para previsao de demanda de eletricidade, a aplicacao e expansao da literatura da abordagem de computacao por reservatorios, o desenvolvimento de uma nova metaheuristica, a aplicacao e divulgacao do aprendizado de comites com o metodo de correlacao negativa, e a sugestao e aplicacao de um novo metodo para introducao de diversidade em comites por meio de funcoes copula. Palavras-chave: Maquina de estado de eco. Funcoes Copula. Previsao de demanda. Aprendizado de comites. Aprendizado de maquina.

Abstract: Electricity is a scarce resource and its best use depends on knowing how much will be demanded in comparison with the current production capacity available, however, it is difficult to obtain accurate estimates of power consumption and generation given their intrinsic unpredictability. The electricity load forecasting is traditionally performed by statistical models, but recently the machine learning models have been applied with success and appear as a promising option for producing better forecasts. Here, a proposal of improvement of existing methods and new machine learning methods for more accurate forecasts is placed. Specifically, an ensemble of echo state networks with negative correlation learning, and a novel metaheuristic for hyperparameter tuning that combines the Mean- Variance Mapping Optimization algorithm with success history with the populational reduction strategy are proposed. Besides, a novel method for introducing diversity among ensemble members through copula functions is proposed, which are employed to generate synthetic data slightly different from the original training set. The proposed model is compared against reference models, i.e., average, persistent, and linear regression, and with state-of-the-art models, i.e., extreme gradient boosting, long short-term memory neural network, extreme learning machine, support vector regression, regression tree, random forest, and multilayer perceptron. The models' performances are compared using a five-fold time series cross-validation scheme with the mean squared error, root mean squared error, mean absolute percentage error, Nash-Sutcliffe model efficiency coefficient, and mean absolute error metrics. The models built using the novel investigated methods present themselves as the best option in four out of eight time-series according to the Friedman test followed by the Nemenyi post-hoc. Eight publicly available real world load time series from different geographical locations have been used, specifically from Brasil, California, Canada, Texas, France, Itaipu power plant, Tokio, and New Zealand, all with hourly interval but New Zealand which is sampled every 30 minutes.The main contributions are the supply of a new machine learning option for electrical load forecasting, the application and broadening of the literature in reservoir computing, the development of a new metaheuristic, the application and disclosure of ensemble learning with negative correlation learning, a the suggestion and application of a new method for the introduction of diversity into ensembles with copula functions. Keywords: Echo state network. Copula function. Load forecasting. Ensemble learning. Machine learning.