Concepção otimizada de redes profundas de conexões aleatórias aplicada à previsão de curtíssimo prazo de demanda de energia elétrica

Abstract

Resumo: A contribuição principal desta tese é a de propor um projeto otimizado de redes profundas de conexões aleatórias (do inglês deep random vector functional link neural network, DRVFL) por meio de duas abordagens de otimização a evolução diferencial e a otimização Bayesiana. O projeto otimizado da DRVFL foi aplicado na previsão de demanda de energia elétrica em curtíssimo prazo, ou seja, com horizonte de previsão de um passo à frente. Foram utilizados dois estudos de caso, o primeiro sendo o consumo por hora de energia da região Sul do Brasil durante o mês de janeiro de 2017, e o outro o consumo de energia diário durante o ano de 1990 na Polônia. Além disso, esta tese aborda o uso de uma pré-análise de suas características por meio do seu comportamento sazonal e o uso do método de eliminação de características recursivo (do inglês recursive feature elimination, RFE) para a remoção de características menos significantes. A seguir aplicou-se além de DRVFL, diferentes modelos de previsão tais como modelo auto-regressivo integrado de médias móveis, modelo auto-regressivo integrado de médias móveis sazonal, rede neural convolucional, florestas aleatórias, florestas aleatórias quantílicas, rede neural artificial feedforward, regressão por vetores de suporte, rede neural com estados de eco, aprendizado de máquina extremo, memória de longo e curto prazos, mínimos quadrados em batelada, máquina aumentada de gradiente simplificado e aumento de gradiente extremo. Como métrica de desempenho das previsões foi adotada a raiz de erro quadrático médio logarítmico (do inglês root mean squared log error, RMSLE). No contexto de uma base de comparação, avaliou-se também os modelos de previsão usando as características originais, sem o uso de RFE. Os resultados obtidos pelo modelo DRVFL mostram sua viabilidade e potencialidades na previsão de séries temporais de demanda de energia elétrica em curtíssimo prazo, e que o uso de uma abordagem de extração das características melhora as previsões em termos de variância, precisão e custo computacional em relação ao uso de todas as características originais quanto ao RMSLE.

Abstract: The contribution of this thesis is an optimized project of deep random vector functional link neural network (DRVFL), through two different approaches for its optimization, known as differential evolution and Bayesian optimization, applied in problems of forecast demand of electric energy in a very short period using only the regression of its historic series for one step ahead. It was used two cases of study, being the first related to the consume of energy per hour in the south region of Brazil during the January month of 2017 and the other one is the diary consumption of energy during the year of 1999 in Poland. This work approaches the usage of a pre-analyses of its features through its seasonal behaviour and the usage of the methods of recursive feature elimination for the removal of its features less important. In the next step, it was applied beside DRVFL other models for forecast, including: auto-regressive integrated moving average, seasonal auto-regressive integrated moving average, convolutional neural network, random forest, quantile random forest, feed forward neural network, support vector regression, echo state neural network, extreme machine learning, long short-term memory, ordinary least square, light gradient boosting machine and extreme gradient boosting, using as performance metric the root mean squared log error (RMSLE). In an extra step, the same algorithms would be again used, however with all the original features. The obtained results using DRVFL showed satisfactory results for both datasets, reaching a better accuracy in the forecast when compared using the performance metric RMSLE, where the extraction of only the best features allowed even a better result when compared with the usage of all the original ones.