Previsões de Carga de Curto Prazo Usando Redes LSTM

Com os crescentes requisitos de carga e a sofisticação das usinas de energia, saber com antecedência sobre a carga elétrica não apenas em períodos de curto prazo, como horas ou alguns dias, mas também em períodos mais longos, como semanas e meses, é indispensável para uma gama de benefícios, como impactos técnicos e econômicos importantes. Métodos tradicionais como ARMA, SARIMA e ARMAX têm sido usados por décadas. Nos últimos anos, técnicas de inteligência artificial (IA), como redes neurais e aprendizado profundo, estão emergindo no campo da análise de séries temporais. Nesse sentido, redes neurais artificiais (RNA) e redes neurais recorrentes (RNN) estão sendo exploradas e mostraram promessas em previsões muito melhores em comparação com métodos tradicionais. Redes de memória de longo prazo (LSTM) são um tipo especial de RNN que têm a capacidade de aprender as dependências de longo prazo. Neste trabalho, selecionamos dados de carga elétrica com variáveis exógenas, incluindo temperatura, umidade e velocidade do vento. Os dados são usados para treinar a rede LSTM. Para uma comparação justa, os dados também são usados em métodos tradicionais para modelar a série temporal de carga. A rede LSTM treinada e os modelos desenvolvidos são então usados para prever em horizontes de 24 horas, 48 horas, 7 dias e 30 dias. As previsões geradas pela LSTM são comparadas com os resultados dos métodos tradicionais usando RMSE e MAPE para todos os horizontes de previsão. Os resultados de uma série de experimentos mostram que a previsão baseada em LSTM é melhor do que outros métodos e têm o potencial de melhorar ainda mais a precisão das previsões.