Saltar para o conteúdo
Aziz.
Aprendizagem Automática / Sistemas de Energia

Previsão de Carga Elétrica — Dados de Pandemia vs. Não Pandemia

Um modelo LSTM de procura na rede que superou todas as referências com R² 0,61

Injeção na rede prevista versus real
Injeção na rede prevista versus real

O quê

Um modelo de aprendizagem profunda para prever a potência injetada na rede elétrica, treinado e avaliado separadamente com dados pré-pandemia e do período pandémico, para testar se as alterações de procura da era COVID são de facto aprendíveis. A motivação é operacional: uma previsão de carga imprecisa compromete a estabilidade da rede, o planeamento de capacidade e a gestão de custos, e os métodos existentes lidam mal com mudanças súbitas de regime.

Como

O conjunto de dados continha 228 527 amostras em 17 atributos (16 entradas mais a injeção na rede em MW como alvo), de dezembro de 2014 a julho de 2021.

Arquitetura: um LSTM de 2 camadas (64 → 32 unidades) com BatchNormalization e dropout de 0,2 em ambas as camadas, seguido de Dense(16, ReLU) e de uma saída de uma única unidade. Otimizador Adam com uma taxa de aprendizagem de 0,0005 e clipnorm 1,0, e EarlyStopping com paciência 8 a restaurar os melhores pesos. Comprimento da sequência de entrada de 96 passos (24 horas), a prever 16 passos (4 horas) à frente.

Cada configuração foi comparada com linhas de base de árvore de decisão, regressão linear múltipla e regressão linear simples, cada uma executada numa variante A (pré-pandemia) e B (pandemia), para que o efeito do regime pudesse ser isolado da escolha do modelo.

Resultado

O LSTM superou todas as linhas de base com um R² de teste de 0,6084 (0,8056 em treino), contra 0,5757 da regressão linear múltipla e 0,4194 da regressão linear. O MW_lag24 revelou-se o preditor mais forte, confirmando uma forte autocorrelação de 24 horas na procura.

Todos os modelos — e não apenas o LSTM — tiveram pior desempenho com dados do período pandémico, apoiando a hipótese de que os efeitos do confinamento são mensuráveis mas verdadeiramente mais difíceis de prever apenas a partir do histórico. Do pré-processamento saiu também um resultado negativo útil: a limitação de outliers baseada no IQR revelou-se inadequada para as colunas meteorológicas, o que defende um pré-processamento informado pelo domínio em conjuntos de dados de energia. Os passos seguintes recomendados foram pilhas LSTM mais profundas e a previsão da curva completa de MW de quatro horas em vez de uma estimativa pontual, o que seria mais útil operacionalmente para o equilíbrio da rede.

Clique numa imagem para ampliar