O Programa de Pós-Graduação em Ciência da Computação da UFPE promove defesa de dissertação de mestrado do aluno Raphael Crespo Pereira, orientado pelo professor Paulo Salgado Gomes de Mattos Neto, na próxima segunda-feira (7). A defesa acontece de forma virtual. Interessados em assistir entrar em contato com o aluno rcp@cin.ufpe.br.

O trabalho tem o título “Otimização de Combinação de Modelos para Previsão de Consumo de Energia”. A defesa conta com a banca examinadora formada pelos docentes Luciano de Andrade Barbosa (UFPE/Centro de Informática), Manoel Henrique da Nóbrega Marinho (UPE/Escola Politécnica de Pernambuco) e Paulo Salgado Gomes de Mattos Neto (UFPE/Centro de Informática).

Resumo

A previsão do consumo de energia elétrica é um processo que permite a melhoria de tomada de decisões auxiliando na gestão e gerenciamento de consumo em edifícios de pequeno porte, graças aos avanços dos medidores inteligentes. Na literatura pode-se observar que a previsão de consumo de energia é um problema desafiador por ser um tipo de série temporal composta de correlações lineares e não lineares. Por este motivo, os modelos estatísticos clássicos que são amplamente utilizados na literatura, possuem uma capacidade limitada de identificar todos os padrões da série, já que tais modelos são construídos considerando uma correlação linear dos dados. Assim, a utilização de modelos não lineares baseados em Aprendizagem de Máquina (AM), se mostram bons candidatos por serem capazes de identificar os padrões não lineares. Além da utilização destes modelos, existem trabalhos que mostram um ganho de desempenho com a utilização de Sistemas Híbridos, na qual realizam a combinação dos modelos lineares estatísticos com modelos não lineares de AM. Tal combinação considera que o resíduo dos modelos lineares, ou seja, a série composta pela diferença entre o real e o previsto, possui padrões não lineares que não foram captados. Este trabalho propõe uma nova abordagem baseada na utilização de Sistemas Híbridos Inteligentes, composta por três modelos, sendo eles: modelo linear para realizar a extração dos padrões lineares da série temporal, modelo não linear para realizar a extração dos padrões não lineares presentes na série de resíduos e um modelo de combinação que considera que existe uma relação não linear entre a série temporal, a série de resíduos, a previsão da série temporal e a previsão da série de resíduos. Para contornar os problemas de seleção dos dados que serão utilizados como entrada (lags) e a escolha subótima dos hiperparâmetros dos modelos de AM, a metodologia proposta possui 2 etapas de otimização, sendo uma delas na seleção da quantidade de lags e dos hiperparâmetros do modelo de resíduos; e a outra no modelo de combinação, realizando a seleção dos hiperparâmetros e da quantidade de lags de cada uma das quatro séries utilizadas como dados de entrada (Real, Resíduos, Previsão da Real e Previsão dos Resíduos). Desta forma, o sistema se mostra flexível por permitir explorar diferentes combinações das séries e assim avaliar unificadamente diferentes propostas de combinações que são encontradas na literatura. Nos experimentos realizados foram utilizados o ARIMA como modelo linear e LSTM como modelo não linear. Para o modelo de combinação foram testados o XGBoost e SVR e o Tree Parzen Estimator como algoritmo de otimização. Os resultados encontrados apresentaram um desempenho superior ao estado da arte para previsão do consumo de energia, a partir de dados de medidores inteligentes utilizando as métricas clássicas de avaliação de modelos de previsão de série temporal.