Análise e previsão de consumos de energia utilizando algoritmos de machine learning para eficiência sustentável

Abstract

O aumento do consumo de energia elétrica dos setores de transportes, doméstico e indústria nos últimos anos, mostra que o recurso a energias renováveis (RE) é crucial e imperativo, de modo a atingir as metas climáticas. Para esse efeito, no dimensionamento e gestão de uma rede elétrica verde e autossustentável, é necessário diminuir as perdas na distribuição e transporte, sob um lema de maior eficiência, visando a preservação da biodiversidade e do ecossistema, impedindo a acumulação de gases com efeito de estufa (GEE). O projeto centra-se na aplicação de algoritmos de Machine Learning (ML) para a previsão de consumos de energia em curto prazo (short term load forecasting (STLF)), em Portugal entre janeiro e abril de 2024. Ao mesmo tempo, explorando a complexa relação entre a previsão da carga e os parâmetros meteorológicos, por exemplo, a temperatura. As conclusões do projeto permitem deduzir que algoritmos como o Long Short-Term Memory (LSTM) e o Multilayer Perceptron (MLP), em contraste com outros mais tradicionais, o Seasonal Autoregressive Integrated Moving Average (SARIMA) e Seasonal Autoregressive Integrated Moving Average Exogenous (SARIMAX), tiveram um desempenho 50% superior nas métricas de desempenho, Mean Absolute Percentage Error (MAPE), Mean Absolute Percentage (MEAN) e Root Mean Square Error (RMSE). Os resultados mostram que a utilização de algoritmos de ML, são uma mais-valia no equilíbrio do sistema elétrico e permitem por antecipação fornecer inputs de consumos, importante para os gestor

Abstract: The rise in energy consumption driven by the transport, residential, and industrial sectors has made the electrification of power grids by renewable energies (RE) vital and unavoidable, as we aspire to reach climate goals. To design and manage a green and self-sustainable electrical network, it is necessary to reduce losses in distribution and transportation, under a motto of higher efficiency, to preserve biodiversity and the ecosystem, deterring the accumulation of greenhouse gases (GEE). The research is centered around the application of Machine Learning (ML) algorithms for short-term load forecasting (STLF) relative to Portugal between January and April 2024. At the same time, exploring the complex relation between predicting load with weather parameters, for example, temperature. The current study found that algorithms such as Long Short-Term Memory (LSTM) and Multilayer Perceptron (MLP), as opposed to more traditional ones, Seasonal Autoregressive Integrated Moving Average (SARIMA) and Seasonal Autoregressive Integrated Moving Average Exogenous (SARIMAX), have performed 50% better in the metrics of Mean Absolute Percentage Error (MAPE), Mean Absolute Percentage (MEAN), and Root Mean Square Error (RMSE). These findings provide evidence that the use of ML algorithms are an added value in the balancing of the electric system and allows for consumption inputs, which is paramount for grid operators to take the necessary measures to guarantee quality of service.