ESTUDO DE CASO DE LSTM E AUTOENCODER LSTM PARA PREVISÃO A CURTO PRAZO UTILIZANDO MÚLTIPLAS SÉRIES TEMPORAIS

Resumo

A energia elétrica é um dos principais recursos utilizados por nossa sociedade e o desenvolvimento tecnológico faz com que a demanda cresça. Com a crescente preocupação com os impactos associados ao efeito estufa e pactos globais pela redução das emissões, a relevância das fontes renováveis de energia está crescendo. A intermitência da geração fotovoltaica associada com as condições meteorológicas é um desafio tecnológico que vem sendo investigado intensamente. Com base nisso, investigamos métodos de previsão para horizonte de poucas horas adiante baseados em redes neurais LSTM (Long Short-Term Memory) pura ou combinada com uma rede autoencoder utilizando dados da planta fotovoltaica na Universidade de São Paulo. Os modelos LSTM revelam potencial promissor, mesmo com arquiteturas mais simples, exibindo margens de erro reduzidas, com RMSE variando entre 6.0% e 7.46%. No entanto, o uso do autoencoder, embora resulte em um RMSE ligeiramente superior, destacou -se pela sua estabilidade do valor dos desvios RMSE da previsão em torno de 8,2% em horizontes de previsão de até 3 horas.