Use of ARIMA and SVM for forecasting time series of the Brazilian electrical system
DOI:
https://doi.org/10.33448/rsd-v12i3.40438Keywords:
ARIMA; SVM; Machine Learning; Time Series; Brazilian Electric Sector.Abstract
The present work proposes to forecast time series of the Brazilian electricity sector. For this purpose, an attempt was made to make predictions for the Settlement Price of Differences (PLD) and the wind speed for moving wind turbines, which transforms the kinetic energy of air currents into electrical energy, based on the ARIMA methodology, based on statistics computational, and the SVM model, from the area of artificial intelligence, and the period analyzed corresponds from 2001 to 2009 for the PLD and from 2004 to 2017 for the wind. The results provide an analysis tool for the free energy market, as they demonstrate price trends and electricity production, serving as an aid to decision-making, with ARIMA being the predictive model that performed best in short-term forecasts. Despite this, it is concluded that the SVM has the potential to produce more assertive results for long-term forecasts, since the model has many characteristics that can be exploited and thus enhance forecasts with large volumes of data in more complex situations.
References
Acosta, S. M. & Amoroso, A. L. (2021). Aplicação da regressão por vetores de relevância na modelagem de um processo produtivo. engenharia de produção: planejamento e controle da produção em foco-volume 1, 1(1), 37-52.
Alves, P. F., De Negri, J. A., & Cavalcante, E. J. (2022). Utilizando aprendizado de máquina para estimação do spread das instituições financeiras nos empréstimos do BNDES.
Assunção, A., de Mattos Neto, P. S., & Vasconcelos, E. (2022). Um Sistema Baseado Em Combinação de Modelos para Previsão de Velocidade do Vento. Revista de Engenharia e Pesquisa Aplicada, 7(2), 1-11.
Awan, T. M., & Aslam, F. (2020). Prediction of daily COVID-19 cases in European countries using automatic ARIMA model. Journal of public health research, 9(3), jphr-2020.
Barbosa, R. B., Ferreira, R. T., & Silva, T. M. D. (2020). Previsão de variáveis macroeconômicas brasileiras usando modelos de séries temporais de alta dimensão. Estudos Econômicos (São Paulo), 50, 67-98.
Borsato, R., & Corso, L. L. (2019). Aplicação de Inteligência Artificial e ARIMA na Previsão de Demanda no setor metal mecânico. Scientia cum Industria, 7(2), 165-176.
Brownlee, J. (2017). Introduction to time series forecasting with python: how to prepare data and develop models to predict the future. Machine Learning Mastery.
Conceição, R. M., Santos, S. R., do Nascimento, F. B., dos Santos, W. J. C., & Conte, T. N. M. (2021). Método de aprendizagem supervisionada para a identificação de rastros de cyberbullying. International Association for Development of the Information Society. IADES.
Conte, T. N. M. de S., Conte, B. N. M. de S., & Oliveira, R. C. L. (2021). Aplicação Híbrida com Redes Neurais Profundas e Algoritmo Genético para Previsão de Séries Temporais do Sistema de Energia Elétrica Brasileira. Anais Do 15. Congresso Brasileiro de Inteligência Computacional. https://doi.org/10.21528/cbic2021-104.
da Silva, F. C. C. (2021). Gestão de dados científicos. Interciência.
de Paula, D. M., Júnior, J. C. X., & Miranda, K. F. (2020). Aplicação de Séries Temporais para Previsão de Despesas de Energia Elétrica do Tribunal Regional Eleitoral do Rio Grande do Norte. Brazilian Journal of Development, 6(11), 87089-87112.
Filho, F. L. da S. (2022). Aplicação do modelo de séries temporais para previsão do número de passageiros de uma companhia aérea. https://doi.org/10.31235/osf.io/gmyaj.
Fontana, M. (2021). Modelo de predição de dados baseado em redes neurais recorrentes integrado com historiador industrial. Revista de Engenharia e Tecnologia, 13(4).
Géron, A. (2019). Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow. Alta Books.
Isotani, S., & Bittencourt, I. I. (2015). Dados abertos conectados: em busca da web do conhecimento. Novatec Editora.
Iszczuk, A. C. D., Ventris, K. F. D., Pinto, G. B., Shirabayashi, J. V., dos Santos, M. A. R., de Souza, R. C. T., & Dal Molin Filho, R. G. (2021). Evoluções das tecnologias da indústria 4.0: dificuldades e oportunidades para as micro e pequenas empresas. Brazilian Journal of Development, 7(5), 50614-50637.
Kirchoff, D. F. (2019). Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais.
Lagasse, W. (2020). Previsão do comportamento do preço de liquidação das diferenças (PLD) com ferramentas estatísticas.
Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society A, 379(2194), 20200209.
Macêdo, A. C. C. D. (2022). Comparando modelos clássicos de séries temporais e aprendizagem de máquina para previsão de demanda na indústria de bebidas (Bachelor's thesis).
Nascimento, R. de A. (2022). Estudo de métodos de previsão de séries temporais aplicados ao preço da energia elétrica no mercado de curto prazo brasileiro. Repositorio.ufmg.br. http://hdl.handle.net/1843/44150.
Neves, J. M. M. (2020). Otimização de hiperparâmetros em machine learning utilizando uma surrogate e algoritmos evolutivos (Bachelor's thesis, Universidade Tecnológica Federal do Paraná).
Paula, J. de S., Teixeira, L. L., Rodrigues, S. B., Hickmann, T., Correa, J. M., & Ribeiro, L. da S. (2022). Aplicação de técnicas de aprendizado de máquina e estatística na previsão da demanda de biocombustíveis. Revista de Gestão E Secretariado, 13(4), 2559–2572. https://doi.org/10.7769/gesec.v13i4.1488.
Sakurai, R., & Zuchi, J. D. (2018). As revoluções industriais até a indústria 4.0. Revista Interface Tecnológica, 15(2), 480-491.
Silva, J. S. S. (2020). Modelo de previsão de bolsas de sangue baseado em aprendizado de máquina.
Wang, C., Baratchi, M., Bäck, T., Hoos, H. H., Limmer, S., & Olhofer, M. (2022). Towards Time-Series Feature Engineering in Automated Machine Learning for Multi-Step-Ahead Forecasting. Engineering Proceedings, 18(1), 17.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Lucas Renan Maués Nunes; Juam Sousa Veras; João Pedro Ribeiro Silva; Thiago Nicolau Magalhães de Souza Conte; Wilker José Caminha dos Santos; Roberto Célio Limão e Oliveira
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
