Uso do ARIMA e SVM para previsão de séries temporais do sistema elétrico brasileiro
DOI:
https://doi.org/10.33448/rsd-v12i3.40438Palavras-chave:
ARIMA; SVM; Aprendizado de Máquina; Séries Temporais; Setor Elétrico Brasileiro.Resumo
O presente trabalho se propõe a prever séries temporais do setor elétrico brasileiro. Para tanto, procurou-se realizar previsões para o Preço de Liquidação das Diferenças (PLD) e a velocidade do vento para movimentação dos aerogeradores, que transforma a energia cinética das correntes de ar em energia elétrica, a partir da metodologia ARIMA, baseado na estatística computacional, e o modelo SVM, proveniente da área de inteligência artificial, sendo que o período analisado corresponde de 2001 a 2009 para o PLD e de 2004 a 2017 para o vento. Os resultados fornecem uma ferramenta de análise para o mercado livre de energia, na medida que demonstram tendências de preços e produção elétrica, servindo de auxílio à tomada de decisões, sendo o ARIMA, o modelo preditivo que performou melhor as previsões a curto prazo. Apesar disso, conclui-se que o SVM tem um potencial para produzir resultados mais assertivos para previsões a longo prazo, visto que o modelo tem muitas características que podem ser exploradas e assim potencializar previsões com grandes volumes de dados em situações mais complexas.
Referências
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
Publicado
Como Citar
Edição
Seção
Licença
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
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
