PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA EM UM CAMPUS UNIVERSITÁRIO DA UFMG: UM ESTUDO ABORDANDO REDES NEURAIS RECORRENTES

Resumo

A previsão energética é uma ferramenta amplamente utilizada para gestão e planejamento energético, especialmente diante de cenários de crescimento do consumo e das tarifas de energia no Brasil. O trabalho, em sua essência, teve como objetivo realizar a previsão de demanda da energia elétrica um campus universitário da UFMG, juntamente, buscou-se avaliar o desempenho das três principais arquiteturas de redes neurais recorrentes - RNN Clássica, LSTM e GRU. Foi utilizada uma série temporal com granularidade diária de 48 meses, fornecida pela CEMIG. Os modelos foram implementados em Python e o desempenho foi avaliado pelas métricas MAPE, MAE e RMSE. Os modelos de redes neurais recorrentes propostos apresentaram resultados similares na previsão diária da demanda de energia, com destaque para a GRU, que apresentou um MAPE de 10,51%. Na análise mensal da demanda, a GRU foi ligeiramente superior, apresentando um MAPE de 5,44%, demonstrando maior precisão na identificação dos picos mensais de demanda. Neste conjunto de dados, série temporal de curto período, arquiteturas mais simples demonstraram-se competitivas nas previsões, com a GRU mostrando-se ligeiramente superior.