PREVISÃO DE ENERGIA EÓLICA USANDO A TÉCNICA EXTREME LEARNING MACHINE

INTRODUÇÃO: Para previsão de séries temporais de demanda ou geração de energia, seja eólica ou de qualquer outro tipo existe uma infinidade de métodos, cada um com vantagens e desvantagens. Neste projeto optou-se pela aplicação da Máquina de Aprendizado Extremo (do inglês, Extreme Learning Machine, ELM) que tem sido usado com sucesso em diversas aplicações que incluem visão computacional, processamento de imagem, análise de séries temporais, previsão de séries temporais, identificação de sistemas não-lineares e aplicações médicas. OBJETIVOS: O objetivo geral deste projeto é estudar e aplicar a rede neural artificial ELM para previsão horária de uma série temporal de energia eólica com diferentes horizontes de previsão à frente. MATERIAIS E MÉTODO: Neste projeto será realizado o treinamento da ELM a partir de dados de previsão de uma série temporal horária de energia eólica com dados desde 01/01/1980 até 31/12/2018. O treinamento de uma rede ELM é equivalente a resolver um problema de otimização, neste projeto serão otimizados o número de neurônios na camada oculta e o tipo de função de ativação da rede neural utilizando alguma técnica de otimização apropriada. Serão usados modelos de previsão paramétricos (ARIMA – Auto Regressive Integrated Moving Average) e não paramétricos (ELM) para previsão da série temporal com 1 passo e múltiplos passos à frente. A acurácia será verificada através de diferentes métricas estatísticas. RESULTADOS: O método que apresentou melhor precisão quando comparado com os demais foi o ELM, onde uma das principais vantagens do ELM é a sua velocidade de treinamento. A camada oculta da rede é inicializada com pesos aleatórios e os pesos da camada de saída são calculados de forma analítica, eliminando a necessidade de iterações de ajuste de pesos complexas. Isso resulta em treinamento muito mais rápido em comparação com métodos tradicionais de redes neurais. CONSIDERAÇÕES FINAIS: Por outro lado, as redes neurais ELM demonstram uma potência singular ao lidar com padrões complexos e irregulares nos dados, embora possam requerer mais recursos computacionais para um treinamento eficaz. Ao serem comparados os métodos de previsão, constatou-se que o Holt-Winters apresenta menor precisão e otimização, seguido pelo ARIMA e ARIMAX, enquanto a ELM se destaca como o modelo mais preciso.

PALAVRAS-CHAVE: Série-temporal; Rede Neural Recorrente; modelo MISO; Energia Eólica