Detecção de outliers em séries temporais de carga com redes neurais recorrentes

Página do item simplificado
dc.contributor.advisorDoutor Ciniro Aparecido Leite Nametala
dc.contributor.authorSantos, Lucas Batista dos
dc.date.accessioned2024-07-17T10:12:47Z
dc.date.available2024-07-17T10:12:47Z
dc.date.issued2023-12-11
dc.description.abstractUm aspecto importante da curva de carga horária disponibilizada pelo Operador Nacional do Sistema Elétrico (ONS) é a capacidade de analisar a variação no consumo de energia ao longo do tempo. A demanda horária, influenciada pela sazonalidade, serve como um indicador do consumo esperado de energia e do adequado funcionamento do Sistema Interligado Nacional (SIN). Embora seja possível identificar visualmente outliers na série temporal de carga horária, essa abordagem torna-se trabalhosa e imprecisa. Portanto, é preferível detectar automaticamente os outliers, levando em consideração os padrões sazonais. Neste trabalho, um modelo de Rede Neural Artificial (RNA) com células Long Short-Term Memory (LSTM) foi empregado para identificar outliers com base na sazonalidade. Foram utilizados dados históricos de consumo de energia coletados ao longo do tempo no subsistema Sudeste/Centro-Oeste (SECO). Para rotular os dados, utilizou-se a técnica Interquartile Range (IQR). O treinamento da RNA foi conduzido com base nos dados rotulados para os anos de 2020 e 2021. Posteriormente, o modelo foi testado com dados do ano de 2022. Os resultados foram positivos, alcançando métricas de precision e recall de 98% e 96%, respectivamente.
dc.description.abstract1An important aspect of the load curve provided by the National Electric System Operator is the ability to analyze variations in energy consumption over time. Hourly demand, influenced by seasonality, serves as an indicator of expected energy consumption and the proper functioning of the National Interconnected System. While visually identifying outliers in the time series of hourly load is possible, this approach becomes laborious and imprecise. Therefore, it is preferable to automatically detect outliers, considering seasonal patterns. In this study, a model of Artificial Neural Network with Long Short-Term Memory cells was employed to identify outliers based on seasonality. Historical energy consumption data collected over time in the Southeast/Central-West subsystem were used. The Interquartile Range (IQR) technique was employed for data labeling. The ANN was trained based on labeled data for the years 2020 and 2021, and subsequently tested with 2022 data. The results were positive, achieving precision and recall metrics of 98% and 96%, respectively.
dc.identifier.urihttp://hdl.handle.net/20.500.14387/1770
dc.language.isoPortuguês
dc.publisher.campiBambuí
dc.publisher.countryBrasil
dc.publisher.institutionInstituto Federal de Minas Gerais - Campus Bambuí
dc.rightsAcesso aberto
dc.subject.keywordRede neural LSTM
dc.subject.keywordDetecção de Outliers
dc.subject.keywordSubsistema Sudeste/Centro-Oeste
dc.titleDetecção de outliers em séries temporais de carga com redes neurais recorrentes
dc.typeTrabalho de Conclusão de Curso
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC-Monografia-Lucas Batista dos Santos.pdf
Tamanho:
10.42 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.79 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar
Coleções
Trabalho de Conclusão de Curso