Author(s): Albuquerque, Pedro Caiua Campelo
Date: 2020
Origin: Oasisbr
Subject(s): Energia elétrica; Aprendizagem de máquina; Economia; Energia elétrica - consumo; Energia elétrica; Energia elétrica; Aprendizagem de máquina; Aprendizagem de máquina; Economia; Economia; Energia elétrica - consumo; Energia elétrica - consumo
Dissertação (mestrado)—Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Ciências Econômicas, 2019.
Este trabalho usa técnicas de aprendizado de máquina para prever o consumo de energia elétrica (CEE) do Brasil no curto e médio prazo. Os modelos são comparados com modelos referenciais, como o Random Walk e ARIMA. Nossos resultados mostram que os métodos de aprendizado de máquina, especialmente Random Forest e Lasso Lars, têm precisão superior para todos os horizontes de previsão, removendo o sobreajuste presente nos modelos tradicionais. Random Forest e Lasso Lars conseguiram acompanhar a tendência e a sazonalidade nos diferentes horizontes temporais. Ainda, o ganho em prever CEE utilizando modelos de aprendizado de máquina em relação aos tradicionais é muito maior no curtíssimo prazo. A seleção de variáveis dos modelos de aprendizado de máquina mostra ainda que os valores defasados de CEE são extremamente importantes para a previsão de curtíssimo prazo, devido à sua alta autocorrelação. As demais variáveis são importantes para horizontes temporais mais longos.
This work uses machine learning techniques to predict Brazilian power electricity consumption (PEC) for short and medium term. The models are compared to benchmark specifications such as Random Walk and autoregressive integrated moving average (ARIMA). Our results show that machine learning methods, especially Random Forest and Lasso Lars, have superior accuracy for all forecasts horizons by removing the overfitting present in traditional models. Random Forest and Lasso Lars managed to keep up with the trend and the seasonality in different time horizons. The gain in predicting PEC using machine learning models compared to traditional ones is much higher in very short-term. Machine learning variable selection further shows that lagged consumption values are extremely important for very short-term forecasting due to its high autocorrelation. Other variables are important for longer time horizons.
