Estimation of the Time of Occurrence of the Maximum Electrical Demand by Selecting the Optimal Classification Model and Making Use of Unbalanced Data

Resumo

Os estudos sobre previsão de demanda de energia elétrica geralmente focam na magnitude da variável, porém, a metodologia utilizada neste estudo também aborda o momento em que ocorre o pico de demanda, crucial para planejar a geração de energia, suavizar os picos de demanda e estabelecer tarifas diferenciadas. Para prever o momento de demanda máxima, foram utilizados algoritmos de aprendizado de máquina supervisionado: florestas aleatórias, K vizinhos mais próximos, máquina de vetores de suporte e regressão logística. O conjunto de dados consiste em dados de demanda horária máxima e mínima de 2021 a 2024 para um país da América do Sul, incluindo fatores ambientais como temperatura e sazonalidade. Como os dados da variável de previsão de pico de demanda são desequilibrados, o estudo utilizou técnicas de sobreamostragem como SMOTE-NC (instâncias sintéticas das classes minoritárias para equilibrar o conjunto de dados). Uma abordagem de tomada de decisão multicritério é utilizada para selecionar o melhor modelo de classificação, considerando métricas de avaliação do modelo como critérios de decisão. A conclusão mais importante tirada pelo estudo é que o modelo obtido com o algoritmo da máquina de vetores de suporte revelou-se ótimo e previu com sucesso o tempo de demanda máxima em 15 dos 17 dias de teste. As conclusões destacam a natureza desequilibrada dos horários de pico de demanda, que ocorrem predominantemente por volta das 20h.