Análise do efeito das condições climáticas na previsão de curto prazo da demanda energética utilizando o método xgboost

Abstract

Diante de um cenário onde a demanda energética se encontra em contínua ascensão e a distribuição dos métodos de geração ainda não se afirma sustentável, estudos que visam a entrega de uma previsibilidade são de extrema importância para o meio ambiente e para o setor elétrico brasileiro. Como ferramenta para essa situação, modelos matemáticos computacionais vem ganhando bastante espaço, devido ao seu sucesso na aplicação em diversas áreas do conhecimento, como o setor financeiro e de fraude, por exemplo. Dessa forma, o presente trabalho tem como objetivo entender o comportamento da curva da carga horária no estado de São Paulo, correlacionando principalmente com atributos climáticos de diversas estações meteorológicas automáticas no polígono que contorna o estado, além de informações derivadas do próprio atributo temporal. No primeiro momento, tem-se como premissa o desenvolvimento de um ciclo completo de um projeto envolvendo machine learning, desde a extração dos principais dados até a construção final do modelo preditivo, passando por etapas de maturação da informação. Visando a real aplicabilidade do modelo, o trabalho buscou dados já consolidados tanto dos atributos preditores como do atributo alvo, consultando o Instituto Nacional de Meteorologia (INMET) para dados climáticos e o Operador Nacional do Sistema Elétrico (ONS) para os dados da demanda energética. O modelo desenvolvido foi embasado em técnicas de ensemble, especificamente o XGboost, no qual o repositório computacional desenvolvido como modelo para a aplicação em qualquer região do país, além de servir de insumo para o aprofundamento da problemática abordada.

Faced with a scenario where energy demand is continuously rising and the distribution of generation methods is not yet sustainable, studies that aim to deliver predictability are extremely important for the environment and for the Brazilian electricity sector. As a tool for this situation, computational mathematical models have had a strong attraction, due to their successful application in several areas of knowledge, such as the financial and fraud sector, for example. Thus, the present work aims to understand the behavior of the hourly load curve in the state of São Paulo, mainly correlating with climatic attributes of several automatic weather stations in the surroundings of the polygon that surrounds the state, in addition to information derived from the temporal attribute itself. At first, the premise is the development of a complete cycle of a project involving machine learning, from the extraction of the main data to the final construction of the predictive model, going through stages of information maturation. Aiming at the real applicability of the model, the work sought already consolidated data of both the predictor and the target attributes, consulting the National Institute of Meteorology (INMET) for climate data and the National Electric System Operator (ONS) for energy demand data. . The developed model was based on ensemble techniques, specifically XGboost, in which the computational repository developed can be used in any region of the country, in addition to serving as an input for the deepening the addressed problem.