Metodologia para a seleção ótima dos espaços de recursos na rede neural ARTMAP Fuzzy aplicado as previsões de cargas elétricas globais

Abstract

Este trabalho teve como objetivo analisar a influência da seleção adequada dos espaços de recursos no desempenho da Rede Neural ARTMAP Fuzzy Modificada aplicada à previsão de cargas elétricas globais em curto prazo. Para isso, utilizou-se uma base de dados pública do Sistema Elétrico Interligado Nacional Peruano, composta por registros de carga global, fluxos elétricos e variáveis meteorológicas, coletados em intervalos de 30 minutos entre 2017 e 2019. A metodologia foi estruturada em duas etapas principais. Inicialmente, as variáveis de entrada foram avaliadas por três critérios estatísticos: Coeficiente de Correlação de Pearson, Informação Mútua e o teste Qui-quadrado associado ao V de Cramer. Cada método definiu um subconjunto próprio de atributos, posteriormente aplicado ao treinamento, à validação e à previsão da carga global por meio da ARTMAP Fuzzy Modificada. Na etapa de modelagem, os dados foram tratados, normalizados, organizados por janelamento temporal e complementados por variáveis de hora, dia da semana e defasagens históricas da carga. Os modelos foram treinados com 70% da janela selecionada, validados com 30% e, em seguida, empregados em uma previsão recursiva de sete dias, avaliada pelas métricas MAE, MAPE e RMSE. Os resultados demonstraram que a escolha do espaço de recursos influenciou diretamente a capacidade de generalização da rede. Embora o modelo baseado na Correlação de Pearson tenha apresentado melhor desempenho na validação, o método Qui-quadrado associado ao V de Cramer obteve os melhores resultados na previsão semanal, com menores erros médios e melhor aderência visual aos picos, vales e transições da carga real. Concluiu-se que a inclusão de variáveis temporais e operacionais relevantes favoreceu a previsão multi-step e que a seleção estatística dos atributos constitui etapa decisiva para aprimorar o desempenho da ARTMAP Fuzzy Modificada.

The objective of this study was to analyze the influence of the appropriate selection of resource spaces on the performance of the Modified Fuzzy ARTMAP Neural Network applied to the prediction of global electrical loads in the short term. For this, a public database of the Peruvian National Interconnected Electric System was used, composed of records of global load, electrical flows and meteorological variables, collected at 30-minute intervals between 2017 and 2019. The methodology was structured in two main stages. Initially, the input variables were evaluated by three statistical criteria: Pearson's Correlation Coefficient, Mutual Information, and Chi-square test associated with Cramer's V. Each method defined its own subset of attributes, which were later applied to training, validation, and prediction of the global load through the Modified Fuzzy ARTMAP. In the modeling stage, the data were treated, normalized, organized by time windowing, and complemented by variables of time, day of the week, and historical load lags. The models were trained with 70% of the selected window, validated with 30%, and then employed in a seven-day recursive prediction, evaluated by the MAE, MAPE, and RMSE metrics. The results showed that the choice of resource space directly influenced the generalization capacity of the network. Although the model based on Pearson's Correlation had the best performance in validation, the Chi-square method associated with Cramer's V obtained the best results in the weekly forecast, with lower mean errors and better visual adherence to peaks, valleys and transitions of the actual load. It was concluded that the inclusion of relevant temporal and operational variables favored the multi-step prediction and that the statistical selection of the attributes is a decisive step to improve the performance of the Modified Fuzzy ARTMAP.