Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado

Abstract

A previsão de carga elétrica em nível desagregado apresenta desafios relevantes devido à elevada variabilidade dos perfis de consumo, à ausência de variáveis contextuais e à presença de ruídos e padrões atípicos, especialmente em ambientes institucionais, onde o uso coletivo e irregular dos espaços, a sazonalidade acadêmica e a limitação de infraestrutura intensificam a complexidade da modelagem. Desenvolve-se uma metodologia híbrida para previsão horária de curto prazo, baseada na combinação entre redes neurais ARTMAP Fuzzy e o algoritmo de clusterização Kmeans, aplicada a dados reais de uma microrrede universitária. Utilizam-se séries temporais com resolução de 15 minutos, totalizando 96 registros por dia, no período de abril de 2012 a agosto de 2013. O processo de pré-processamento inclui a filtragem de dias não úteis, interpolação de dados ausentes, codificação cíclica das variáveis temporais e aplicação de suavização por média móvel ponderada. Os dados são segmentados por dia da semana, formando subconjuntos independentes de segunda a sexta-feira. Para cada previsão, calcula-se o perfil médio dos cinco dias úteis anteriores, que é comparado aos centróides obtidos pelo K-means. O cluster mais semelhante define o conjunto de treinamento da rede ARTMAP Fuzzy, com exclusão do diaalvo. A metodologia é validada por meio da previsão de todos os dias do conjunto amostral, assegurando capacidade de generalização e adaptação a diferentes padrões de carga. Os resultados demonstram reduções significativas nas métricas de erro (MAPE, RMSE e MAE), sobretudo em dias com maior oscilação, mesmo diante de dados incompletos e sem uso de variáveis exógenas. A estrutura modular adotada, aliada à segmentação temporal e à seleção orientada por clusters do conjunto de treinamento, contribui para a robustez da previsão, oferecendo uma solução eficaz e escalável para sistemas elétricos com baixa agregação e restrição de informações auxiliares.

Short-term load forecasting at disaggregated levels poses significant challenges due to the high variability of consumption patterns, the absence of contextual variables, and the presence of noise and atypical behaviors, particularly in institutional environments, where collective and irregular use of spaces, academic seasonality, and limited infrastructure intensify the complexity of modeling. This work develops a hybrid methodology for hourly load forecasting, based on the combination of Fuzzy ARTMAP neural networks and the K-means clustering algorithm, using real data from a university microgrid. The time series employed have a 15-minute resolution, totaling 96 records per day, covering the period from April 2012 to August 2013. The preprocessing procedure includes the removal of non-business days, interpolation of missing data, cyclic encoding of temporal variables, and smoothing using a weighted moving average. Data are segmented by weekday, forming independent subsets from Monday to Friday. For each prediction, the average profile of the five most recent weekdays is calculated and compared to the centroids generated by K-means. The most similar cluster defines the training set for the Fuzzy ARTMAP neural network, excluding the target day. The methodology is validated through the prediction of all available days in the dataset, ensuring generalization capacity and adaptability to different load patterns. The results demonstrate significant reductions in forecasting errors (MAPE, RMSE, and MAE), especially on days with higher variability, even under incomplete data conditions and without the use of exogenous variables. The modular structure adopted, combined with temporal segmentation and cluster-driven selection of the training set, contributes to the robustness of the forecasting process, offering an effective and scalable solution for low-aggregation electrical systems with limited auxiliary information.