Leite, Jonatas Boas [UNESP]Ferreira, Andréia Brasil Alves [UNESP]2024-10-022024-10-022024-09-04FERREIRA, Andréia Brasil Alves. Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer. 2024. 188 f. Tese (Doutorado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2024.https://hdl.handle.net/11449/257623A previsão da demanda energética é essencial para a eficiência e estabilidade dos sistemas elétricos de potência. Tradicionalmente, as metodologias de previsão analisam as séries temporais de forma isolada, sem considerar o contexto global do sistema e as possíveis interações entre séries semelhantes. Este estudo examina a complexidade da demanda elétrica, sublinhando a importância das interdependências dinâmicas e das correlações presentes nas séries temporais do setor energético. Utilizando o Temporal Fusion Transformer (TFT), uma técnica avançada de aprendizado de máquina desenvolvida para lidar com dados periódicos complexos, a metodologia proposta investiga como a integração de diferentes sequências temporais de consumo influencia a precisão das previsões. Experimentos realizados com dados históricos de duas bases de dados distintas visaram obter projeções de demanda com um horizonte preditivo de 24 horas. Os resultados indicam que a abordagem múltipla resulta em uma melhoria significativa na precisão das previsões, evidenciando que, no contexto dos sistemas elétricos, a amplitude e a variedade das séries temporais utilizadas são fundamentais para alcançar previsões mais precisas e confiáveis.Energy demand forecasting is essential for the efficiency and stability of electrical power systems. Traditionally, forecasting methodologies analyze time series in isolation, without considering the overall context of the system and the possible interactions between similar series. This study examines the complexity of electricity demand, highlighting the importance of the dynamic interdependencies and correlations present in the energy sector's time series. Using the Temporal Fusion Transformer (TFT), an advanced machine learning technique developed to deal with complex periodic data, the proposed methodology investigates how the integration of different consumption time sequences influences forecast accuracy. Experiments carried out with historical data from two different databases aimed to obtain demand projections with a predictive horizon of 24 hours. The results indicate that the multiple approach results in a significant improvement in forecast accuracy, showing that, in the context of electricity systems, the breadth and variety of the time series used are fundamental to achieving more accurate and reliable forecasts.porInteligência ArtificialAprendizado ProfundoMecanismos de AtençãoAnálise de Séries TemporaisPrevisão de DemandaTransformersArtificial intelligenceDeep learningAttention mechanismsTime series analysisDemand forecastingTese de doutoradoAcesso restrito33004099080P0