Analysis of time series models for Brazilian electricity demand forecasting

Velasquez, Carlos E.; Zocatelli, Matheus; Estanislau, Fidéllis Bitencourt Gonzaga Louzada e; Castro, Victor

doi:10.1016/j.energy.2022.123483

Cited by 53 publications

(16 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…There are lots of methods including artificial neural networks, support vector regression, decision tree, linear regression, and fuzzy sets (Jahan et al, 2020). Velasquez et al (2022) examined three time series approximations and their respective combinations. The results demonstrated that the seasonal regression method presented the best approximation effect, while a combination of the time series methods assisted in reducing the approximation error.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

An improved LSTM-Seq2Seq-based forecasting method for electricity load

Wang

Zheng

et al. 2023

Front. Energy Res.

View full text Add to dashboard Cite

Power load forecasting has gained considerable research interest in recent years. The power load is vulnerable to randomness and uncertainty during power grid operations. Therefore, it is crucial to effectively predict the electric load and improve the accuracy of the prediction. This study proposes a novel power load forecasting method based on an improved long short-term memory (LSTM) neural network. Thus, an long short-term memory neural network model is established for power load forecasting, which supports variable-length inputs and outputs. The conventional convolutional neural network (CNN) and recurrent neural network (RNN) cannot reflect the sequence dependence between the output labels. Therefore, the LSTM-Seq2Seq prediction model was established by combining the sequence-to-sequence (Seq2Seq) structure with that of the long short-term memory model to improve the prediction accuracy. Four prediction models, i.e., long short-term memory, deep belief network (DBN), support vector machine (SVM), and LSTM-Seq2Seq, were simulated and tested on two different datasets. The results demonstrated the effectiveness of the proposed LSTM-Seq2Seq method. In the future, this model can be extended to more prediction application scenarios.

show abstract

Section: Related Workmentioning

confidence: 99%

“…It is the basis for power generation planning, market trading, and power dispatching. In addition, it is an indispensable resource for the construction and maintenance of power grids (Velasquez et al, 2022). There are four forecasting scales based on the forecast time: Long-term, medium-term, short-term, and ultra-short-term.…”

mentioning

confidence: 99%

An improved LSTM-Seq2Seq-based forecasting method for electricity load

Wang

Zheng

et al. 2023

Front. Energy Res.

View full text Add to dashboard Cite

show abstract

“…Electricity demand is the quantity of electrical energy needed by consumer, companies, and industries to satisfy their energy demands [ 1 ]. It is an important aspect of managing and planning energy because it specifies how much energy must be created, transferred, and distributed at all times to meet demand.…”

Section: Introductionmentioning

confidence: 99%

Energy demand forecasting using convolutional neural network and modified war strategy optimization algorithm

Hu,

Gong,

Taheri

2024

Heliyon

View full text Add to dashboard Cite

“…O Departamento de Engenharia Nuclear da Universidade Federal de Minas Gerais (DEN/UFMG) já realizou estudos anteriores quanto ao erro percentual de três diferentes métodos em relação ao seu erro percentual, concluindo que o modelo de médias móveis integradas autorregressivas (ARIMA) apresentou os piores resultados [5]. Porém, o modelo de ARIMA ainda é um dos mais utilizados para a análise e previsão de séries temporais [6][7][8][9][10][11][12], e por isto, novas pesquisas foram realizadas numa tentativa de melhorar sua precisão, através de diferentes métodos de pré-processamento dos dados.…”

Section: Introductionunclassified

Análise de métodos híbridos para a previsão da demanda de energia elétrica baseados no ARIMA

Lucas¹,

Velasquez²

2023

Anais Da Semana Nacional De Engenharia Nuclear E Da Energia E Ciências Das Radiações

View full text Add to dashboard Cite

Uma das questões mais importantes referentes ao planejamento de expansão do sistema elétrico nacional, é a previsão da demanda de energia elétrica a curto e médio prazo. Com a crescente demanda por energia devido ao aumento populacional e ao crescimento na produção industrial, especialmente de produtos eletrônicos de alta tecnologia, métodos de previsão precisos se fazem ainda mais necessários. Quanto maior seja a acurácia da previsão da demanda de energia elétrica, mais esta poderá contribuir para ter melhoras nas análises de expansão do sistema elétrico. Dentro dos métodos mais usados temos as séries temporais onde podemos encontrar o modelo autorregressivo integrado de médias móveis (ARIMA). Então, dando continuidade aos trabalhos anteriores do Departamento de Engenharia Nuclear da Universidade Federal de Minas Gerais, usando as séries temporais para a previsão da demanda de energia elétrica, os resultados apresentaram que só a utilização do método ARIMA apresenta maior erro que outros métodos, o método ARIMA quando utilizado com outros métodos, o erro pode ser reduzido. Com o intuito da redução do erro, este trabalho avalia a redução do erro comparando o método ARIMA com primeiro caso, com a combinação de ARIMA com Wavelet e ARIMA com Transformada de Fourier. Para este tipo de análise precisaremos de dados históricos da curva de carga do sistema interligado nacional (SIN), que podem ser disponibilizados pelo Operador Nacional do Sistema Elétrico (ONS), fazendo uma análise de previsões de curto, médio e longo prazo. A análise comparará os resultados de cada técnica, para diferentes intervalos de tempo: horários, diários e mensais. As previsões foram feitas a partir de códigos na linguagem de programação Python. Os resultados encontrados mostraram que as técnicas utilizadas foram efetivas para melhorar a precisão das previsões feitas através da técnica de ARIMA, sendo a transformada de Fourier mais efetiva para médias mensais e a transformada Wavelet melhor para as médias diárias e os dados horários.

show abstract

Analysis of time series models for Brazilian electricity demand forecasting

Cited by 53 publications

References 21 publications

An improved LSTM-Seq2Seq-based forecasting method for electricity load

An improved LSTM-Seq2Seq-based forecasting method for electricity load

Energy demand forecasting using convolutional neural network and modified war strategy optimization algorithm

Análise de métodos híbridos para a previsão da demanda de energia elétrica baseados no ARIMA

Contact Info

Product

Resources

About