Aprimorando previsões de abastecimento de energia com algoritmos de Bagging e métodos de amortecimento exponencial

Vol 51, 2019 - 107429
Trabalho completo (oral)
Favorite this paper
How to cite this paper?
Abstract

Os algoritmos de Bagging (Bootstrap Aggregation), métodos de aprendizagem semi-supervisionada que constroem um conjunto de classificadores por Bootstrap e posteriormente classificam novos pontos de dados combinando previsões por meio de algum voto ponderado, têm recebido particular atenção no contexto de séries temporais. Suas aplicações para séries de energia, contudo, ainda são relativamente escassas e não há consenso sobre qual algoritmo oferece maiores ganhos de acurácia quando combinados a diferentes métodos de previsão. Utilizando-se três diferentes variações de Bagging e suas combinações com até 30 métodos distintos de amortecimento exponencial, o presente trabalho busca aprimorar as previsões pontuais de abastecimento total de energia elétrica em 30 diferentes países da OCDE. Os ensaios são conduzidos em diferentes horizontes temporais (curto, médio e longo prazo), a fim de se testar a robustez dos métodos e sua performance frente a diferentes benchmarks. Resultados e implicações em termos de tomada de decisão são posteriormente discutidos.

Share your ideas or questions with the authors!

Did you know that the greatest stimulus in scientific and cultural development is curiosity? Leave your questions or suggestions to the author!

Sign in to interact

Have a question or suggestion? Share your feedback with the authors!

Institutions
  • 1 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
  • 2 University of Bath
Track
  • EST – Estatística e Modelos Probabilísticos
Keywords
Bagging
Previsão
Aprovisionamento energético