Título: Redes LSTM Otimizadas para Predição de Geração Eólica Diária
Autores: José Maria Pires de Menezes Júnior, Tasso Dênis da Cruz e Silva & Pedro Henrique de Souza Portela
Resumo: Este trabalho investiga a aplicação de redes neurais artificiais na predição horária da geração de energia em usinas eólicas no estado do Piauí. Utilizou-se um modelo baseado em Long Short-Term Memory(LSTM), treinado com dados históricos do Operador Nacional do Sistema Elétrico (ONS), referentes ao período de janeiro a novembro de 2024. O desempenho da LSTM foi comparado com os modelos FTDNN e XGBoost, utilizando métricas de diferentes aspectos do desempenho preditivo. Os modelos foram otimizados com o auxílio de técnicas de AutoML, visando selecionar automaticamente os melhores hiperparâmetros. Os resultados demonstram que a LSTM apresentou desempenho superior na maioria dos critérios avaliados, especialmente na identificação de picos e de oscilações abruptas da série temporal. Esses achados destacam o potencial da LSTM como uma solução robusta e eficiente para predição em ambientes de alta variabilidade, como o setor de geração de energia eólica.
Palavras-chave: Neural networks; Optimization; Genetic Algorithms; Prediction; Time Series.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191883
Artigo em PDF: CBIC_2025_paper1191883.pdf
Arquivo BibTeX:
CBIC_2025_1191883.bib