BiLSTM-CNN network applied to the forecast of electricity consumption in agroindustry of the southwest region of Goiás

Resumo

Este trabalho propõe a utilização da rede híbrida BiLSTM-CNN para prever o consumo de energia elétrica de uma agroindústria. A agroindústria está localizada na região sudoeste do estado de Goiás. A rede BiLSTM-CNN é baseada na integração da rede BiLSTM (Bidirectional Long Short Term Memory) com a rede CNN (Bidirectional Long Short Term Memory). A base de dados apresenta uma série diária de consumo de energia entre janeiro/2016 e dezembro/2021, totalizando 2153 observações. Modelos de predição baseados em Redes Neurais Artificiais foram implementados em Python usando o framework Keras. Os resultados obtidos da rede proposta e das redes recorrentes LSTM, GRU e RNN foram comparados usando as métricas R2 (Coefficient of Determination), RSME (Root Mean Squared Error), MAPE (Mean Absolute Percent Error) e MAE (Mean Absolute Error). Verificou-se, para um horizonte de 30 dias, que o modelo BiLSTM-CNN apresentou melhor desempenho. Concluiu-se que o modelo de previsão proposto pode servir como ferramenta de apoio aos gestores da agroindústria em estudo.

Biografia do Autor

José Airton Azevedo dos Santos, Universidade Tecnológica Federal do Paraná - UTFPR
Programa de Pós-graduação em tecnologias Computacionais para o Agronegócio (PPGTCA)
Gustavo Bezerra da Silva, Universidade Tecnológica Federal do Paraná

Discente do Curso de Engenharia Elétrica da Universidade Tecnológica Federal do Paraná (UTFPR)

Leandro de Oliveira, Universidade Tecnológica Federal do Paraná

Engenheiro Eletricista. Mestrando do Curso de Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio

Publicado
2023-10-29
Como Citar
dos Santos, J. A. A., SILVA, G. B., G. B. da S., & OLIVEIRA, L., L. de O. (2023). BiLSTM-CNN network applied to the forecast of electricity consumption in agroindustry of the southwest region of Goiás. REVISTA CEREUS, 15(3), 93-108. Recuperado de http://ojs.unirg.edu.br/index.php/1/article/view/4264
Seção
Artigos