High dimensional models for forecasting power electricity consumption

Abstract

Este trabalho usa técnicas de aprendizado de máquina para prever o consumo de energia elétrica (CEE) do Brasil no curto e médio prazo. Os modelos são comparados com modelos referenciais, como o Random Walk e ARIMA. Nossos resultados mostram que os métodos de aprendizado de máquina, especialmente Random Forest e Lasso Lars, têm precisão superior para todos os horizontes de previsão, removendo o sobreajuste presente nos modelos tradicionais. Random Forest e Lasso Lars conseguiram acompanhar a tendência e a sazonalidade nos diferentes horizontes temporais. Ainda, o ganho em prever CEE utilizando modelos de aprendizado de máquina em relação aos tradicionais é muito maior no curtíssimo prazo. A seleção de variáveis dos modelos de aprendizado de máquina mostra ainda que os valores defasados de CEE são extremamente importantes para a previsão de curtíssimo prazo, devido à sua alta autocorrelação. As demais variáveis são importantes para horizontes temporais mais longos.