Spelling suggestions: "subject:"[een] HYBRID SYSTEMS NEURO-FUZZY"" "subject:"[enn] HYBRID SYSTEMS NEURO-FUZZY""
1 |
[en] ARTIFICIAL NEURAL NETWORKS, FUZZY LOGIC AND NEURO-FUZZY SYSTEM IN THE ROLE OF SHORT TERM LOAD FORECAST / [pt] REDES NEURAIS ARTIFICIAIS, LÓGICA NEBULOSA E SISTEMAS NEURO-FUZZY NA PREVISÃO DE CARGA ELÉTRICA EM CURTO PRAZOLUIZ SABINO RIBEIRO NETO 03 November 2005 (has links)
[pt] Esta dissertação investiga o desempenho de técnicas de
inteligência computacional na previsão de carga em curto
prazo. O objetivo deste trabalho foi propor e avaliar
sistemas de redes neurais, lógica nebulosa, neuro-fuzzy e
híbridos para previsão de carga em curto prazo, utilizando
como entradas variáveis que influenciam o comportamento da
carga, tais como: temperatura, índice de conforto e perfil
de consumo. Este trabalho envolve 4 etapas principais: um
estudo sobre previsão de carga e sobre as variáveis que
influenciam o comportamento da carga; um estudo da
aplicação de técnicas de inteligência computacional em
previsão de carga; a definição de sistemas de redes
neurais, lógica fuzzy e neuro-fuzzy em previsão de carga;
e estudo de casos. No estudo sobre previsão de carga, foi
observada a influência de algumas variáveis no
comportamento da curva de carga de uma empresa de energia
elétrica. Entre estas variáveis se encontram alguns dados
meteorológicos (Temperatura, Umidade, Luminosidade, Índice
de conforto, etc.), além de informações sobre o perfil de
consumo de carga das empresas. Também foi observado o
comportamento da série de carga com relação ao dia da
semana, sua sazonalidade e a correlação entre o valor
atual e valores passados. Foi realizado um levantamento
bibliográfico sobre a aplicação de técnicas de
inteligência computacional na previsão de carga. Os
modelos de redes neurais, são os mais explorados até o
momento. Os modelos de lógica fuzzy começaram a ser
utilizados mais recentemente. Modelos neuro-fuzzy são mais
recentes que os demais, não existindo portanto, muita
bibliografia a respeito. Os projetos de aplicação dos três
modelos foram classificados quanto à sua arquitetura,
desempenho, erros medidos, entradas utilizadas e horizonte
da previsão. Foram propostos e implementados 4 sistemas de
previsão de carga: lógica fuzzy, redes neurais, sistema
neuro-fuzzy hierárquico e um sistema híbrido neural/neuro-
fuzzy. Os sistemas foram especializados para cada dia da
semana, pelo fato do comportamento da carga ser distinto
entre estes dias. Para os sistemas neural, neuro-fuzzy e
híbrido os dados também foram separados em inverno e
verão, pois o perfil de consumo de carga é diferente
nestas estações. O sistema com lógica fuzzy foi modelado
para realizar previsões de curtíssimo prazo (10 em 10
minutos), utilizando para isto o histórico de carga, hora
do dia e intervalo de dez minutos dentro da hora do dia.
As regras do sistema foram geradas automaticamente a
partir do histórico de carga e os conjuntos nebulosos
foram pré-definidos. O sistema com redes neurais teve sua
arquitetura definida através de experimentos, utilizando-
se apenas dados de carga, hora do dia e mês como entradas.
O modelo de rede escolhido foi com retropropagação do erro
(backpropagation). Foram realizados testes incluindo
outras entradas como temperatura e perfil de consumo. Para
o sistema neuro-fuzzy foi escolhido um sistema neuro-fuzzy
hierárquico, que define automaticamente sua estrutura e as
regras a partir do histórico dos dados. Em uma última
etapa, foi estudado um sistema híbrido neural/ neuro-
fuzzy, no qual a previsão da rede neural é uma entrada do
sistema neuro-fuzzy. Para os três últimos modelos as
previsões realizadas foram em curto prazo, com um
horizonte de uma hora Os sistemas propostos foram testados
em estudos de casos e os resultados comparados entre si e
com os resultados obtidos em outros projetos na área. Os
dados de carga utilizados no sistema com lógica fuzzy
foram da CEMIG, no período de 1994 a 1996, em intervalos
de 10 minutos, para previsões em curtíssimo prazo. Os
resultados obtidos podem ser considerados bons em
comparação com um sistema de redes neurais utilizando os
mesmos dados. Para os demais modelos foram utilizados os
seguintes dados: dados horários de carga da Light e da
CPFL, no períod / [en] This thesis examines the performance of computational
intelligence in short term load forecasting. The main
objective of the work was to propose and evaluate neural
network, fuzzy logic, neurofuzzy and hybrid systems in the
role of short term load forecast, considering some
variables that affect the load behavior such as
temperature, comfort indexes and consumption profile. The
work consisted in four main steps: a study about load
forecasting; the modeling of neural network systems, fuzzy
logic and neurofuzzy related to load forecast; and case
studies.
In the load forecasting studies, some variables
appeared to affect the behavior of the load curve in the
case of electrical utilities. These variables include
meteorological data like temperature, humidity,
lightening, comfort indexes etc, and also information
about the consumption profile of the utilities. It was
also noted the distinct behavior of the load series
related to the day of the week, the seasonableness and the
correlation between the past and present values.
A bibliographic research concerning the
application of computational intelligence techniques in
load forecasting was made. This research showed that
neural network models have been largely employed. The
fuzzy logic models have just started to be used recently.
Neuro-fuzzy are very recent, and there are almost no
references on it. The surveyed application projects using
the three models were classified by its architecture,
performance, measured errors, inputs considered and
horizon of the forecast.
In this work four systems were proposed and
implemented for load forecasting: fuzzy logic, neural
network, hierarchical neuro-fuzzy and hybrid neural/neuro-
fuzzy. The systems were specialized for each day of the
week, due to the different behavior of the load found for
each of the days. For the neural network, neuro-fuzzy and
hybrid, the data were separated in winter and summer, due
to the different behavior of the load in each of the
seasons. The fuzzy logic system was modeled for very short
term forecasting using the historic load for each hour of
the day, in steps of 10 minutes within each hour. The
fuzzy system rules were generated automatically based on
the historic load and the fuzzy sets were pre-defined. The
system with neural network had its architecture defined
through experiments using only load data, hour of the day
and month as input. The network model chosen was the back-
propagation. Tests were performed adding other inputs such
as temperature and consumption profile. For the neural-
fuzzy, a hierarchical neuro-fuzzy system, which defines
automatically its structure and rules based on the
historical data, was employed. In a further step, a hybrid
neural/neuro-fuzzy was studied, so as the neural network
forecast is the input for the neuro-fuzzy system. For the
last three models, short term forecasting was made for one
hour period.
The proposed systems were tested in case studies,
and the results were compared themselves and with results
obtained in other projects in the same area. The load data
of CEMIG between 1994 and 1996 was used in the fuzzy logic
system in steps of 10 minutes for very short term
forecasting. The performance was good compared with a
neural network system using the same data. For the other
models, short term load forecasting (I hour, 24 steps
ahead) was done using the following data: load data of
LIGHT and CPFL between 1996 and 1998; temperature (hourly
for LIGHT and daily for CPFL); the codification of month
and hour of the day; and a profile of load by consumption
class. For doing. The error results obtained by the models
were around 1,15% for the fuzzy logic, 2,0% for the neural
network, 1,5% for the neuro-fuzzy system, and 2,0% for the
hybrid system.
This work has showed the applicability of the
computational intelligence techniques on load forecasting,
demonstrating that a preliminary study of the series and
their relation with
|
Page generated in 0.0268 seconds