1 |
[en] STATE SPACE MODELS: MULTIVARIATE FORMULATION APPLIED TO LOAD FORECASTING / [pt] MODELOS EM ESPAÇO DE ESTADO: FORMULAÇÃO MULTIVARIADA APLICADA À PREVISÃO DE CARGA ELÉTRICAMARCELO RUBENS DOS SANTOS DO AMARAL 19 July 2006 (has links)
[pt] Os métodos de análise de séries temporais têm se revelado
uma importante ferramenta de apoio à tomada de decisões,
com importância crescente em um mundo cada vez mais
globalizado. Esse fato pode ser ilustrado, entre muitos
outros, através de um convênio firmado entre o CEPEL, o
Núcleo de Estatística Computacional da PUC/RJ e a
Eletrobrás, para se avaliar a utilidade dessas ferramentas
nas etapas do planejamento do setor elétrico brasileiro. A
metodologia em Espaço de Estado proporcionou o surgimento
de duas importantes classes de modelos de previsão e
análise de séries temporais completamente alternativas (os
modelos estruturais e os modelos de inovações em espaço de
estado), e, por isso, podem por vezes, causar dúvidas
quando se fala em métodos de previsão em espaço de estado
sem se especificar sobre qual das duas se está falando.
Foi escolhido uma técnica específica e facilmente
executável em softwares comerciais para cada classe de
modelos: O desenvolvimento clássico de Harvey implementado
no software STAMP, representando os modelos estruturais; e
o desenvolvimento de Goodrich implementado no software
FMP, representando os modelos de inovações. Essas técnicas
estão tratadas de uma forma aprofundada, para proporcionar
um melhor entendimento teórico das diferenças existentes
entre ambas. Com o intuito de se avaliar a performance
frente às outras técnicas existentes, são comparados os
resultados das previsões entre as metodologias a partir de
um sistema de comparação baseado nas estatísticas MAPE
(Mean Absolute Percentage Error), RMSE (Root Mean Squared
Error) e U-Theil. Para tanto são vistos sucintamente as
técnicas: Alisamento Exponencial (Holt-Winters), Box &
Jenkins e Redes Neurais. Todas as técnicas foram aplicadas
aos dados de consumo de energia elétrica das 32 empresas
concessionárias do setor no Brasil, além de comparadas com
as previsões realizadas por essas concessionárias. A
novidade deste trabalho para o projeto em andamento está
na aplicação multivariada possível através da metodologia
de Goodrich. / [en] The analysis of time series is, nowadays one of the most
important tools in the decision making process, due mainly
to the globalization of the world.
As an illustration of that we can mention the recent
contract signed between NEC/PUC-Rio and CEPEL/Eletrobrás,
where time series techniques are to be used in the
planning process of the brazilian sector.
The state-space approach forms the basis of two
important forecasting models to time series analysis the
structural model and the state space innovation model.
Because of that one finds it difficult to have a clear cut
definition of either one of them.
These two models formulation were implemented in comercial
softwares: the structural model of A. Harvey in STAMP and
the state space innovation of R. Goodrich in FMP.
In order to check the perfomance of these state space
approaches vis-à-vis the traditional forecasting
techniques, it was used the following statistics: MAPE
(Mean Absolute Percentage Error), RMSE (Root Mean Squared
Error) and U-Theil. The traditional approaches used in the
comparison were: Holt-Winters, Box & Jenkins and
Backpropagation Neural Network. All the methods, included
the state space ones were applied to the demand series of
32 electrical utilities which form the brazilian
electrical distribution system. If was also attempted the
multivariate state-space formulation of R. Goodrich which
is included in FMP software.
|
2 |
[en] FORECASTING DAILY LOAD DATA USING STRUCTURAL MODELS AND CUBIC SPLINE / [pt] PREVISÃO DE CARGA DIÁRIA ATRAVÉS DE MODELOS ESTRUTURAIS USANDO SPLINESFABIANA GORDON 17 May 2006 (has links)
[pt] Esta tese propõe um modelo para o tratamento de
observações diárias e é aplicado na área do setor
elétrico, no problema de previsão de carga horária. O
modelo proposto é basicamente um modelo estrutural onde a
sazonalidade anual (movimentos periódicos dentro do ano) é
modelada utilizando a técnica de Splines. Esta técnica
também é utilizada na estimação do efeito não linear de
uma variável explicativa. O modelo desenvolvido nesta tese
também leva em conta os feriados dada a grande influência
dos mesmos no consumo de energia elétrica. A metodologia
proposta é aplicada à três concessionárias do Sistema
Interligado Brasileiro: LIGHT (Estado do Rio de Janeiro);
CEMIG (Estado de Minas Gerais) e COPEL (Estado do Paraná).
A estimação é levada a cabo utilizando o software STAMP
conjuntamente com módulos desenvolvidos no utilitário
MATLAB. / [en] This thesis presents a model that deals with daily
obsevations applied to the problem of forecasting daily
elecricity demand. This approach is basaed on a structural
time series model with the annual seasonal pattern being
modelled by a Periodic Sppline. The methods of Splines was
first used in Harvey and Koopman (1993) to analyse hourly
load observations, including temperature used an
explanatory variable which is also modelled by a Spline.
The main contribuition of this thesis is the treatment of
holidays and the temperature response modelled by a spline
which considerss the possible vsariations that the effect
of temperature has on electricity demand within the year.
The methodology is applied to three companies of the
Brazilian electrical system: LIGHT (State of Rio de
Janeiro), CEMIG (State of Minas Gerais) and COPEL (state
of Paraná).
|
3 |
[en] LOAD FORECASTING IN POWER SYSTEMS / [pt] PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICAFABIO AFONSO NETO DE CAMPOS 06 August 2009 (has links)
[pt] Neste trabalho apresenta-se o estudo de Previsões de demanda de Energia Elétrica utilizando séries temporais, particularmente a teoria devido a Box & Jenkins. Estuda-se um modelo já existente em uma das cidades proporcionando a hipótese de se estender a validade deste modelo, para cidade de mesmas características onde houver falta de dados. Os dados numéricos utilizados neste estudo são relativos à Centrais Elétricas Fluminense, (CELF). / [en] This paper presents a study of load previsions using chronological series, especially the theory of Box and Jenkins. One model is determined for a city and next a trial is made to extend the vality of this model to other cities with the same characteristics when there is a lack of data. The numerical data use in the work are those of CENTRAIS ELETRICAS FLUMINENSE (CELF).
|
4 |
[en] SHORT TERM LOAD FORECASTING - AN ATTEMPT TO USE ARTIFICIAL NEURAL NETWORKS / [es] PREVISIÓN DE CARGAS A CORTO PLAZO - UNA EVALUACIÓN DE LA VIABILIDAD DEL USO DE REDES NEURALES / [pt] PREVISÃO DE CARGAS A CURTO PRAZO - UMA AVALIAÇÃO DA VIABILIDADE DO USO DE REDES NEURAIS ARTIFICIAISHENRIQUE STEINHERZ HIPPERT 03 May 2001 (has links)
[pt] A previsão de perfis de carga elétrica (i.e., das séries de
cargas a cada hora de um dia) tem sido freqüentemente
tentada por meio de modelos baseados em redes neurais. Os
resultados conseguidos por estes modelos, contudo, ainda
não são considerados inteiramente convincentes. Há duas
razões para ceticismo: em primeiro lugar, os modelos
sugeridos geralmente se baseiam em redes que parecem ser
complexas demais em relação aos dados que pretendem modelar
(isto é, estes modelos parecem estar superparametrizados);
em segundo lugar, estes modelos geralmente não são bem
validados, pois os artigos que os propõem não comparam o
desempenho das redes ao de modelos de referência. Nesta
tese, examinamos estes dois pontos por meio de revisões
críticas da literatura e de simulações, a fim de verificar
se é realmente viável a aplicação de redes neurais à
previsão de perfis de carga. Nas simulações, construímos
modelos bastante complexos de redes e verificamos
empiricamente sua validade, pela comparação de seu
desempenho preditivo fora da amostra de treino ao
desempenho de vários outros modelos de previsão. Os
resultados mostram que as redes, mesmo quando muito
complexas, conseguem previsões de perfis mais acuradas do
que os modelos tradicionais, o que sugere que elas poderão
trazer uma grande contribuição para a solução do problema
de previsão de cargas. / [en] Load profile forecasting (i.e., the forecasting of series
of hourly loads) has been
often attempted by means of models based on neural
networks. However, the papers
that propose such models are not considered entirely
convincing, for at least two
reasons. First, the models they propose are usually based
on neural networks that seem
to be too large in relation to the sample they intend to
model (that is, the networks seem
to overfit their data). Secondly, most of the models are
not properly validated, since the
papers do not compare their performances to that of any
standard forecasting method.
In this thesis, we examine these two points, by means of
literature reviews and of
simulations, in order to investigate the feasibility of the
application of neural networks
to the problem of profile forecasting. We build some very
complex models based on
neural networks, and validate them empirically by comparing
their predictive
performance out-of-sample, over actual data, to the
performance of several other
forecasting methods. The results show that neural networks,
even when very complex,
are able to forecast profiles more accurately than the
traditional models, which suggests
that they may yet bring large contributions to the solution
of the load forecasting
problem. / [es] La previsión de los perfiles de carga elétrica (i.e., series de cargas medidas a cada hora de un día) ha
sido abordada con frecuencia a través de modelos basados en redes neurales. Los resultados
obtenidos por estos modelos, todavía no son considerados enteramente convincentes. Existen dos
razones para este escepticismo: en primer lugar, los modelos
sugeridos generalmente se basan en redes que parecen ser demasiado complejas en relación a los
datos que pretenden modelar (quiere decir, estos modelos parecen estar superparametrizados); en
segundo lugar, estos modelos generalmente no son bien evaluados, pués los artículos que los
proponen no comparan el desempeño de las redes al de los modelos de referencia. En esta tesis,
examinamos estos dos puntos por medio de revisiones críticas de la literatura y de simulaciones, con
el objetivo de verificar si es realmente viable la aplicación de redes neurales a la previsión de perfiles
de carga. En las simulaciones, construímos modelos de redes bastante complejos y verificamos
empíricamente su validez, comparando su desempeño predictivo fuera de la muestra de
entrenamiento con el desempeño de varios otros modelos de previsión. Los resultados muestran que
las redes, incluso cuando muy complejas, consiguen previsiones de perfiles más precisas que los
modelos tradicionales, lo que sugiere que ellas poderián traer una gran contribución para la solución
del problema de previsión de cargas.
|
5 |
[en] HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD / [pt] MODELO HPA PARA A MODELAGEM DE DADOS DE ALTA FREQUÊNCIA: APLICAÇÃO À PREVISÃO HORÁRIA DE CARGA ELÉTRICASCHAIANE NOGUEIRA OUVERNEY BARROSO 28 December 2010 (has links)
[pt] A previsão de curto prazo, que envolve dados de alta frequência, é essencial para a confiabilidade e eficiência da operação do setor elétrico, fazendo com que a alocação da carga seja feita de forma eficiente, além de indicar possíveis distorções nos próximos períodos (dias, horas, ou frações de hora). A fim de garantir a operação energética, diversas abordagens têm sido empregadas com vistas à previsão de carga de energia a curto prazo. Dentre elas, pode-se citar os modelos híbridos de Séries Temporais, Lógica Fuzzy e Redes Neurais e o Método Holt-Winters com múltiplos ciclos que é a principal ferramenta utilizada atualmente. O HPA (Hierarchical Profiling Approach) é um modelo que decompõe a variabilidade dos dados de séries temporais em três componentes: determinística, estocástica e ruído. A metodologia é capaz de tratar observações únicas, periódicas e aperiódicas, e ao mesmo tempo, serve como uma técnica de pré-branqueamento. Este trabalho tem por objetivo implementar o HPA e aplicá-lo a dados de carga de energia elétrica de 15 em 15 minutos pra um estado da região Sudeste do Brasil. Também serão analisadas as previsões de curto prazo geradas pelo modelo para a série considerada, visto que a habilidade preditiva do HPA ainda é desconhecida para séries brasileiras. As previsões forneceram Coeficiente U de Theil igual a 0,36 e um Erro Percentual Absoluto Médio (MAPE, Mean Absolute Percentage Error) de 5,46%, o qual é bem inferior ao valor fornecido pelo Modelo Ingênuo usado para comparação (15,08%). / [en] Short-term forecast, which involves high frequency data, is essential for a reliable and efficient electricity sector operation, enabling an efficient power load allocation and indicating possible distortions in the coming periods (days, hours, or hour fractions). To ensure the operation efficiency, several approaches have been employed in order to forecast the short-term load. Among them, one can mention the hybrid models of Time Series, Fuzzy Logic and Neural Networks and Holt-Winters Method with multiple cycles, which is the main tool used today. The HPA (Hierarchical Profiling Approach) model decomposes the variability of time series data into three components: deterministic, stochastic and noise. The model is capable of modeling single, periodic and aperiodic observations, and at the same time function as a pre-whitening technique. This work aims to implement the HPA and to apply it in 15 in 15 minutes load data of a Brazil’s southeastern state, since the predictive ability of the HPA is still not known for the Brazilian series. The short-term forecasts estimated for the series considered are analyzed and provided a Theil-U Coefficient equal to 0.36 and a Mean Absolute Percentage Error (MAPE) of 5.46%, which is smaller than the value given by the Naive Model (15.08%).
|
6 |
[en] A SMOOTH TRANSITION PERIODIC AUTO REGRESSIVE MODEL FOR SHORT TERM ELECTRICITY LOAD FORECAST / [pt] UM MODELO DE MÚLTIPLOS REGIMES AUTO REGRESSIVO PERIÓDICO COM TRANSIÇÃO SUAVE APLICADO A PREVISÃO DE CURTO PRAZO DE CARGA DE ENERGIA ELÉTRICALUIZ FELIPE MOREIRA DO AMARAL 16 May 2007 (has links)
[pt] Essa tese considera um modelo não linear para se obter
previsões de curto
prazo de carga de energia elétrica. O modelo combina um
modelo de múltiplos
regimes auto-regressivo com transição suave com um
periódico auto-regressivo
criando o modelo de múltiplos regimes periódico com
transição suave (STPAR).
Um método de construção do modelo é desenvolvido com
métodos estatísticos
simples e um teste de linearidade contra a hipótese de
modelo periódico autoregressivo
com transição suave. Outros dois destes foram elaborados
para se
avaliar o modelo estimado: um teste de Multiplicador de
Lagrange (LM) para a
hipótese de auto-correlação serial dos resíduos e outro
teste LM para a hipótese de
não linearidade remanescente. Um experimento de Monte
Carlo foi implementado
para avaliar a performance dos testes propostos. Estimação
por mínimos
quadrados não lineares é considerado. Finalmente, dados de
carga de energia
elétrica do estado de New South Wales na Austrália são
apresentados e foram
usados como exemplo real. Outros modelos foram utilizados
para comparar a
performance do modelo. / [en] This thesis considers a non linear approach to obtain
short term forecast for
electricity load. The model combines a smooth transition
autoregressive process
with a periodic autoregressive time series model, creating
the Smooth Transition
Periodic Autoregressive (STPAR) model. A model-building
procedure is
developed and a linearity test against smooth transition
periodic auto-regressive is
proposed. Other two tests were created to evaluate the
model: a Lagrange
multiplier (LM) test for the hypothesis of no error
autocorrelation and LM-type
test for the hypothesis of no remaining non-linearity. A
Monte Carlo experiment
was implemented to evaluate the performance of the
proposed tests. Estimation by
nonlinear least squares is considered. Finally, load data
from New South Wales
State in Australia`s electricity retail market is
presented and will be used as a real
example. Other models were used to compare the performance
of the proposes
model.
|
7 |
[en] A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC. / [pt] MODELO DE PREVISÃO DE CARGA DE CURTO PRAZO UTILIZANDO REDES NEURAIS E LÓGICA FUZZYFLAVIA CRISTINA DA COSTA SERRAO 22 May 2003 (has links)
[pt] O objetivo principal desta dissertação é desenvolver um
método de previsão de carga elétrica de curto prazo
(previsão horária), através de um sistema híbrido
(Redes Neurais e Lógica Fuzzy) utilizando temperaturas
máximas e mínimas como variáveis explicativas. Como
primeiro passo, foram definidos os perfis homogêneos das
curvas de carga diárias através de um classificador
utilizando os Mapas Auto Organizáveis (Self-Organizing Maps-
SOM). Um previsor será adicionado ao esquema de previsão
através da Lógica Fuzzy que associará as variáveis
climáticas aos perfis criados pela SOM produzindo as
previsões.
O modelo foi aplicado em dados de duas concessionárias de
energia elétrica do Brasil usando dados horários coletados
durante dois anos. / [en] This dissertation presents a short-term load forecasting
procedure mixing a classifier scheme and a predictive
scheme. The classifier is implemented through
an artificial neural network using a non-supervised
learning procedure (SOM). Concerning the predictive scheme,
a fuzzy logic procedure uses climatic variables and their
prediction to choose the appropriate profiles created by
SOM and then combines them to produce the desired forecast.
The model is applied to two utilities in Brazil using
hourly observations collected during two calendar years and
the results obtained, in terms of mean absolute percentage
error (MAPE) through the period analyzed, are presented.
|
8 |
[en] A SHORT TERM LOAD FORECASTING MODEL COMBINING STATISTICAL AND COMPUTATIONAL INTELLIGENCE BASED MODELS / [pt] UM MODELO DE PREVISÃO DE CURTO PRAZO DE CARGA ELÉTRICA COMBINANDO MÉTODOS ESTATÍSTICOS E INTELIGÊNCIA COMPUTACIONALPLUTARCHO MARAVILHA LOURENCO 17 March 2006 (has links)
[pt] Este trabalho apresenta um novo modelo de previsão de
curto prazo de carga elétrica que reúne técnicas de
inteligência computacional e métodos estatísticos. Ele
permite aproveitar as vantagens de inteligência
computacional, relativas à criação de classes da série de
entrada e ao processamento de variáveis climáticas de
forma lingüística, e aquelas provenientes de modelos
estatísticos, onde os parâmetros e a ordem do modelo são
conhecidos e o intervalo de confiança das previsões é
determinado. O modelo é uma extensão do método
desenvolvido por P.C. Gupta, onde são empregadas técnicas
de inteligência computacional junto com o método original.
O modelo resultante compreende um classificador, um
previsor e um procedimento para aprimorar as estimativas.
O classificador é implementado por uma rede neural
artificial com aprendizado não-supervisionado, enquanto o
previsor emprega modelos estatísticos, combinando métodos
de média móvel, amortecimento exponencial e auto-
regressivo. Um sistema com lógica nebulosa utiliza
variáveis climáticas no aprimoramento da previsão obtida. / [en] A new short-term load forecasting procedure is presented
in this work, mixing techniques from the statistical
models and those from computational intelligence (CI). It
takes advantage of the CI techniques to establish the
various load profiles and to process climatic variables in
a linguistic way, and those from the statistical side,
where the parameters and the order of the model are known
and a spread measure is determined. The model is an
adaptation of the method developed by P.C.Gupta, where CI
techniques are added to the original method.
The final model includes a classifer scheme, a predictive
scheme and a procedure to improve the estimations. The
classifier is implemented via an artificial neural network
using a non-supervised learning moving average,
exponential smoothing and ARMA type of models. A fuzzy
logic procedure uses climating variables to improve the
forecast.
|
9 |
[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
|
10 |
[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS / [pt] PREVISÃO DE CARGA EM SISTEMAS ELÉTRICOS DE POTÊNCIA POR REDES NEURAISRICARDO SALEM ZEBULUM 02 February 2007 (has links)
[pt] Esta dissertação investiga a utilização de Redes Neurais
Artificiais (RNAs) na área de previsão de carga elétrica.
Nesta investigação foram utilizados dados reais de energia
relativos ao sistema elétrico brasileiro. O trabalho
consiste de quatro partes principais: um estudo sobre o
problema de previsão de carga no contexto de sistemas
elétricos de potência; o estudo e a modelagem das RNAs
para previsão de carga; o desenvolvimento do ambiente de
simulação; e o estudo de casos.
O estudo sobre o problema de previsão de carga envolveu
uma investigação sobre a importância da previsão de
demanda de energia na área de sistemas elétricos de
potência. Enfatizou-se a classificação dos diversos tipos
de previsão de acordo com o seu horizonte, curto e longo
prazo, bem como a análise das variáveis mais relevantes
para a modelagem da carga elétrica. O estudo também
consistiu da análise de vários projetos na área de
previsão de carga, apresentando as metodologias mais
utilizadas.
O estudo e a modelagem de RNAs na previsão de carga
envolveu um extenso estudo bibliográfico de diversas
metodologias. Foram estudadas as arquiteturas e os
algoritmos de aprendizado mais empregados. Constatou-se
uma predominância da utilização do algoritmo de
retropropagação (Backpropagation) nas aplicações de
previsão de carga elétrica horária para curto prazo. A
partir desse estudo, e utilizando o algoritmo de
retropropagação, foram propostas diversas arquiteturas de
RNAs de acordo com o tipo de previsão desejada.
O desenvolvimento do ambiente de simulação foi
implementado em linguagem C em estações de trabalho SUN. O
pacote computacional engloba basicamente 3 módulos: um
módulo de pré-processamento da série de carga para
preparar os dados de entrada; um módulo de treinamento da
Rede Neural para o aprendizado do comportamento da série;
e um módulo de execução da Rede Neural para a previsão dos
valores futuros da série. A construção de uma interface
amigável para a execução do sistema de previsão, bem como
a obtenção de um sistema portátil foram as metas
principais para o desenvolvimento do simulador.
O estudo de casos consistiu de um conjunto de
implementações com o objetivo de testar o desempenho de um
sistema de previsão baseado em Redes Neurais para dois
horizontes distintos: previsão horária e previsão mensal.
No primeiro caso, foram utilizados dados de energia da
CEMIG (Estado de Minas Gerais) e LIGHT (Estado do Rio de
Janeiro). No segundo caso, foram utilizados dados de
energia de 32 companhias do setor elétrico brasileiro.
Destaca-se que a previsão mensal faz parte de um projeto
de interesse da ELETROBRÁS, contratado pelo CEPEL. Para
ambos os casos, investigou-se a influência do horizonte de
previsão e da época do ano no desempenho do sistema de
previsão. Além disso, foram estudadas as variações do
desempenho das Redes Neurais de acordo com a empresa de
energia elétrica utilizada. A avaliação do desempenho foi
feita através da análise das seguintes estatísticas de
erro: MAPE (Mean Absolute Percentage Error), RMSE (Root
Mean Square Error) e U de Theil. O desempenho das RNAs foi
comparado com o de outras técnicas de previsão, como os
métodos de Holt-Winters e Box & Jenkins, obtendo-se
resultados, em muitos casos, superiores. / [en] This dissertation investigates the application of
Artificial Neural Networks (ANNs) in load forecasting. In
this work we have used real load data from the Brazilian
electrical system. The dissertation is divided in four
main topics: a study of the importance of load forecasting
to electric power systems; the investigation of the ANN
modeling to this particular problem; the development of a
neuro-simulador; and the case studies.
It has been made an investigation of the objectives of
load forecasting to power systems. The different kinds of
load forecasting have been classified according to the
leading time of the prediction (short and long term). The
more important variables to model electric load were also
investigated. This study analyses many projects in the
area of load forecasting and presents the techniques that
have been traditionally used to treat the problem.
The ANNs modeling to load forecasting involved a deep
investigation of works that have been published. The ANNs
architectures and learning algorithms more commonly used
were studied. It has been verified that the
Backpropagation algorithm was the more commoly applied in
the problem (particularly, in the problem of short term
hourly load forecasting). Based on this investigation and
using the backpropagation algorithm, many Neural Networks
architetures were proposed according to the desired type
of forecasting.
The development of the neuro-simulator has been made in C
language, using SUN workstations. The software is divided
in 3 modules: a load series pre-processing module, to
prepare the input data; a training module to the load
series behavior learning; and an execution module, in
which the Neural Network will perform the predictions. The
development of a friendly interface to the forecasting
system execution and the portability of the system were
main goals during the simulator development.
The case studies involved testing the system performance
for 2 cases: hourly and monthly predictions. In the first
case, load data from CEMING (State of Minas Gerais) and
LIGHT (State of Rio de Janeiro) has been used. In the
second case load data from 32 companies of the Brazilian
electrical system has been used. Monthly load forecasting
is involved in a project of interest of two companies of
the electric sector in Brazil: CEPEL and ELETROBRÁS. In
both cases, influences of the forecasting horizon and of
the period of the year in the system´s performance has
been investigated. Besides, the changes in the forecasting
performance according to the particular electric company
were also studied. The performance evaluation has been
done through the analysis of the following error figures:
MAPE (Mean Absolute Percentage Error), RMSE (Root Mean
Square Error) and Theil´s U. The ANN performance was also
compared with the performance of other techniques, like
Holt-Winteres and Box-Jenkins, giving better results in
many cases.
|
Page generated in 0.0564 seconds