In transforming the current electricity network, in a so called smart grid, demand forecasting is relevant to processes such as demand management, demand response, distributed generation, among others. For consumers, the replacement of electromechanical meters by electronic meters, enables real-time access to measurement data, providing this data for demand forecasting. The present work focuses on consumers with different profiles, commercial, industrial and institutional, connected to the the distribution network in medium-voltage and loads ranging between a few tens of kilowatts and two megawatts. For these consumers, very short-term demand forecasting (up to 2 hours) will be an important tool for decision making in a dynamic environment, with time-variable energy prices, demand-side management and eventually own generation. With the application of demand forecasting methods to various consumers with different profiles, it is shown that the forecasting methods with better accuracy (lower average error) are variable from consumer to consumer. For one consumer individually, the method with better accuracy is also variable, depending on the hour of the day. Combination of several demand forecasting methods results in similar or better performance compared to using only a single method. A method of selective combination is proposed, in order to eliminate the risk of choosing a unique method, which results are unpredictable. The results of the application of the proposed combination method, on several consumers with different characteristics, demonstrate that selective combination improves the quality of the forecast. / No processo de transformação das redes de energia elétrica atuais, em redes elétricas inteligentes (smart grid), a previsão de demanda é relevante para processos como o gerenciamento da demanda, resposta a demanda, geração distribuída, entre outros. Para os consumidores, a substituição de medidores eletromecânicos, por medidores eletrônicos, possibilita o acesso em tempo real aos dados da medição, disponibilizando estes dados para a previsão de demanda. O presente trabalho focaliza em consumidores de diferentes perfis, comerciais, industriais e institucionais, ligados à rede de distribuição em média tensão, com demandas situadas em uma faixa de algumas dezenas de quilowatts até dois megawatts. Para estes consumidores, uma previsão de demanda para curtíssimo prazo (até 2 horas) será uma importante ferramenta na tomada de decisão em um ambiente dinâmico, com tarifas variáveis no tempo, gerenciamento pelo lado da demanda e eventual geração própria. A partir da aplicação de métodos de previsão de demanda em consumidores de variados perfis de carga, é demonstrado que os métodos de previsão com melhor precisão (menor erro médio) variam de consumidor para consumidor. Para um mesmo consumidor o método de melhor precisão também é variável, sendo dependente da hora do dia. Uma combinação de diversos métodos de previsão de demanda resulta em performance similar ou superior se comparado ao uso de apenas um método individual. Propõe-se um método de combinação seletiva, com o objetivo de eliminar o risco da escolha de um único método, cujos resultados são imprevisíveis. Os resultados da aplicação do método de combinação proposto, em diversos consumidores de características diferentes, demonstram que a combinação seletiva representa uma melhora na qualidade da previsão.

Made available in DSpace on 2014-06-12T18:28:11Z (GMT). No. of bitstreams: 2 arquivo2996_1.pdf: 1090235 bytes, checksum: c9df39a664777bc77995e62019585122 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Informações de interações de proteínas são fundamentais para a compreensão dos processos celulares. Por esta razão, várias abordagens têm sido propostas para inferir sobre pares de proteínas de redes de todos os tipos de dados biológicos. Nesta tese é proposto um método de bi-clustering, Lbic, baseado num modelo de classificação logística, para analisar dados biológicos binários. O Lbic é comparado com outros dois métodos de bi-clustering apresentados na literatura, mostrando melhores resultados. Seu desempenho também é comparado àqueles de um método supervisionado, análise de correlação canônica com Kernel, aplicado aos mesmos conjuntos de dados. Os resultados mostram que o Lbic alcança desempenho superior aos da aborgadem supervisionada treinada com até 25% do conhecimento da rede alvo