Traditional forecasting models have been widely used for decision-making in production, finance and energy. Such is the case of the ARIMA models, developed in the 1970s by George Box and Gwilym Jenkins [1], which incorporate characteristics of the past models of the same series, according to their autocorrelation. This work compares advanced statistical methods for determining the demand for electricity in Colombia, including the SARIMA, econometric and Bayesian methods.

Orientador: Anna Diva Plasencia Lotufo / Resumo: Os sistemas de energia elétrica estão passando por transformações. Aos poucos, técnicas de sistemas de informação estão sendo incorporadas aos sistemas atuais de energia. Basicamente este é o conceito de smart grid. Esta incorporação visa aumentar a eficiência dos sistemas de energia elétrica, pois os diversos agentes envolvidos em todo o sistema terão à disposição informações mais completas, precisas e de forma praticamente instantânea. Como consequência, haverá um aumento significativo de dados disponíveis para serem empregados de variadas formas. Um exemplo do uso de dados é a previsão de demanda de energia elétrica. De uma forma geral, previsões servem como suporte para suprir demandas, estimar custos ou justificar investimentos futuros. No campo de previsão de demanda de cargas elétricas existem diversos modelos na literatura, a grande maioria se concentra em níveis mais agregados, que atendem a grandes consumidores em que o fornecimento de energia é feito, por exemplo, por uma subestação. Uma smart grid também coloca à disposição as informações de consumo de energia em níveis cada vez menos agregados, como uma residência ou um prédio comercial. Realizar previsões neste nível é um desafio, pois essas demandas são muito influenciadas pelo comportamento humano. Diferentemente dos níveis mais agregados, modelos de previsão para níveis menos agregados, ou desagregados, ainda são poucos. O objetivo deste trabalho é fazer a previsão de cargas elétricas não residenciais mistas ... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Electrical power systems are in transformation nowadays. Gradually, information system technology are being introduced to the energy systems. Basically, this is the concept of smart grid. This new concept aims to improve the efficiency of the energy systems, once the evolved agents will provide complete and precise information instantaneously. This way, a significant increase in data will be available to be employed in several forms. One example in using these data is electric energy demand forecasting. In general, predictions are support to provide electric load demand, estimate costs or justify future investments. Concerning electric load demand, there are several models in the literature, and the majority is concentrated in aggregated levels, attending large consumers, where, for example, the energy supply is provided by a substation. Considering the smart grid, there are consumption information in less aggregated levels as for example residences or commercial buildings. Therefore, realizing predictions in these levels (less aggregated) is a challenge, once the demand is influenced by the human behavior. The models for predicting loads in aggregated levels are common, in the contrary of less aggregated that are few. This work aims to predict short term mixed nonresidential electric loads using data from a Brazilian University. Firstly, Fuzzy ARTMAP Neural Network is chosen to execute the predictions, and afterwards a hybrid methodology containing Fuzzy ARTMAP and Square Mi... (Complete abstract click electronic access below) / Doutor

Orientador: Takaaki Ohishi / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-08T10:06:35Z (GMT). No. of bitstreams: 1 LeoneFilho_MarcosdeAlmeida_M.pdf: 1557959 bytes, checksum: 92dc63d4e3140cc61ba7900961c0e9fb (MD5) Previous issue date: 2006 / Resumo: Neste trabalho é proposta uma metodologia para previsão de séries temporais de carga de energia elétrica de curto prazo. Esta metodologia vem sendo muito utilizada no contexto da previsão de séries temporais e do reconhecimento de padrões. Os autores que propuseram esta metodologia a chamaram de "Ensembles". Este nome tenta explicar o é este modelo: uma combinação de partes que juntas formam um só modelo. Neste sentido, este nome expressa com relativa clareza qual é o principal aspecto desta metodologia, que no caso específico deste trabalho, é o de fazer várias previsões de uma mesma série temporal utilizando diferentes ferramentas que sozinhas são suficientemente competentes para prever a série temporal em questão, e em seguida combinar as soluções para, deste modo, tentar obter uma solução melhor do que quando é usada somente uma ferramenta. As ferramentas usadas para compor a previsão dos "Ensembles" finais são Redes Neurais Artificiais (RNAs) e Redes Neurais Nebulosas. Atualmente, estas redes são largamente utilizadas em problemas de previsão de séries temporais, principalmente quando o fator gerador destas séries é um sistema não-linear. Desta forma, isto as tornou candidatas potenciais para prever valores de uma série de cargas de energia elétrica, pois este tipo de série tem características essencialmente não-lineares. Sendo assim, foram utilizados quatro tipos de redes: RNAs MLPs, RNAs Recorrentes, RNAs de Base Radial e Redes Neurais Nebulosas tipo ANFIS. Com os modelos básicos de redes foram, utilizados Algoritmos Genéticos para evoluir os parâmetros destas redes e, assim, chegar a uma população de redes suficientemente competentes para fazer as previsões da série de cargas. Na próxima etapa, com os resultados das previsões da população de redes evoluídas foi feita a seleção dos melhores agrupamentos destas redes evoluídas e, como este processo requer a avaliação de diferentes configurações de modelos, esta seleção é baseada em Algoritmos Genéticos.Os resultados obtidos ao se utilizar "ensembles" mostraram que este modelo foi capaz de alcançar uma grande robustez na previsão, reduzindo os erros de previsão, suavizando os resultados de previsão e deixando o modelo menos suscetível a grandes erros quando surgem "outliers" no conjunto de dados / Abstract: This work proposes a methodology for short-term electric power load forecasting. This methodology is being widely used under the context of time series prediction and pattern recognition. It was named "ensembles" by the authors who developed it. This name carries the meaning of an assemblage of parts considered as forming a whole. Therefore, this name expresses rather clearly the main characteristic of this methodology, which under the framework of this study is to make several predictions of the same time series using various different tools in which every single one alone is sufficiently competent to predict the above mentioned time series. After that, the predictions are combined in order to achieve a better prediction compared to the one that is obtained if a single predictor is used. The tools implemented to form the final "ensembles" prediction are Artificial Neural Networks (ANNs) and Neuro-fuzzy Networks. Nowadays, these networks are being widely used in time series predictions problems, mainly when the factor that generates these series is a non-linear system. Hence, this fact has elected them as potential candidates to predict future values of an electric power load series because this series has essentially non-linear characteristics. As a result, four types of networks were utilized in this work: MLPs ANNs, Recurrent ANNs, Radial Basis ANNs and ANFIS type Neuro-fuzzy networks. So, with the basic networks models, Genetic Algorithms were applied to evolve the parameters of these networks and, as a consequence, a population of networks sufficiently capable of predicting future values of the load time series was built. On the next step, with the results obtained from the evolved population of networks, a selection of the most suitable results of the individual networks were made and, as soon as this process implies the evaluation of multiple different combinations of models, this methodology was based on Genetic Algorithms. Then, this selected networks were combined. The results when using "ensembles" revealed that this model was able to reach a great robustness in prediction tasks. In that sense, it was possible to reduce the level of prediction error, to smooth the resulting predictions and to make the model more stable reducing the possibilities of presenting high levels of errors when the used data set contains "outliers" / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica