Spelling suggestions: "subject:"energia elétrica - consumo - revisão"" "subject:"energia elétrica - consumo - previsão""
1 |
Demanda de energia elétrica no Brasil : 1995-2015Thomaz, Rodrigo Alan January 2017 (has links)
Orientador : Prof. Dr. Marcos Minoru Hasegawa / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciencias Sociais Aplicadas, Programa de Pós-Graduação em Desenvolvimento Econômico. Defesa : Curitiba, 22/03/2017 / Inclui referências: f.52-53 / Resumo: O objetivo deste trabalho é estimar a demanda de energia elétrica para o Brasil por classes de consumo e com dados agregados. Além disso, são realizadas previsões para demanda por energia elétrica para o período de 2016 a 2020. A previsão da demanda é fundamental para o planejamento do setor, pois ao se realizar estimativas mais precisas de demanda, pode-se mitigar o risco de desequilíbrio entre oferta e demanda. Outra aplicação da previsão da demanda é para as empresas que atuam no segmento de geração. Esta informação é relevante, pois pode subsidiar a elaboração do plano de expansão das empresas e também as estratégias de participação em leilões de contratação de energia. Para estimar o modelo, primeiro, foram realizados os testes de estacionariedade para verificar o comportamento individual das séries de demanda de energia elétrica, renda e o preço. Em seguida foi verificado se as séries são cointegradas, com a aplicação do procedimento Johansen, com os testes do traço e máximo autovalor. Como as séries por classe de consumo e com dados agregados são cointegradas, ou seja, existe uma relação de equilíbrio de longo prazo, é indicado o modelo vetorial de correção de erros (VCE). Nas previsões para o período de 2016 a 2020, verificou-se que as estimativas com os dados agregados demonstraram uma melhor adequação em comparação as estimativas com informações da Empresa de Pesquisa Energética (EPE). Palavras-chave: Demanda de energia elétrica. Cointegração. Modelo vetorial de correção de erros. / Abstract: The objective of this work is to estimate the electric energy demand for Brazil by consumption classes and with aggregated data. In addition, forecasts are made for demand for electricity for the period from 2016 to 2020. Demand forecasting is fundamental to the planning of the sector, since by making more precise estimates of demand, one can mitigate the risk of an imbalance between supply and demand. Another application of demand forecasting is for companies operating in the generation segment. This information is relevant because it can subsidize the elaboration of the company expansion plan and also the strategies of participation in auctions of contracting of energy. To estimate the model, first, the stationarity tests were performed to verify the individual behavior of the series of electric energy demand, income and price. Then it was verified if the series are cointegrated, with the application of the Johansen procedure, with the tests of the trace and maximum eigenvalue. As the series by consumption class and aggregated data are cointegrated, that is, there is a long term equilibrium relation, the vector error correction model (VEC) is indicated. In the forecasts for the period from 2016 to 2020, it was verified that the estimates with the aggregate data showed a better adequacy in comparison with the estimates with Empresa de Pesquisa Energética (EPE) information. Keywords: Electric energy demand. Cointegration. Vector error correction model.
|
2 |
Máquina de estado líquido para previsão de séries temporais contínuas: aplicação na demanda de energia elétricaGrando, Neusa 27 September 2010 (has links)
CAPES / Um dos aspectos fundamentais da inteligência natural é sua aptidão no processamento de informações temporais. O grande desafio proposto é o de desenvolver sistemas inteligentes que mapeiem essa aptidão do comportamento humano. Neste contexto, aportam as Máquinas de Estado Líquido (LSMs), uma arquitetura neural pulsada (meio líquido) que projeta os dados de entrada em um espaço dinâmico de alta dimensão e, por conseguinte, realiza a análise do conjunto de dados de entrada através de uma rede neural clássica (unidade de leitura). Desta maneira, esta tese apresenta uma solução inovadora para a previsão de séries temporais contínuas através das LSMs com mecanismo de reinicialização e entradas analógicas, contemplando a área da demanda de energia elétrica. A metodologia desenvolvida foi aplicada no horizonte de previsão a curto prazo e a longo prazo. Os resultados obtidos são promissores, considerando o alto erro estabelecido para parada do treinamento da unidade de leitura, o baixo número de iterações do treinamento da unidade de leitura e que nenhuma estratégia de ajustamento sazonal, ou pré-processamento, sob os dados de entrada foi realizado. Até o momento, percebe-se que as LSMs têm despontado como uma nova e promissora abordagem dentro do paradigma conexionista, emergente da ciência cognitiva. / Among of several aspects of the natural intelligence is its ability to process temporal information. One of major challenges to be addresses is how to efficiently develop intelligent systems that integrate the complexities of human behavior. In this context, appear the Liquid State Machines (LSMs), a pulsed neural architecture (liquid) that projects the input data in a high-dimensional dynamical space and therefore makes the analysis of input data all through a classical neural network (readout). Thus, this thesis presents an innovative solution for forecasting continuous time series through LSMs with reset mechanism and analog inputs, applied to the electric energy demand. The methodology was applied in the short-term and long-term forecasting of electrical energy demand. Results are promising, considering the high error to stop training the readout, the low number of iterations of training of the readout, and that no strategy of seasonal adjustment or preprocessing of input data was achieved. So far, it can be notice that the LSMs have been studied as a new and promising approach in the Artificial Neural Networks paradigm, emergent from cognitive science.
|
Page generated in 0.1099 seconds