Made available in DSpace on 2014-06-11T19:22:32Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-02-16Bitstream added on 2014-06-13T18:08:28Z : No. of bitstreams: 1 nosefilho_k_me_ilha.pdf: 1257365 bytes, checksum: f5d5c54cd646c650661ad9f32be4a6a4 (MD5) / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / Neste trabalho, dá-se ênfase à previsão de carga multinodal, também conhecida como previsão de carga por barramento. Para realizar esta demanda, há necessidade de dispor de uma técnica que proporcione a precisão desejada, seja confiável e de baixo tempo de processamento. O conhecimento prévio das cargas locais é de extrema importância para o planejamento e operação dos sistemas de energia elétrica. Para realizar a previsão de carga multinodal foram empregadas duas metodologias, uma que prevê as cargas individualmente e outra que utiliza as previsões dos fatores de participação e a previsão de carga global. O principal objetivo deste trabalho é elaborar um modelo de previsor de carga de curto prazo, genérico e que pode ser aplicado na previsão de carga multinodal. Para tanto, utilizou-se redes neurais de regressão generalizada (GRNN), cujas entradas são compostas de variáveis exógenas globais e de cargas locais, sem a necessidade da inclusão de variáveis exógenas locais. Ainda, projetou-se uma nova arquitetura de rede neural artificial, baseada na GRNN, além de propor um procedimento para a redução do número de entradas da GRNN e um filtro para o pré-processamento do banco de dados de treinamento. Os dados, para testar as metodologias e as redes neurais artificiais, são referentes a um subsistema de distribuição de energia elétrica da Nova Zelândia composto por nove subestações / In this work, it is emphasized the multi-nodal load forecast, also known as bus load forecast. To perform this demand, there it is necessary a technique that is precise, trustable and has a short-time processing. The previous knowledge of the local loads is of extreme importance to the planning and operation of the electrical power and energy systems. To perform the multi-nodal load forecast is employed two different methodologies, one that forecast the loads individually and another that uses the participation factors forecasts and the global load forecast. The main objective of this work is to elaborate a generic model of a short-term load forecaster, which can be applied to the multi-nodal load forecast. For this, it was used general regression neural networks (GRNN), with inputs based on external global factors and local loads, without the need of external local factors. Still, it was developed a new architecture of an artificial neural network based on a GRNN and proposed a procedure to reduce the number of input variables of the GRNN and a filter for preprocessing the training data. The dataset, to test the methodologies and the artificial neural networks, refers to a New Zealand electrical distribution subsystem composed of nine substations

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-17T11:13:15Z No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T16:33:53Z (GMT) No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Made available in DSpace on 2018-01-22T16:33:53Z (GMT). No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) Previous issue date: 2017-09-20 / Todo a produção, transmissão e distribuição de energia elétrica ocorre concomitantemente com o consumo da energia. Isso é necessário porque ainda não existe hoje uma maneira viável de se estocar energia em grandes quantidades. Dessa forma, a energia gerada precisa ser consumida quase que instantaneamente. Isso faz com que as previsões de demanda sejam fundamentais para uma boa gestão dos sistemas de energia. Esse trabalho focaliza métodos de previsão de demanda a curto prazo, até um dia à frente. Nos métodos mais simples, as previsões são feitas por modelos lineares que utilizam dados históricos da demanda de energia. Contudo, modelos baseados em inteligência computacional têm sido estudados para este fim, por explorarem a relação não-linear entre a demanda de energia e as variáveis climáticas. Em geral, estes modelos conseguem melhores previsões do que os métodos lineares. Seus resultados, porém, são instáveis e sensíveis a erros de medição, gerando erros de previsão discrepantes, que podem ter graves consequências para o processo de produção. Neste estudo, empregamos redes neurais artificiais e algoritmos genéticos para modelar dados históricos de carga e de clima, e combinamos estes modelos com métodos lineares tradicionais. O objetivo é conseguir previsões que não apenas sejam mais acuradas em termos médios, mas que também menos sensíveis aos erros de medição. / The production, transmission and distribution of electric energy occurs concomitantly with its consumption. This is necessary because there is yet no feasible way to store energy in large quantities. Therefore, the energy generated must be consumed almost instantaneously. This makes forecasting essential for the proper management of energy systems. This thesis focuses on short-term demand forecasting methods up to one day ahead. In simpler methods, the forecasts are made by linear models, which use of historical data on energy demand. However, computer intelligence-based models have been studied for this end, exploring the nonlinear relationship between energy demand and climatic variables. In general, these models achieve better forecasts than linear methods. Their results, however, are unstable and sensitive to measurement errors, leading to outliers in forecasting errors, which can have serious consequences for the production process. In this thesis, we use artificial neural networks and genetic algorithms for modelling historical load and climate data, and combined these models with traditional linear methods. The aim is to achieve forecasts that are not only more accurate in mean terms, but also less sensitive to measurement errors.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-07T14:25:21Z No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-07T15:06:57Z (GMT) No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) / Made available in DSpace on 2017-03-07T15:06:57Z (GMT). No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) Previous issue date: 2016-08-31 / FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais / O armazenamento de energia elétrica em larga escala ainda não é viável devido a restrições técnicas e econômicas. Portanto, toda energia consumida deve ser produzida instantaneamente; não é possível armazenar o excesso de produção, ou tampouco cobrir eventuais faltas de oferta com estoques de segurança, mesmo que por um curto período de tempo. Consequentemente, um dos principais desafios do planejamento energético consiste em realizar previsões acuradas para as demandas futuras. Neste trabalho, apresentamos um modelo de previsão para o consumo de energia elétrica a curto prazo. A metodologia utilizada compreende a construção de um comitê de previsão, por meio da aplicação do algoritmo Gradient Boosting em combinação com modelos de árvores de decisão e a técnica de amortecimento exponencial. Esta estratégia compreende um método de aprendizado supervisionado que ajusta o modelo de previsão com base em dados históricos do consumo de energia, das temperaturas registradas e de variáveis de calendário. Os modelos propostos foram testados em duas bases de dados distintas e demonstraram um ótimo desempenho quando comparados com resultados publicados em outros trabalhos recentes. / The storage of electrical energy is still not feasible on a large scale due to technical and economic issues. Therefore, all energy to be consumed must be produced instantly; it is not possible to store the production leftover, or either to cover any supply shortages with safety stocks, even for a short period of time. Thus, one of the main challenges of energy planning consists in computing accurate forecasts for the future demand. In this paper, we present a model for short-term load forecasting. The methodology consists in composing a prediction comitee by applying the Gradient Boosting algorithm in combination with decision tree models and the exponential smoothing technique. This strategy comprises a supervised learning method that adjusts the forecasting model based on historical energy consumption data, the recorded temperatures and calendar variables. The proposed models were tested in two di erent datasets and showed a good performance when compared with results published in recent papers.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Load forecasting is a very important activity on electric power system operation and planning, because many studies on electricity sector depend on future behavior of the system, requiring the electricity demand forecast for its realization. The very short-term load forecasting has a horizon of few minutes to a few hours and it seeks to translate more accurately the instantaneous profile of load. There are several factors that should be considered in forecasting methods, climatic variables have a major influence on demand trends in the very short term, therefore, they should be incorporated into the projection model. In Brazil, has been growing use of electricity production through the photovoltaic generation, so, for this feature to be used efficiently, energy produced by the solar panels forecast is a tool that contributes to this type of energy act reliably. The main objective of this work is to develop a methodology for load and solar power generation forecasting in the very short-term considering the influence the climatic variables. The methodology for load, wind and solar power generation forecasting considers the climatic variables: temperature, relative humidity, wind speed, solar radiation and atmospheric pressure. The study presents data load for a typical year of a substation of the metropolitan region of Rio Grande do Sul, analyzed with data from a weather station in the region. For calculate the solar power generation forecasting the method uses a model that considers the solar radiation and the temperature to calculate the power produced by the photovoltaic module. The method for the forecast was performed using Excel VBA tool, by grouping the load and climate variables data of history and is based on multiple linear regression. The projection algorithm was tested and compared computationally, based on actual data, presenting significant results, because as it is projected to hours ahead, the data is updated with the actual data every hour, reducing forecast errors, confirming that the considered climatic variables are very important to refine load and generation forecasting methods, essential for system planning. Compared to other existing methods, the proposed method stands out by the fact to consider climatic variables for the projection, and uses the methodology to perform the projection of solar power generation. / A previsão de carga é uma atividade de grande importância inserida na operação e no planejamento do sistema elétrico de potência, pois muitos estudos referentes ao setor elétrico dependem do comportamento futuro do sistema, sendo necessária a previsão de demanda de energia elétrica para sua realização. A previsão de demanda de eletricidade para curtíssimo prazo possui um horizonte de poucos minutos até algumas horas e ela procura traduzir com maior exatidão o perfil instantâneo da carga. Há vários fatores que devem ser considerados nos métodos de previsão, as variáveis climáticas apresentam grande influência na evolução de demanda no curtíssimo prazo, portanto, devem ser incorporadas no modelo de projeção. No Brasil, tem sido crescente a utilização da produção de energia elétrica através da geração fotovoltaica, sendo assim, para que esse recurso seja utilizado de forma eficiente, a previsão da energia produzida pelos painéis solares é uma ferramenta que contribui para que esse tipo de energia atue de forma confiável. O objetivo principal deste trabalho é o desenvolvimento de uma metodologia para previsão de carga e geração de energia solar para o horizonte de curtíssimo prazo, considerando a influência das variáveis climáticas. A metodologia para previsão de carga e geração de energia solar considera as variáveis climáticas: temperatura ambiente, umidade relativa do ar, velocidade do vento, radiação solar e pressão atmosférica. O estudo apresenta dados de carga de uma subestação da região metropolitana do estado do Rio Grande do Sul, analisados com dados de uma estação meteorológica da região. Para o cálculo da previsão da geração solar o método utiliza um modelo que considera a radiação solar e a temperatura para o cálculo da potência produzida pelo módulo fotovoltaico. O método para a previsão foi realizado utilizando a ferramenta VBA do Excel, através do agrupamento dos dados de carga e das variáveis climáticas do histórico e baseia-se na regressão linear múltipla. O algoritmo de previsão foi testado e comparado computacionalmente com base nos dados reais, apresentando resultados significativos, pois como a projeção é para horas a frente, os dados são atualizados com os dados reais a cada hora, diminuindo os erros da previsão, confirmando que as variáveis climáticas consideradas tem grande importância para refinar métodos de previsão de carga e geração de energia solar, fundamental para o planejamento do sistema elétrico. Em relação aos demais métodos já existentes, o método proposto se destaca pelo fato de considerar variáveis climáticas para a projeção de carga, e utiliza a metodologia para realizar a projeção da geração solar.