Submitted by TÂNIA TENÓRIO GOMES (taniatgs@yahoo.com.br) on 2018-01-23T18:19:50Z No. of bitstreams: 1 Tania_dissertação_dee_22_12_2017.pdf: 2284683 bytes, checksum: 58edd8d14052f9f162a3d091782c28c3 (MD5) / Approved for entry into archive by Cristina Alexandra de Godoy null (cristina@adm.feis.unesp.br) on 2018-01-24T11:18:07Z (GMT) No. of bitstreams: 1 gomes_tt_me_ilha.pdf: 2284683 bytes, checksum: 58edd8d14052f9f162a3d091782c28c3 (MD5) / Made available in DSpace on 2018-01-24T11:18:07Z (GMT). No. of bitstreams: 1 gomes_tt_me_ilha.pdf: 2284683 bytes, checksum: 58edd8d14052f9f162a3d091782c28c3 (MD5) Previous issue date: 2017-12-22 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A geração e distribuição de energia elétrica fazem parte de um vasto esquema no setor elétrico de cada país, tornando-se cada vez mais necessário criar alternativas para minimizar seu custo. Realizar a previsão de cargas elétricas de forma precisa garante uma infraestrutura mais eficiente e confiável para planejamento e operação do sistema elétrico. A proposta deste trabalho é realizar a previsão de carga elétrica global a curto prazo, utilizando uma técnica que forneça uma boa precisão, seja confiável e de baixo custo computacional. Portanto, foi utilizada a rede neural artificial ARTMAP Euclidiana, que é baseada na Teoria da Ressonância Adaptativa. Com objetivo de analisar a eficiência da metodologia proposta foram realizados 3 casos com diferentes horizontes de treinamento, sendo calculado o erro percentual médio. Os dados utilizados para as simulações são de uma companhia elétrica espanhola. O principal objetivo deste trabalho é aplicar a rede neural ARTMAP Euclidiana na previsão de cargas elétricas 24 horas à frente e para validar e verificar se esta rede é uma boa ferramenta para este tipo de estudo foi utilizada a rede neural ARTMAP Fuzzy com os mesmos dados empregados na rede ARTMAP Euclidiana como critério de comparação para comprovar a eficiência da rede neural ARTMAP Euclidiana. / Generation and distribution of electrical energy are very important for the development of the countries and it is necessary to create alternatives to minimize the costs. Electrical load forecasting must be realized precisely to assure a reliable and secure operation of the electrical system. The proposal of this work is to realize the short term global electrical load forecasting using a technique with good precision and reliable and with low computational cost. Thus, the Euclidian ARTMAP neural network was used which is also based on the adaptive resonance theory. Three different cases with different horizons were used for training and the percentual error is calculated. The data are from a Spanish company. The main objective is to apply the Euclidian ARTMAP neural network to forecast the loads 24 hours ahead. The results are compared with the traditional Fuzzy ARTMAP neural network using the same data and the comparison is effectuated evaluating the MAPE (mean absolute percentual error).

Orientador: Anna Diva Plasencia Lotufo / Resumo: A geração e distribuição de energia elétrica fazem parte de um vasto esquema no setor elétrico de cada país, tornando-se cada vez mais necessário criar alternativas para minimizar seu custo. Realizar a previsão de cargas elétricas de forma precisa garante uma infraestrutura mais eficiente e confiável para planejamento e operação do sistema elétrico. A proposta deste trabalho é realizar a previsão de carga elétrica global a curto prazo, utilizando uma técnica que forneça uma boa precisão, seja confiável e de baixo custo computacional. Portanto, foi utilizada a rede neural artificial ARTMAP Euclidiana, que é baseada na Teoria da Ressonância Adaptativa. Com objetivo de analisar a eficiência da metodologia proposta foram realizados 3 casos com diferentes horizontes de treinamento, sendo calculado o erro percentual médio. Os dados utilizados para as simulações são de uma companhia elétrica espanhola. O principal objetivo deste trabalho é aplicar a rede neural ARTMAP Euclidiana na previsão de cargas elétricas 24 horas à frente e para validar e verificar se esta rede é uma boa ferramenta para este tipo de estudo foi utilizada a rede neural ARTMAP Fuzzy com os mesmos dados empregados na rede ARTMAP Euclidiana como critério de comparação para comprovar a eficiência da rede neural ARTMAP Euclidiana. / Abstract: Generation and distribution of electrical energy are very important for the development of the countries and it is necessary to create alternatives to minimize the costs. Electrical load forecasting must be realized precisely to assure a reliable and secure operation of the electrical system. The proposal of this work is to realize the short term global electrical load forecasting using a technique with good precision and reliable and with low computational cost. Thus, the Euclidian ARTMAP neural network was used which is also based on the adaptive resonance theory. Three different cases with different horizons were used for training and the percentual error is calculated. The data are from a Spanish company. The main objective is to apply the Euclidian ARTMAP neural network to forecast the loads 24 hours ahead. The results are compared with the traditional Fuzzy ARTMAP neural network using the same data and the comparison is effectuated evaluating the MAPE (mean absolute percentual error). / Mestre

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