61 |
Previsão de cargas não residenciais mistas por redes neurais ARTMAP Fuzzy /Alves, Marleide Ferreira. January 2019 (has links)
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
|
62 |
[en] ESSAYS ON SHORT-TERM LOAD FORECASTING / [pt] ENSAIOS EM PREVISÃO DE CARGA A CURTO PRAZOLACIR JORGE SOARES 26 January 2004 (has links)
[pt] A previsão de carga é considerada uma poderosa ferramenta
no controle e planejamento de sistemas elétricos. Um grande
número de pesquisadores têm sugerido, recentemente,
diversas técnicas para previsão de carga a curto prazo.
Este trabalho estuda a aplicabilidade de modelos lineares.
O trabalho pretende ser uma base para uma aplicação real de
previsão. Os modelos foram desenvolvidos e testados com
dados reais de carga de uma empresa de eletricidade situada
no sudeste de Brasil. Todos os modelos são propostos para
dados secionais, isto é, a série de carga de cada hora é
estudada separadamte como uma série única. Esta abordagem
evita a modelagem de padrões intra-dia (perfil da carga)
complexos apresentados pela série de carga, que variam
durante os dias da semana e nas estações. Três modelos são
estudados, primeiro um modelo um modelo SARIMA ajustado por
variáveis binárias DASARIMA, adotado como modelo de
referência, o segundo um modelo em duas etapas que
considera a existência de componentes determinísticos para
modelar a tendência, a sazonalidade e os efeitos do
calendário, denominado modelo autorregressivo sazonal em
dois níveis - TLSAR; e o último um modelo de de memória
longa generalizada ajustado por variáveis binárias - DAGLM.
Os resultados dos ensaios mostraram que os modelos horários
são bem apropriados para uma aplicação de previsão. Os
erros de previsão, das duas últimas abordagens, são menores
que os do modelo de referência, DASARIMA. O trabalho sugere
que este tipo de modelos horários devem ser testados mais
completamente a fim de fornecer uma opinião final sobre sua
aplicabilidade. / [en] Load forecasting has been considered a powerful tool in
managing and planning power systems. Several tecniques have
been recently suggested for short-term load forecasting by
a large number of researchers. This work studies the
applicability of linear models in the area is intended to
be a basis for a real forecasting application. The models
were developed and tested on the real load data of a
utility company located in the southeast of Brazil. All
models are proposed for sectional data, that is, each
hour's load is studied separately as a single series. This
approach avoids modeling the intricate intra-day pattern
(load profile) displayed by the load, wich varies
throughout days of the week and seasons. Three models are
studied, the first one a Dummy-Adjusted Seasonal Integrated
Autoregressive Moving Average model - DASARIMA, acting as a
benchmark, the second a two-step modeling that makes use of
deterministic components to model trend, seasonality and
calendar effects, called Two-Level Seasonal Autoregressive
model - TLSAR; and the last one a Dummy-Adjusted
Generalized Long Memory model - DAGLM. The test results
showed that the hourly models are well suitable for
forecasting application. The forecasting errors of the last
two approaches were smaller than those of the DASARIMA
benchmark. The work suggests that this kind of hourly
models should be implemented in a through on-line testing
in order to provide a final opinion on its applicability.
|
63 |
Agrupamento de curvas de carga para redução de bases de dados utilizadas na previsão de carga de curto prazo / Clustering of load profiles for short term load forecastingMuller, Marcos Ricardo 21 February 2014 (has links)
Made available in DSpace on 2017-07-10T17:11:46Z (GMT). No. of bitstreams: 1
DISSERTACAO Marcos Muller2.pdf: 3169941 bytes, checksum: 9c51b1da2e6c3f07726daa30c819efbb (MD5)
Previous issue date: 2014-02-21 / Fundação Parque Tecnológico Itaipu / This work presents the use of clustering techniques in load curves for the similar days method for load forecasting, in order to obtain a reduced data to achieve a faster computational algorithm, while achieving similar or superior performance compared to those obtained by the traditional method that makes use of the original data set. The method allows to perform similar day load forecasting using short-term historical data from the consumption of electricity at consumers level, and related data, which allow tracing analogies to a future day. Conventional implementations of the method are used for comparison and validation. The scenario that provides the data for the studies, as well as the equipment, and data preprocessing stage, are presented. The methodology is validated using the cluster silhoute analysis. With the MAPE
values was possible to verify the forecast, indicating superiority of the method based on clustered load curves. / Este trabalho apresenta a utilização de clusterização de curvas de carga do nível menos agregado para o método de dias similares, com o objetivo de obter conjuntos reduzidos de dados
que imponham menores cargas computacionais ao algoritmo de previsão, e permitir ainda, desempenhos similares ou superiores quando comparados aos obtidos pelo método de dias
similares que faz uso do conjunto original de dados. O método de dias similares permite realizar previsão de carga de curtíssimo prazo a partir de dados históricos de consumo de energia
elétrica, além de dados correlatos, que permitem traçar analogias com um dia futuro. Implementações convencionais do mesmo método são utilizadas para comparação de resultados. O cenário que fornece os dados para os estudos, assim como os equipamentos empregados e a etapa de pré-processamento de dados são apresentadas. A análise de silhuetas de cluster foi empregada com o objetivo de validar os agrupamentos. Por meio do cálculo do MAPE foi possível verificar a assertividade das previsões, indicando superioridade daquela baseada nas curvas de carga clusterizadas.
|
64 |
Rede ARTMAP Euclidiana utilizada na solução do problema de previsão de cargas elétricas / Euclidian ARTMAP network used in the solution of the electric load forecasting problemGomes, Tânia Tenório 22 December 2017 (has links)
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).
|
65 |
Rede ARTMAP Euclidiana utilizada na solução do problema de previsão de cargas elétricas /Gomes, Tânia Tenório January 2017 (has links)
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
|
66 |
[en] ON ADDRESSING IRREGULARITIES IN ELECTRICITY LOAD TIME-SERIES AND SHORT TERM LOAD FORECASTING / [es] UN SISTEMA INTEGRADO DE MONITORAMIENTO Y PREVISIÓN DE CARGA ELÉCTRICA A CORTO PLAZO / [pt] UM SISTEMA INTEGRADO DE MONITORAÇÃO E PREVISÃO DE CARGA ELÉTRICA DE CURTO PRAZOHELIO FRANCISCO DA SILVA 19 July 2001 (has links)
[pt] As alterações na legislação do Setor de Energia Elétrica
Brasileiro em fins do milênio passado, provocou profundas
mudanças no planejamento da Operação do Sistema e na
Comercialização de energia elétrica no Brasil.
O desmembramento das atividades de geração, de transmissão
e de distribuição de energia elétrica criou novas
características no comportamento dos Agentes
Concessionários e as previsões de demanda por energia
elétrica, que sempre foram ferramenta importante, por
exemplo, na programação da operação, passaram a ser
indispensáveis também, na comercialização de energia
elétrica no mercado livre.
Neste novo cenário, a obtenção e o armazenamento de dados
confiáveis passou a ser parte integrante do patrimônio das
Empresas e um sistema eficiente de previsões de
carga passou a ser um diferencial na mesa de negociações.
Os Agentes concessionários e o Operador Nacional do Sistema
Elétrico vêm fazendo investimentos para aperfeiçoar os seus
sistemas de aquisição de dados, entretanto em
sistemas de multipontos algumas falhas imprevistas durante
a sincronização da telemedição podem ocorrer, provocando
defeitos nas séries.
Nas séries de minuto em minuto, por exemplo, uma falha de
algumas horas acarreta centenas de registros defeituosos e
as principais publicações a respeito de modelagens de
séries temporais para tratamento de dados não abordam as
dificuldades encontradas diante de grandes falhas
consecutivas nos dados. / [en] As a result of the continuing privatization process within
the energy sector,electricity load forecasting is a ritical
tool for decision-making in the Industry.
Reliable forecasts are now needed not only for developing
strategies for business planning and short term operational
scheduling, but also to define the spot market
electricity price. The forecasting process is data-ntensive
and interest has been driven to shorter and shorter
intervals. Large investments are being made in modernizing
and improving metering systems, so as to make more data
available to the forecaster. However, the forecaster is
still faced with irregular time-series.
Gaps, missing values, spurious information or repeated
values in the time-series can result from transmission
errors or small failures in the recording process. These so-
called irregularities have led to research that focused on
either iterative processes,like the Kalman filter and the
EM algorithm, or applications of the statistical literature
on treatment of missing values and outliers. Nevertheless,
these methods often result in large forecast errors when
confronted with consecutive failures in the data.
On the other hand, the minute to minute series have a large
amount of points and so the one day ahead forecast horizont
becomes very large to handling with the conventional
methods. In this context, we propose an alternative to
detect and replace values and present a methodology to
perform the forecasting process by using of other
information in the time-series that relate to the
variability and seasonality, which are commonly encountered
in electricity load-forecasting data.
We illustrate the method and address the problem as part of
a wider project that aims at the development of an
automatic on line system for tracking the Brazilian
Interlinked Electric Network Operation and performing short
term load forecasting.
The data were collected by ONS / ELETROBRAS - Brazil. We
concentrate on 10 minutes data for the years 1997-1999 of
Light Serviços de Eletricidade S.A. (Rio de Janeiro and its
surroundings). / [es] Las alteraciones en la legislación del Sector de Energía
Elétrica Brasilero a finales del milenio pasado, provocó
profundos cambios en el planificación de la Operación del
Sistema y en la Comercialización de energía eléctrica en
Brasil. La desarticulación de las actividades de
generación, de transmisión y de distribuición de energía
eléctrica creó nuevas características en el comportamiento
de los Agentes Concesionarios. Así, las previsiones de
demanda por energía eléctrica, que siempre fueron una
herramienta importante, por ejemplo, en la programación de
la operación, pasaron a ser indispensables también en la
comercialización de energía eléctrica en el mercado libre.
En este nuevo escenario, la obtención y almacenamiento de
datos confiables pasó a ser parte integrante del patrimonio
de las Empresas y un sistema eficiente de previsiones de
carga constituye un diferencial en la mesa de
negociaciones. Los Agentes concesionarios y el Operador
Nacional del Sistema Eléctrico han invertido en el
perfeccionamiento de sus sistemas de adquisición de datos.
Sin embargo, en sistemas de multipuntos algunas fallas
imprevistas durante la sincronización de la telemedición
pueden ocurrir, provocando defectos en las series. En las
series de minuto en minuto, por ejemplo, una falla de
algunas horas trae consigo centenas de registros
defectuosos y las principales publicaciones sobre modelos
de series temporales para tratamiento de datos no abordan
las dificuldades encontradas frente a grandes fallas
consecutivas en los datos.
|
67 |
Time series forecasting with applications in macroeconomics and energyArora, Siddharth January 2013 (has links)
The aim of this study is to develop novel forecasting methodologies. The applications of our proposed models lie in two different areas: macroeconomics and energy. Though we consider two very different applications, the common underlying theme of this thesis is to develop novel methodologies that are not only accurate, but are also parsimonious. For macroeconomic time series, we focus on generating forecasts for the US Gross National Product (GNP). The contribution of our study on macroeconomic forecasting lies in proposing a novel nonlinear and nonparametric method, called weighted random analogue prediction (WRAP) method. The out-of-sample forecasting ability of WRAP is evaluated by employing a range of different performance scores, which measure its accuracy in generating both point and density forecasts. We show that WRAP outperforms some of the most commonly used models for forecasting the GNP time series. For energy, we focus on two different applications: (1) Generating accurate short-term forecasts for the total electricity demand (load) for Great Britain. (2) Modelling Irish electricity smart meter data (consumption) for both residential consumers and small and medium-sized enterprises (SMEs), using methods based on kernel density (KD) and conditional kernel density (CKD) estimation. To model load, we propose methods based on a commonly used statistical dimension reduction technique, called singular value decomposition (SVD). Specifically, we propose two novel methods, namely, discount weighted (DW) intraday and DW intraweek SVD-based exponential smoothing methods. We show that the proposed methods are competitive with some of the most commonly used models for load forecasting, and also lead to a substantial reduction in the dimension of the model. The load time series exhibits a prominent intraday, intraweek and intrayear seasonality. However, most existing studies accommodate the âdouble seasonalityâ while modelling short-term load, focussing only on the intraday and intraweek seasonal effects. The methods considered in this study accommodate the âtriple seasonalityâ in load, by capturing not only intraday and intraweek seasonal cycles, but also intrayear seasonality. For modelling load, we also propose a novel rule-based approach, with emphasis on special days. The load observed on special days, e.g. public holidays, is substantially lower compared to load observed on normal working days. Special day effects have often been ignored during the modelling process, which leads to large forecast errors on special days, and also on normal working days that lie in the vicinity of special days. The contribution of this study lies in adapting some of the most commonly used seasonal methods to model load for both normal and special days in a coherent and unified framework, using a rule-based approach. We show that the post-sample error across special days for the rule-based methods are less than half, compared to their original counterparts that ignore special day effects. For modelling electricity smart meter data, we investigate a range of different methods based on KD and CKD estimation. Over the coming decade, electricity smart meters are scheduled to replace the conventional electronic meters, in both US and Europe. Future estimates of consumption can help the consumer identify and reduce excess consumption, while such estimates can help the supplier devise innovative tariff strategies. To the best of our knowledge, there are no existing studies which focus on generating density forecasts of electricity consumption from smart meter data. In this study, we evaluate the density, quantile and point forecast accuracy of different methods across one thousand consumption time series, recorded from both residential consumers and SMEs. We show that the KD and CKD methods accommodate the seasonality in consumption, and correctly distinguish weekdays from weekends. For each application, our comprehensive empirical comparison of the existing and proposed methods was undertaken using multiple performance scores. The results show strong potential for the models proposed in this thesis.
|
68 |
Modeling and forecasting the load in the future electricity grid : Spatial electric vehicle load modeling and residential load forecastingShepero, Mahmoud January 2018 (has links)
The energy system is being transitioned to increase sustainability. This transition has been accelerated by the increased awareness about the adverse effects of the greenhouse gas (GHG) emissions into the atmosphere. The transition includes switching to electricity as the energy carrier in some sectors, e.g., transportation, increasing the contribution of renewable energy sources (RES) to the grid, and digitalizing the grid services. Electric vehicles (EVs) are promoted and subsidized in many countries among the sustainability initiatives. Consequently, the global sales of EVs rapidly increased in the recent years. Many EV owners might charge their EVs only at home, thereby increasing the residential load. The residential load might further increase due to the initiatives to electrify the heating/cooling sector. This thesis contributes to the knowledge about the operation of the future energy system by modeling the spatial charging load of private EVs in cities, and by proposing a forecasting model to predict the residential load. Both models can be used to evaluate the impacts of both technologies on the local electricity grid. In addition, demand response (DR) schemes can be proposed to reduce the adverse effects of both the charging load of EVs and the residential load. A case study of the EV model on the Herrljunga city grid showed that 100% EV penetration with 3.7 kW (charging rate of 14.8 km/h) chargers will not cause voltage violations in the grid. Winter load is responsible for 5% voltage drop at the weakest bus, and EVs add only 1% to this drop. In a Swedish city, charging EVs will require adding extra 1.43 kW/car to the grid capacity—assuming 22 kW (charging rate of 88 km/h) residential chargers. If the EV charging is not restricted to residential locations, an increase of 1.23 kW/car is expected. The proposed forecasting model is comparable in accuracy to previously developed models. As an advantage, the model produces a probability density function (PDF) describing the model’s certainty in the forecast. In contrast, many previous contributions provided only point forecasts.
|
69 |
Uma ferramenta de programação visual para previsão e reconhecimento de padrões / A visual programming tool for forecasting and pattern recognitionPereira, Joaquim Jose Fantin 07 June 2007 (has links)
Orientador: Takaaki Ohishi / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-10T05:34:59Z (GMT). No. of bitstreams: 1
Pereira_JoaquimJoseFantin_M.pdf: 1686812 bytes, checksum: 5ff18327a2f501a5035fbf6c56ae0eda (MD5)
Previous issue date: 2007 / Resumo: A tomada de decisão, em qualquer setor e nos mais diversos níveis, é um processo cada vez mais complexo, principalmente em função do nível de incerteza em relação ao futuro. Neste contexto, a disponibilidade de previsões torna-se um fator importante para uma decisão mais eficaz. As ferramentas de reconhecimento de padrões, por sua vez, são importantes em muitas áreas, tais como nas determinações de comportamentos típicos e em sistemas de controle. Nessa conjuntura, a proposta deste trabalho consistiu em explorar a criação e o uso de uma linguagem de programação visual, denominada Linguagem VisualPREV, de modo a facilitar a concepção e a execução dos modelos de previsão e classificação. Nesta Linguagem, blocos visuais colocados num diagrama (interface visual computacional) representam conceitos envolvidos num processo de modelagem do problema. O modelo pode então ser configurado, executado e armazenado para acesso futuro. Embora essa escolha implique uma perda de vantagens exclusivas da programação em código tradicional, como a maior flexibilidade para programação genérica, por exemplo, a linguagem diminui sensivelmente o tempo de criação dos modelos específicos para tratamento de dados em previsão de séries temporais e reconhecimento de padrões. Em algumas aplicações com dados relevantes, a linguagem foi avaliada com critérios baseados em métricas de usabilidade e os resultados foram discutidos ao longo do trabalho / Abstract : Decision making, in any area and in many different levels, is a process with growing complexity, mainly if you consider the level of uncertainty related to the future. In this context, the possibility of forecasting plays a major role in an efficient decision. On the other hand, pattern recognition tools are important in many areas, like fitting typical behaviors and in control systems, as well. In this context, we propose a visual programming language, called VisualPREV Language, intended to make easier the conception and execution of forecasting and pattern recognition models. Within this language, visual blocks that can be put into a diagram (computational visual interface) represent concepts involved when modeling the processes. These models can be configured, executed and stored for future access. Although these approach implies losing exclusive advantages of traditional programming (like flexibility of generic programming, for example), VisualPREV decreases considerably the amount of time needed for creating specific models for forecasting and pattern recognition. In few applications with relevant data, the language was evaluated based on usability metrics, and the results were discussed throughout the text / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica
|
70 |
Previsão da demanda de energia elétrica por combinações de modelos lineares e de inteligência computacionalDefilippo, Samuel Belini 20 September 2017 (has links)
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.
|
Page generated in 0.0663 seconds