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.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/3563 |
| Date | 31 August 2016 |
| Creators | Mayrink, Victor Teixeira de Melo |
| Contributors | Hippert, Henrique Steinherz, Pedreira, Carlos Eduardo, Oliveira, Fabrízzio Condé de, Borges, Carlos Cristiano Hasenclever |
| Publisher | Universidade Federal de Juiz de Fora (UFJF), Programa de Pós-graduação em Modelagem Computacional, UFJF, Brasil, ICE – Instituto de Ciências Exatas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFJF, instname:Universidade Federal de Juiz de Fora, instacron:UFJF |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds