Return to search

[en] SHORT TERM LOAD FORECASTING - AN ATTEMPT TO USE ARTIFICIAL NEURAL NETWORKS / [es] PREVISIÓN DE CARGAS A CORTO PLAZO - UNA EVALUACIÓN DE LA VIABILIDAD DEL USO DE REDES NEURALES / [pt] PREVISÃO DE CARGAS A CURTO PRAZO - UMA AVALIAÇÃO DA VIABILIDADE DO USO DE REDES NEURAIS ARTIFICIAIS

[pt] A previsão de perfis de carga elétrica (i.e., das séries de
cargas a cada hora de um dia) tem sido freqüentemente
tentada por meio de modelos baseados em redes neurais. Os
resultados conseguidos por estes modelos, contudo, ainda
não são considerados inteiramente convincentes. Há duas
razões para ceticismo: em primeiro lugar, os modelos
sugeridos geralmente se baseiam em redes que parecem ser
complexas demais em relação aos dados que pretendem modelar
(isto é, estes modelos parecem estar superparametrizados);
em segundo lugar, estes modelos geralmente não são bem
validados, pois os artigos que os propõem não comparam o
desempenho das redes ao de modelos de referência. Nesta
tese, examinamos estes dois pontos por meio de revisões
críticas da literatura e de simulações, a fim de verificar
se é realmente viável a aplicação de redes neurais à
previsão de perfis de carga. Nas simulações, construímos
modelos bastante complexos de redes e verificamos
empiricamente sua validade, pela comparação de seu
desempenho preditivo fora da amostra de treino ao
desempenho de vários outros modelos de previsão. Os
resultados mostram que as redes, mesmo quando muito
complexas, conseguem previsões de perfis mais acuradas do
que os modelos tradicionais, o que sugere que elas poderão
trazer uma grande contribuição para a solução do problema
de previsão de cargas. / [en] Load profile forecasting (i.e., the forecasting of series
of hourly loads) has been
often attempted by means of models based on neural
networks. However, the papers
that propose such models are not considered entirely
convincing, for at least two
reasons. First, the models they propose are usually based
on neural networks that seem
to be too large in relation to the sample they intend to
model (that is, the networks seem
to overfit their data). Secondly, most of the models are
not properly validated, since the
papers do not compare their performances to that of any
standard forecasting method.
In this thesis, we examine these two points, by means of
literature reviews and of
simulations, in order to investigate the feasibility of the
application of neural networks
to the problem of profile forecasting. We build some very
complex models based on
neural networks, and validate them empirically by comparing
their predictive
performance out-of-sample, over actual data, to the
performance of several other
forecasting methods. The results show that neural networks,
even when very complex,
are able to forecast profiles more accurately than the
traditional models, which suggests
that they may yet bring large contributions to the solution
of the load forecasting
problem. / [es] La previsión de los perfiles de carga elétrica (i.e., series de cargas medidas a cada hora de un día) ha
sido abordada con frecuencia a través de modelos basados en redes neurales. Los resultados
obtenidos por estos modelos, todavía no son considerados enteramente convincentes. Existen dos
razones para este escepticismo: en primer lugar, los modelos
sugeridos generalmente se basan en redes que parecen ser demasiado complejas en relación a los
datos que pretenden modelar (quiere decir, estos modelos parecen estar superparametrizados); en
segundo lugar, estos modelos generalmente no son bien evaluados, pués los artículos que los
proponen no comparan el desempeño de las redes al de los modelos de referencia. En esta tesis,
examinamos estos dos puntos por medio de revisiones críticas de la literatura y de simulaciones, con
el objetivo de verificar si es realmente viable la aplicación de redes neurales a la previsión de perfiles
de carga. En las simulaciones, construímos modelos de redes bastante complejos y verificamos
empíricamente su validez, comparando su desempeño predictivo fuera de la muestra de
entrenamiento con el desempeño de varios otros modelos de previsión. Los resultados muestran que
las redes, incluso cuando muy complejas, consiguen previsiones de perfiles más precisas que los
modelos tradicionales, lo que sugiere que ellas poderián traer una gran contribución para la solución
del problema de previsión de cargas.

Identiferoai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:1551
Date03 May 2001
CreatorsHENRIQUE STEINHERZ HIPPERT
ContributorsCARLOS EDUARDO PEDREIRA, REINALDO CASTRO SOUZA
PublisherMAXWELL
Source SetsPUC Rio
LanguagePortuguese
Detected LanguageSpanish
TypeTEXTO

Page generated in 0.002 seconds