Return to search

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 forecasting

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.

Identiferoai:union.ndltd.org:IBICT/oai:tede.unioeste.br:tede/1072
Date21 February 2014
CreatorsMuller, Marcos Ricardo
ContributorsFranco, Edgar Manuel Carreño, Lopes, Mara Lúcia Martins, Lee, Huei Diana
PublisherUniversidade Estadual do Oeste do Parana, Foz do Iguaçu, 8774263440366006536, 500, Programa de Pós-Graduação em Engenharia de Sistemas Dinâmicos e Energéticos, UNIOESTE, BR, Centro de Engenharias e Ciências Exatas
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações do UNIOESTE, instname:Universidade Estadual do Oeste do Paraná, instacron:UNIOESTE
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0024 seconds