Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T13:24:53Z
No. of bitstreams: 1
guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:39:48Z (GMT) No. of bitstreams: 1
guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Made available in DSpace on 2017-03-06T19:39:48Z (GMT). No. of bitstreams: 1
guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5)
Previous issue date: 2014-08-20 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle
da produção em sistemas de energia elétrica. Como não é viável manter estoques de
segurança para compensar demandas inesperadas, a programação da geração é baseada
em previsões feitas com antecedência de algumas horas.
Ao longo dos anos, muitos métodos foram testados para a resolução do problema.
Dentre os mais populares estão os univariados, em que a demanda é escrita como
uma função linear de seu comportamento histórico e prevista por técnicas estatísticas.
Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear
de variáveis climáticas, como a temperatura do ar, sobre o comportamento do
consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência
computacional, como as redes neurais artificiais.
Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros
defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de
variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para
serem percebidos.
Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim
de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro.
Para estes dados, mostramos que é possível obter, por meio de um simples previsor
linear univariado (um modelo de curva de carga cuja componente-padrão é prevista
pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais
complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos
computacionais. / Short-term demand forecasts a are vital part of the production plan and control on
electrical power systems. As it is not possible to keep large inventories to meet sudden
demand increases, the generation scheduling is based on forecasts made for some hours
ahead.
Throughout the years, many methods have been proposed in order to solve the
problem. Among the most popular are the univariate ones, on which the demand is
written as a linear function of its historical behavior and forecast by statistical techniques.
It is also common to use multivariate methods, which take into account also the nonlinear
effects produced on the demand by weather-related variables, such as the air temperature.
For this case, recent papers suggest the use of computational intelligence devices, such as
artificial neural networks.
Although some authors claim that multivariate methods must be considered, some
others state that, on a short-run (lead-times up to a few hours), adding weather-related
variables brings little benefits, because its effects might take a longer time to affect the
demand.
On this work, we experiment a large amount of univariate and multivariate methods
aiming to compare its performance over a dataset from the city of Rio de Janeiro. For
these data, we show that is possible to obtain, via a simple linear univariate method (a load
curve model where the standard load is forecast by the Holt-Winters-Taylor smoothing),
results that are close enough to those achieved by more complex techniques, but bringing
the advantages of more robustness, parsimony and computational economy.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/3511 |
| Date | 20 August 2014 |
| Creators | Guilhermino Neto, Guilherme |
| Contributors | Hippert, Henrique Steinherz, Vieira, Marcel de Toledo, Falco, Glaucia de Paula |
| 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 | English |
| 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 0.0124 seconds