Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-10T17:04:37Z
No. of bitstreams: 1
raphaelfranciscofirmianoteixeira.pdf: 2043800 bytes, checksum: c1621a5e2f6c91e329bbc4cd21d1701b (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-23T11:53:03Z (GMT) No. of bitstreams: 1
raphaelfranciscofirmianoteixeira.pdf: 2043800 bytes, checksum: c1621a5e2f6c91e329bbc4cd21d1701b (MD5) / Made available in DSpace on 2018-01-23T11:53:03Z (GMT). No. of bitstreams: 1
raphaelfranciscofirmianoteixeira.pdf: 2043800 bytes, checksum: c1621a5e2f6c91e329bbc4cd21d1701b (MD5)
Previous issue date: 2017-08-30 / Frequentemente os valores dos parâmetros exigidos em um Contrato de Fornecimento
de Energia Elétrica para consumidores não industriais são estimados com base na
previsão de demanda utilizando o método “Naive”, por vezes, com algum ajuste
empírico, o que pode gerar um contrato não-ótimo para o consumidor. Exemplo desse
tipo de consumidor são as universidades, principalmente as públicas, por possuírem
dimensões físicas consideráveis. Em consumidores com esse tipo de comportamento, a
elaboração de um perfil de demanda baseado em estudo do funcionamento das
instalações torna-se algo muito complicado. Tendo em vista tratar-se de um consumidor
pertencente ao Serviço Público, há a necessidade de Contratos definidos com critérios
suficientemente claros, haja vista a pressão dos órgãos de controle. Mais ainda quando
se considera o uso responsável e eficaz do dinheiro público. Portanto, métodos com
base na previsão de demanda do consumidor, em função do seu histórico e capazes de
uma aproximação maior com a realidade, seriam importantes para obter contratos com
valores financeiros minimizados. Tendo os dados de Demandas Registradas da
Universidade Federal de Juiz de Fora e dados auxiliares de Temperaturas e Calendário
de Aulas, desenvolvemos um método que testa previsões realizadas por métodos
lineares (Médias Móveis, ARIMA e Holt-Winters), com previsões realizadas por
métodos não- lineares (Redes Neurais). Comparamos estas previsões, e a melhor foi
levada a um processo de otimização utilizando Algoritmos Genéticos. Essa otimização
revelou dados ótimos para o Contrato e os respectivos custos. A previsão com melhor
desempenho foi a obtida utilizando-se Redes Neurais, sem os dados auxiliares. A
otimização levou a escolha da Tarifa Azul, com previsão de ganhos econômicos para a
UFJF. / The values of the parameters required in a Contract of Electric Power Supply are often
estimated with bases on the demand forecasted using the “Naive” method, for nonindustrial
consumers. Sometimes, the method suffers some empirical adjustment, which
can generate a non-optimal contract for the consumer. Universities (in special the public
ones) are examples of these type of consumers since they have considerable physical
dimensions. The elaboration of a demand profile for these type of consumers, based on
a study of the operation of the facilities, is a complicated task. Because the consumer is
part of the Public Service, there is a need for Contracts defined with sufficiently clear
criteria, given the pressure of the control bodies, particularly when the responsible and
effective use of the public money is considered. Therefore, methods based on the
consumer demand forecast in function of consumer’s history, and capable of greater
approximation with reality, would be important to obtain contracts with minimized
financial values. A method was developed based on data of the registered demands of
the Federal University of Juiz de Fora (UFJF), and Temperature and Class Calendar
adjuvant data. The method tests the predictions made by linear (Moving Averages,
ARIMA and Holt-Winters) and by non-linear methods (Neural Networks). The
predictions were compared and the best one was taken to an optimization process using
Genetic Algorithms. The optimization revealed optimal data for the contract and its
costs. The prediction that showed the best performance was the one obtained using
Neural Networks without the adjuvant data. The optimization led to the choice of the
“Tarifa Azul”, with possible economic gains for UFJF.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/6069 |
| Date | 30 August 2017 |
| Creators | Teixeira, Raphael Francisco Firmiano |
| Contributors | Hippert, Henrique Steinherz, Chaoubah, Alfredo, Manfrini, Francisco Augusto de Lima |
| 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 0.0021 seconds