Return to search

Metodologias de inteligência computacional aplicadas ao problema de previsão de carga a curto prazo

Submitted by Edisangela Bastos (edisangela@ufpa.br) on 2014-01-13T19:55:51Z
No. of bitstreams: 2
license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5)
Dissertacao_MetodologiasInteligenciaComputacional.pdf: 1516913 bytes, checksum: ba084e153a765451087625cebf80e43a (MD5) / Approved for entry into archive by Ana Rosa Silva(arosa@ufpa.br) on 2014-01-16T12:33:42Z (GMT) No. of bitstreams: 2
license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5)
Dissertacao_MetodologiasInteligenciaComputacional.pdf: 1516913 bytes, checksum: ba084e153a765451087625cebf80e43a (MD5) / Made available in DSpace on 2014-01-16T12:33:42Z (GMT). No. of bitstreams: 2
license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5)
Dissertacao_MetodologiasInteligenciaComputacional.pdf: 1516913 bytes, checksum: ba084e153a765451087625cebf80e43a (MD5)
Previous issue date: 2010 / Diversas atividades de planejamento e operação em sistemas de energia elétrica dependem do conhecimento antecipado e preciso da demanda de carga elétrica. Por este motivo, concessionárias de geração e distribuição de energia elétrica cada vez mais fazem uso de tecnologias de previsão de carga. Essas previsões podem ter um horizonte de curtíssimo, curto, médio ou longo prazo. Inúmeros métodos estatísticos vêm sendo utilizados para o problema de previsão. Todos estes métodos trabalham bem em condições normais, entretanto deixam a desejar em situações onde ocorrem mudanças inesperadas nos parâmetros do ambiente. Atualmente, técnicas baseadas em Inteligência Computacional vêm sendo apresentadas na literatura com resultados satisfatórios para o problema de previsão de carga. Considerando então a importância da previsão da carga elétrica para os sistemas de energia elétrica, neste trabalho, uma nova abordagem para o problema de previsão de carga via redes neurais Auto-Associativas e algoritmos genéticos é avaliada. Três modelos de previsão baseados em Inteligência Computacional são também apresentados tendo seus desempenhos avaliados e comparados com o sistema proposto. Com os resultados alcançados, pôde-se verificar que o modelo proposto se mostrou satisfatório para o problema de previsão, reforçando assim a aplicabilidade de metodologias de inteligência computacional para o problema de previsão de cargas. / Several activities of planning and operation in power systems rely on knowledge of early and accurate demand of electric load. For this reason, power generation and distribution companies are increasingly using technologies for load forecasting. These estimative may have a very short, short, medium or long-term horizon. Numerous statistical methods have been used for the problem of prediction. All these methods work well under normal conditions, but fail in situations where unexpected changes in the parameters of the environment occur. Currently, techniques based on Computational Intelligence have been presented in the literature with satisfactory results for the problem of load forecasting.Considering then the importance of load forecasting for the electric power systems, in this thesis a new approach to the load forecasting problem is evaluated by Auto-Associative Neural Networks and Genetic Algorithms. Three models based on Computational Intelligence are also presented with their performance evaluated and compared with the proposed system. With the obtained results, it was found that the proposed model is satisfactory for the problem of forecasting, thereby strengthening the applicability of computational intelligence methodologies to the problem of load prediction.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpa.br:2011/4609
Date27 December 2010
CreatorsBRAGA, Marcus de Barros
ContributorsSANTANA, Ádamo Lima de
PublisherUniversidade Federal do Pará, Programa de Pós-Graduação em Engenharia Elétrica, UFPA, Brasil, Instituto de Tecnologia
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPA, instname:Universidade Federal do Pará, instacron:UFPA
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0023 seconds