Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2014 / Made available in DSpace on 2015-02-05T20:39:52Z (GMT). No. of bitstreams: 1
329450.pdf: 550251 bytes, checksum: adffe249cd99733dc07a321d821c8e1c (MD5)
Previous issue date: 2014 / A previsão do consumo de energia elétrica no longo prazo é essencial para o planejamento do sistema de energia. O consumo de energia elétrica depende de variáveis econômicas e sociais, e a seleção destas variáveis é um dos pontos importantes na realização de previsões causais. Neste sentido, foi aplicado um método matemático com intuito de selecionar as variáveis de entrada para a previsão mensal do consumo industrial de energia usando redes neurais artificiais. O método consiste na aplicação de uma análise de componentes principais para, através da redução dimensional dos dados, reduzir os erros das previsões. As previsões obtidas com a aplicação da análise de componentes principais foram combinadas por redes neurais e comparadas às previsões obtidas selecionando-se as variáveis por análise de correlação. Uma contribuição importante deste trabalho apresenta a maior eficiência da previsão quando utilizada a ACP para selecionar variáveis para modelos de previsão por RNA, em detrimento do uso de métodos como Análise de Correlação de Pearson. A medida de erro percentual absoluto médio (MAPE) e a estatística U de Theil são utilizadas e evidenciaram a capacidade preditiva do método proposto. As previsões das redes neurais com variáveis selecionadas no primeiro componente principal, fora da amostra, foram cerca de 17;27% menor que as redes com entradas selecionadas por análise de correlação. Completando a análise, a combinação de previsões alcançou erros 38;59% menor que os erros com análise de correlação. Os resultados obtidos com os segundo e terceiro componentes principais foram, na média, maiores que os erros do método ingênuo, entretanto, tais previsões foram relevantes para a combinação de previsões.<br> / Abstract: Industrial energy consumption depends on social and economic variables, and the way these variables are selected is an important issue in causal forecasting. In this research we have applied a mathematical method in order to select the input variables for monthly forecasting of energy consumption by artificial neural networks. The method consists on applying principal component analysis to reduce dimensionality of data. The forecasts obtained by applying principal component analysis were combined by neural network and compared to the ones obtained by selecting variables through correlation analysis. An important contribution of this work is the evidence that principal component analysis reduces the number of variables in the input set and consequently the error rate of neural networks in the energy forecasting. The Mean Absolute Percentage Error (MAPE) and Theil's U statistic are used to evidence the predictive capability of the proposed method. The neural network with variables selected through the first principal component analysis has reachederrors, out of sample, around 17;27% lower than the neural nets with input variables selected by correlation analysis. In addition, the combination of forecasts has reached errors around 38;59% lower then the error obtained through correlation analysis. Completing the analysis, than neural net fed with variables selected in the second and third principal components did not reach errors lower then the naive method, however its results were relevant for the combination of forecasts.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/129072 |
| Date | January 2014 |
| Creators | Sacramento, Isaac Leonardo Santos |
| Contributors | Universidade Federal de Santa Catarina, Wazlawick, Raul Sidnei, Souza, Gueibi Peres |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | 71 p.| il., grafs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds