Submitted by Cristhiane Guerra (cristhiane.guerra@gmail.com) on 2017-01-26T14:55:17Z
No. of bitstreams: 1
arquivototal.pdf: 2586746 bytes, checksum: 18b7b08875fbe9dc7bcecd5595b19734 (MD5) / Made available in DSpace on 2017-01-26T14:55:17Z (GMT). No. of bitstreams: 1
arquivototal.pdf: 2586746 bytes, checksum: 18b7b08875fbe9dc7bcecd5595b19734 (MD5)
Previous issue date: 2016-07-29 / The demand forecasting studies are of great importance for electricity companies, because there is a need to allocate their resources well in advance, requiring a medium and long- term p lanning. These resources can be the purchase of new equipment, the transmission line acquisition or construction, scheduled maintenance and the purchase and sale of energy. I n this work, a support tool has been developed for experts in strategic planning i n power distribution systems using artificial neural networks to demand forecasting. For the proposed method, it implemented a demand forecasting procedure in the medium term of the region fueled by three substations belonging to the power distribution sys tem managed by EnergisaPB, using a computer model based on Multilayer Perceptron (MLP) artificial neural networks with the assistance of Matlab ® environment. The database was structured by the measurements of active power from 2008 to 2014, provided by En ergisa/PB and the forecast achieved one year ahead (52 weeks) compared with the real data of 2014. In addition, it was possible to evaluate the performance of RNA and estimate the demand growth in the region supplied by each substation, which can assist th e distribution system expansion planning. / Os estudo s de previsão de demanda têm grande importância para empresa s da área de energia elétrica , pois, existe a necessidade de alocar seus recursos com uma certa antecedência , exigindo um planejamento a médio e longo prazo. D entre estes recursos , estão a compra de equipamentos, a aquisição e construção de linhas de transmissão, manutenções programadas e a compra e venda de energia. Nesta premissa, foi desenvolvida uma ferramenta de apoio aos especialistas na área de planejamento estratégico em sistemas de distrib uição de energia elétrica, utilizando redes neurais artificiais para previsão de demanda. Para o método proposto, foi implementado um procedimento de previsão de demanda no médio prazo da região alimentada por três subestações reais pertencentes ao sistema de distribuição de energia gerido pela concessionária Energisa- PB, utilizando um modelo computacional baseado em redes neurais artificiais (RNA) do tipo Multilayer Perceptron (MLP) com o auxílio do ambiente Matlab ® . Foram consideradas as informações reais (banco de dados) da potência ativa, para o período de 2008 até 2014, fornecidas pela própria concessionária e a previsão alcançou o horizonte de um ano a frente (52 semanas). A RNA foi treinada com os dados de 2008 a 2013, e o resultado, comparado com dad os do ano de 2014. Além disso, foi possível avaliar o desempenho da RNA sob diferentes aspectos (volume de treinamento, parâmetros, configurações, camadas ocultas, etc.) e estimar o crescimento de demanda da região alimentada por cada subestação, o que pod e auxiliar o planejamento de expansão do sistema de distribuição.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede.biblioteca.ufpb.br:tede/8795 |
| Date | 29 July 2016 |
| Creators | Medeiros , Romero Álamo Oliveira de |
| Contributors | Villanueva, Juan Moises Maurício, Rodriguez, Yuri Percy Molina |
| Publisher | Universidade Federal da Paraíba, Programa de Pós-Graduação em Engenharia Elétrica, UFPB, Brasil, Engenharia Elétrica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFPB, instname:Universidade Federal da Paraíba, instacron:UFPB |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | -266050410927282029, 600, 600, 600, 9135862898645289501, -1431013593610671097 |
Page generated in 0.0028 seconds