[pt] Nessa dissertação é desenvolvido um modelo de previsão de
curto prazo para cargas horárias empregando informações
climáticas. Tal modelo é montado para a companhia de
eletricidade LIGHT. O modelo proposto combina diferentes
metodologias, são elas: Redes Neurais, Métodos
Estatísticos e Lógica Nebulosa.
Primeiramente, emprega-se o Mapa Auto-Organizável de
Kohonen para identificar as curvas típicas de carga que
são incluídas em um modelo de previsão estatística. Com
intuito de melhorar o desempenho do modelo em termos do
erro de previsão é adicionado, através de Lógica Nebulosa,
o efeito da temperatura na carga.
Por fim, é montado um procedimento com alguns conceitos de
Lógica Nebulosa para identificar o tipo de curva de carga
do dia a ser previsto. / [en] In the dissertation a new model to short-term forecasting
of hourly loads using weather information is developed.
This model was developed for the electricity distributing
utility LIGHT and it combines different methodologies,
namely: Neural Networks, Statistical Methods and Fuzzy
Logic.
First, the Kohonen Self-Organizing Map makes the
identification of the load curves profiles and these are
included in the statistical model. In order to improve the
performance of the model in terms of forecasting error,
the effect of temperature on the load is inserted by means
of Fuzzy Logic.
Finally, a procedure with some concepts of Fuzzy Logic was
established to identify the type of curve of the day to be
forecasted.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7464 |
| Date | 09 November 2005 |
| Creators | ANA PAULA BARBOSA SOBRAL |
| Contributors | REINALDO CASTRO SOUZA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0023 seconds