[en] DAILY ELECTRICITY FORECASTING IN LOAD LEVELS, COMBINING STATISTICAL AND COMPUTATIONAL INTELLIGENCE TOOLS

Detalhes bibliográficos
Ano de defesa: 2009
Autor(a) principal: DOUGLAS ALEXANDER ALVES DE FARIAS
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: MAXWELL
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=13211&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=13211&idi=2
http://doi.org/10.17771/PUCRio.acad.13211
Resumo: [pt] Esta dissertação apresenta um estudo sobre o comportamento da carga de energia agregada em intervalos temporais dentro de um mesmo dia. Esse tipo de agregação já vem sendo utilizado no setor elétrico brasileiro, sob a forma de três patamares de carga, denominados leve, média e pesada. No entanto, tais patamares são sempre obtidos indiretamente, a partir da agregação da carga horária, não tendo sido encontrado, até a publicação dessa dissertação, nenhum tratamento de forma direta dos mesmos. O trabalho desenvolvido na dissertação descreve matematicamente o cálculo dos três patamares de carga e faz uma análise das séries dessas variáveis, verificando suas características próprias, relações entre si e a influência de variáveis exógenas. Apresenta, também, a modelagem de alguns métodos de previsão para essas séries, empregando técnicas tanto estatísticas quanto de inteligência computacional e propõe um modelo híbrido de previsão, combinando regressão dinâmica, classificador de padrões, lógica nebulosa e um método para combinar os padrões. No modelo proposto, a regressão dinâmica é empregada na previsão da carga diária global, usada para adequar os perfis, descritos de forma normalizada, aos níveis reais das séries. Os perfis são obtidos a partir de um classificador de padrões baseado na técnica subtractive clustering. A combinação dos perfis, que compõem a previsão dos patamares para o horizonte desejado, é feita por um sistema de lógica nebulosa, que usa a temperatura como variável de entrada, tratando de forma intrínseca relações não lineares entre essas variáveis, e um método que trata a saída do sistema nebuloso de forma empírica.