Estudo de técnicas de apoio a definições em contratos de energia elétrica

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Teixeira, Raphael Francisco Firmiano lattes
Orientador(a): Hippert, Henrique Steinherz lattes
Banca de defesa: Chaoubah, Alfredo lattes, Manfrini, Francisco Augusto de Lima lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
Programa de Pós-Graduação: Programa de Pós-graduação em Modelagem Computacional
Departamento: ICE – Instituto de Ciências Exatas
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/6069
Resumo: Frequentemente os valores dos parâmetros exigidos em um Contrato de Fornecimento de Energia Elétrica para consumidores não industriais são estimados com base na previsão de demanda utilizando o método “Naive”, por vezes, com algum ajuste empírico, o que pode gerar um contrato não-ótimo para o consumidor. Exemplo desse tipo de consumidor são as universidades, principalmente as públicas, por possuírem dimensões físicas consideráveis. Em consumidores com esse tipo de comportamento, a elaboração de um perfil de demanda baseado em estudo do funcionamento das instalações torna-se algo muito complicado. Tendo em vista tratar-se de um consumidor pertencente ao Serviço Público, há a necessidade de Contratos definidos com critérios suficientemente claros, haja vista a pressão dos órgãos de controle. Mais ainda quando se considera o uso responsável e eficaz do dinheiro público. Portanto, métodos com base na previsão de demanda do consumidor, em função do seu histórico e capazes de uma aproximação maior com a realidade, seriam importantes para obter contratos com valores financeiros minimizados. Tendo os dados de Demandas Registradas da Universidade Federal de Juiz de Fora e dados auxiliares de Temperaturas e Calendário de Aulas, desenvolvemos um método que testa previsões realizadas por métodos lineares (Médias Móveis, ARIMA e Holt-Winters), com previsões realizadas por métodos não- lineares (Redes Neurais). Comparamos estas previsões, e a melhor foi levada a um processo de otimização utilizando Algoritmos Genéticos. Essa otimização revelou dados ótimos para o Contrato e os respectivos custos. A previsão com melhor desempenho foi a obtida utilizando-se Redes Neurais, sem os dados auxiliares. A otimização levou a escolha da Tarifa Azul, com previsão de ganhos econômicos para a UFJF.