Detalhes bibliográficos
| Ano de defesa: |
2016 |
| Autor(a) principal: |
RÊGO, Liviane Ponte
 |
| Orientador(a): |
SANTANA, Ádamo Lima de
|
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Pará
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
| Departamento: |
Instituto de Tecnologia
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://repositorio.ufpa.br/jspui/handle/2011/8237
|
Resumo: |
Estratégias de predição de curto prazo são uma importante ferramenta usada para planejamento e operação de sistemas elétricos, bem como fundamentais para o processo de suporte à decisão para compra e venda de energia elétrica no mercado futuro. Particularmente, em se tratando de mercado de energia, uma componente importante para predição de consumo são os dias especiais (feriados ou dias atípicos, por exemplo). Tratar-se a predição de tais componentes pode ser uma tarefa complexa, dado seu comportamento atípico, quando comparado à predição de consumo em dias comuns. Em adição, via de regra, o número reduzido de amostras dificulta o treino e validação adequados dos algoritmos de predição de consumo em dias especiais. Este trabalho propõe um modelo para predição de consumo de curto prazo que utiliza a técnica Information Theoretic Learning Mean-Shift para clusterização e densificação dos valores de consumo em dias especiais, e algoritmos de Redes Neurais Artificiais e Regressão Linear Múltipla para predição. O modelo foi aplicado em um problema de predição de consumo da concessionária de energia elétrica da região norte do Brasil, o que proporcionou uma melhoria na acurácia dos resultados já obtido pelos métodos utilizados pela concessionária. |
