Sistema híbrido de previsão de carga elétrica em curto prazo utilizando redes neurais artificiais e lógica fuzzy

Detalhes bibliográficos
Ano de defesa: 2006
Autor(a) principal: SILVA, Geane Bezerra da
Orientador(a): AQUINO, Ronaldo Ribeiro Barbosa de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
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://repositorio.ufpe.br/handle/123456789/5485
Resumo: O presente trabalho apresenta um sistema de previsão de carga horária em curto prazo (sete dias à frente) formado por duas etapas. Na primeira etapa foram escolhidas duas redes neurais artificiais para prever o consumo diário total em um horizonte de sete dias à frente, uma rede para os dias úteis e outra para aos dias não-úteis, o processo de escolha das redes passou por uma análise da estrutura de entrada, da base de dados e do algoritmo de treinamento. Para gerar as melhores redes utilizou-se o método k-fold crossvalidation. A segunda etapa é responsável em fornecer o comportamento da curva de carga, ou seja, a distribuição horária do consumo diário, para isso utilizou-se o sistema ANFIS (Adaptive Network-based Fuzzy Inference System) para gerar um Sistema de Inferência Fuzzy- SIF que fornece um coeficiente que representa a fração do consumo horário em relação ao consumo diário, para inicialização dos modelos optou-se pela comparação entre dois métodos: o método de clusterização subtrativa desenvolvido por Chui S e o método por inspeção onde o SIF é gerado a partir do conhecimento do especialista. Optou-se por estes modelos devido à facilidade de implementação, a capacidade de generalização e resposta rápida. Os resultados obtidos foram comparados com a bibliografia e mostram que o modelo desenvolvido tem alta capacidade de generalização e apresenta baixos valores de MAPE (erro médio percentual), além de utilizar somente dados de carga elétrica como entrada para as redes e para o sistema ANFIS sem a necessidade de dados climáticos