Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Alves, Marleide Ferreira |
| 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: |
Universidade Estadual Paulista (Unesp)
|
| 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: |
http://hdl.handle.net/11449/181966
|
Resumo: |
Os sistemas de energia elétrica estão passando por transformações. Aos poucos, técnicas de sistemas de informação estão sendo incorporadas aos sistemas atuais de energia. Basicamente este é o conceito de smart grid. Esta incorporação visa aumentar a eficiência dos sistemas de energia elétrica, pois os diversos agentes envolvidos em todo o sistema terão à disposição informações mais completas, precisas e de forma praticamente instantânea. Como consequência, haverá um aumento significativo de dados disponíveis para serem empregados de variadas formas. Um exemplo do uso de dados é a previsão de demanda de energia elétrica. De uma forma geral, previsões servem como suporte para suprir demandas, estimar custos ou justificar investimentos futuros. No campo de previsão de demanda de cargas elétricas existem diversos modelos na literatura, a grande maioria se concentra em níveis mais agregados, que atendem a grandes consumidores em que o fornecimento de energia é feito, por exemplo, por uma subestação. Uma smart grid também coloca à disposição as informações de consumo de energia em níveis cada vez menos agregados, como uma residência ou um prédio comercial. Realizar previsões neste nível é um desafio, pois essas demandas são muito influenciadas pelo comportamento humano. Diferentemente dos níveis mais agregados, modelos de previsão para níveis menos agregados, ou desagregados, ainda são poucos. O objetivo deste trabalho é fazer a previsão de cargas elétricas não residenciais mistas em curto prazo utilizando dados de demanda de cargas de uma universidade brasileira. A metodologia escolhida inicialmente foi a rede neural ARTMAP Fuzzy e depois foi desenvolvida uma metodologia híbrida entre a rede neural ARTMAP Fuzzy e o Método dos Mínimos Quadrados. Os bancos de dados disponíveis para o estudo continham muitos dados ruidosos e outliers além disso, havia pouca variabilidade de entradas, neste caso, somente o tempo (em intervalos de 15 minutos), o dia da semana e a carga elétrica. Foram desenvolvidas algumas estratégias para realizar a previsão. Os primeiros resultados das previsões com rede neural ARTMAP Fuzzy não foram muito satisfatórios, então verificou-se que havia pouca variedade nos dados. Para contornar esse problema, foram introduzidas os de valores de cargas máxima, mínima e média referentes à cada intervalo de tempo e dia da semana com o objetivo de suprir a pouca variabilidade de entradas. Depois de observado o comportamento da rede neural ARTMAP Fuzzy neste cenário foi desenvolvida uma metodologia híbrida entre a rede neural ARTMAP Fuzzy e o método dos mínimos quadrados, denominada rede neural ARTMAP Fuzzy – MMQ. Os testes foram realizados com e sem outliers nos conjuntos de dados. Para efeito de comparação, os testes foram feitos com o método dos mínimos quadrados, a rede neural ARTMAP Fuzzy e a metodologia híbrida. Além disso, foram feitas análises com dois valores distintos parâmetro de vigilância da rede neural e os valores da escolha das categorias na metodologia híbrida. Dentre todos os testes a metodologia proposta apresentou os melhores resultados. |
