Detalhes bibliográficos
| Ano de defesa: |
2011 |
| Autor(a) principal: |
Nose Filho, Kenji [UNESP] |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| 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/11449/87097
|
Resumo: |
Neste trabalho, dá-se ênfase à previsão de carga multinodal, também conhecida como previsão de carga por barramento. Para realizar esta demanda, há necessidade de dispor de uma técnica que proporcione a precisão desejada, seja confiável e de baixo tempo de processamento. O conhecimento prévio das cargas locais é de extrema importância para o planejamento e operação dos sistemas de energia elétrica. Para realizar a previsão de carga multinodal foram empregadas duas metodologias, uma que prevê as cargas individualmente e outra que utiliza as previsões dos fatores de participação e a previsão de carga global. O principal objetivo deste trabalho é elaborar um modelo de previsor de carga de curto prazo, genérico e que pode ser aplicado na previsão de carga multinodal. Para tanto, utilizou-se redes neurais de regressão generalizada (GRNN), cujas entradas são compostas de variáveis exógenas globais e de cargas locais, sem a necessidade da inclusão de variáveis exógenas locais. Ainda, projetou-se uma nova arquitetura de rede neural artificial, baseada na GRNN, além de propor um procedimento para a redução do número de entradas da GRNN e um filtro para o pré-processamento do banco de dados de treinamento. Os dados, para testar as metodologias e as redes neurais artificiais, são referentes a um subsistema de distribuição de energia elétrica da Nova Zelândia composto por nove subestações |
