Desenvolvimento de uma nova metodologia para previsão do consumo de energia elétrica de curto prazo utilizando redes neurais artificiais e decomposição  de séries temporais.

• Ano de defesa: 2019
• Autor(a) principal: Amaral, Haroldo Luiz Moretti do
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de séries temporais; Artificial neural networks; Consumo de energia elétrica (Previsão); Decomposição de série temporal; Eficiência energética; Energy efficiency; Forecast of electricity consumption; Previsão do consumo de energia elétrica; Redes inteligentes; Redes neurais; Smart grids; Time series decomposition
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/3/3143/tde-07022020-113308/

Os consumidores residenciais estão cada vez mais ganhando acesso a novas tecnologias de medição e operação remota, com a disseminação de redes inteligentes. Essas oportunidades trouxeram melhorias em termos de qualidade de serviço e o estabelecimento de novos níveis de economia financeira. Estudos recentes demonstraram que um aumento significativo na eficiência energética está relacionado às mudanças nos hábitos de consumo, induzidas por novas tecnologias que dão acesso às informações sobre a qualidade e a quantidade da energia consumida. Nesse contexto, a previsão de consumo de energia de curto prazo é uma ferramenta de conscientização baseada no fornecimento de informações úteis prontas para ajudar na busca dos mais eficientes padrões de consumo e economia de energia. Esta tese apresenta o desenvolvimento de uma nova metodologia para a previsão do consumo de energia residencial, utilizando redes neurais artificiais e decomposição de séries temporais. Vários testes foram realizados para obter a melhor configuração para o problema de previsão do consumo de eletricidade. Os testes também foram realizados comparativamente com os métodos combinados disponíveis, permitindo uma avaliação dos resultados obtidos. Os resultados demonstrados por essa metodologia atingiram um baixo erro percentual médio e um erro percentual absoluto médio baixo no horizonte de previsão, que são as métricas mais utilizadas nesse tipo de estudo.