Please use this identifier to cite or link to this item: http://repositorio.ufpa.br/jspui/handle/2011/4609
Compartilhar:
Type: Dissertação
Issue Date: 27-Dec-2010
Authors: BRAGA, Marcus de Barros
First Advisor: SANTANA, Ádamo Lima de
Title: Metodologias de inteligência computacional aplicadas ao problema de previsão de carga a curto prazo
Citation: BRAGA, Marcus de Barros. Metodologias de inteligência computacional aplicadas ao problema de previsão de carga a curto prazo. 2010. 95 f. Dissertação (Mestrado) - Universidade Federal do Pará, Instituto de Tecnologia, Belém, 2010. Programa de Pós-Graduação em Engenharia Elétrica.
Resumo: Diversas atividades de planejamento e operação em sistemas de energia elétrica dependem do conhecimento antecipado e preciso da demanda de carga elétrica. Por este motivo, concessionárias de geração e distribuição de energia elétrica cada vez mais fazem uso de tecnologias de previsão de carga. Essas previsões podem ter um horizonte de curtíssimo, curto, médio ou longo prazo. Inúmeros métodos estatísticos vêm sendo utilizados para o problema de previsão. Todos estes métodos trabalham bem em condições normais, entretanto deixam a desejar em situações onde ocorrem mudanças inesperadas nos parâmetros do ambiente. Atualmente, técnicas baseadas em Inteligência Computacional vêm sendo apresentadas na literatura com resultados satisfatórios para o problema de previsão de carga. Considerando então a importância da previsão da carga elétrica para os sistemas de energia elétrica, neste trabalho, uma nova abordagem para o problema de previsão de carga via redes neurais Auto-Associativas e algoritmos genéticos é avaliada. Três modelos de previsão baseados em Inteligência Computacional são também apresentados tendo seus desempenhos avaliados e comparados com o sistema proposto. Com os resultados alcançados, pôde-se verificar que o modelo proposto se mostrou satisfatório para o problema de previsão, reforçando assim a aplicabilidade de metodologias de inteligência computacional para o problema de previsão de cargas.
Abstract: Several activities of planning and operation in power systems rely on knowledge of early and accurate demand of electric load. For this reason, power generation and distribution companies are increasingly using technologies for load forecasting. These estimative may have a very short, short, medium or long-term horizon. Numerous statistical methods have been used for the problem of prediction. All these methods work well under normal conditions, but fail in situations where unexpected changes in the parameters of the environment occur. Currently, techniques based on Computational Intelligence have been presented in the literature with satisfactory results for the problem of load forecasting.Considering then the importance of load forecasting for the electric power systems, in this thesis a new approach to the load forecasting problem is evaluated by Auto-Associative Neural Networks and Genetic Algorithms. Three models based on Computational Intelligence are also presented with their performance evaluated and compared with the proposed system. With the obtained results, it was found that the proposed model is satisfactory for the problem of forecasting, thereby strengthening the applicability of computational intelligence methodologies to the problem of load prediction.
Keywords: Previsão de cargas
Sistema de energia elétrica
Inteligência computacional
Algoritmos genéticos
Redes neurais auto-associativas
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA::MEDICAO, CONTROLE, CORRECAO E PROTECAO DE SISTEMAS ELETRICOS DE POTENCIA
Country: Brasil
Publisher: Universidade Federal do Pará
Institution Acronym: UFPA
Department: Instituto de Tecnologia
Program: Programa de Pós-Graduação em Engenharia Elétrica
Appears in Collections:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Dissertacao_MetodologiasInteligenciaComputacional.pdf1.48 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons