Please use this identifier to cite or link to this item: http://repositorio.ufpa.br/jspui/handle/2011/8237
metadata.dc.type: Tese
Issue Date: 4-Nov-2016
metadata.dc.creator: RÊGO, Liviane Ponte
metadata.dc.contributor.advisor1: SANTANA, Ádamo Lima de
metadata.dc.contributor.advisor-co1: FRANCÊS, Carlos Renato Lisboa
Title: Estratégia para predição de consumo de energia elétrica de curto prazo: uma abordagem baseada em densificação com MEAN SHIFT para tratamento de dias especiais
Citation: RÊGO, Liviane Ponte. Estratégia para predição de consumo de energia elétrica de curto prazo: uma abordagem baseada em densificação com MEAN SHIFT para tratamento de dias especiais. 2016. 70 f. Tese (Doutorado) - Universidade Federal do Pará, Instituto de Tecnologia, Belém, 2016. Programa de Pós-Graduação em Engenharia Elétrica.
metadata.dc.description.resumo: Estratégias de predição de curto prazo são uma importante ferramenta usada para planejamento e operação de sistemas elétricos, bem como fundamentais para o processo de suporte à decisão para compra e venda de energia elétrica no mercado futuro. Particularmente, em se tratando de mercado de energia, uma componente importante para predição de consumo são os dias especiais (feriados ou dias atípicos, por exemplo). Tratar-se a predição de tais componentes pode ser uma tarefa complexa, dado seu comportamento atípico, quando comparado à predição de consumo em dias comuns. Em adição, via de regra, o número reduzido de amostras dificulta o treino e validação adequados dos algoritmos de predição de consumo em dias especiais. Este trabalho propõe um modelo para predição de consumo de curto prazo que utiliza a técnica Information Theoretic Learning Mean-Shift para clusterização e densificação dos valores de consumo em dias especiais, e algoritmos de Redes Neurais Artificiais e Regressão Linear Múltipla para predição. O modelo foi aplicado em um problema de predição de consumo da concessionária de energia elétrica da região norte do Brasil, o que proporcionou uma melhoria na acurácia dos resultados já obtido pelos métodos utilizados pela concessionária.
Abstract: The use of short-term prediction strategies is an important tool for planning and operation of electrical systems, playing a crucial part in aiding the decision support process for buying and selling of electricity in the future market. For the energy market, in particular, an important component to take into account for consumption forecasting are the special days (holidays or atypical days, for example). Given its unusual behavior, the estimation of such events can be a complex task, when compared to the forecasting of ordinary days. In addition, as they are often found with only a small number of samples, it is difficult to adequately train and validate prediction algorithms. To tackle these problems, this work presents a model for short-term load forecasting using the Information Theoretic Learning Mean-Shift model to clustering and densify the sample size of special days's events on a time series, there on followed by the prediction using statistical and/or machine learning algorithms; in this work represented by artificial neural network algorithms and multiple Linear regression. The model was applied in a load forecasting problem for the electric utility in the northern region of Brazil, providing an improvement in the accuracy of results.
Keywords: Sistemas de energia elétrica
Redes neurais (Computação)
Cluster (Sistema de computador)
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal do Pará
metadata.dc.publisher.initials: UFPA
metadata.dc.publisher.department: Instituto de Tecnologia
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
Appears in Collections:Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Tese_EstrategiaPredicaoConsumo.pdf2,72 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons