Please use this identifier to cite or link to this item: https://repositorio.ufpa.br/jspui/handle/2011/7675
Full metadata record
DC FieldValueLanguage
dc.creatorMELO, Diemisom Carlos Romano de-
dc.date.accessioned2017-02-14T14:55:40Z-
dc.date.available2017-02-14T14:55:40Z-
dc.date.issued2015-09-04-
dc.identifier.citationMELO, Diemisom Carlos Romano de. Inteligência computacional aplicada à detecção e correção de outliers em séries temporais: estudo de caso em consumo de energia elétrica. Orientadora: Adriana Rosa Garcez Castro. 2015. 59 f. Dissertação (Mestrado em Engenharia Elétrica.) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2015. Disponível em: http://repositorio.ufpa.br/jspui/handle/2011/7675. Acesso em:.pt_BR
dc.identifier.urihttp://repositorio.ufpa.br/jspui/handle/2011/7675-
dc.description.abstractThe electric load prediction is a task that requires accurate models, as should properly influence the decision making in hydroelectric plants and power stations. These computer models are implemented from a data set that must faithfully represent the behavior of the variables. However, these data sets are quite common the presence of outliers, which arise due to sensor reading errors, errors in the actual processing system / storage of data or faults in the distribution system or power station. This paper proposes a new methodology based on Computational Intelligence for detection and treatment of outliers in time series of electric power load. An auto associative artificial neural network is used for outlier detection. Subsequently, it is reused together with a genetic algorithm to correct detected outliers. This approach was applied to a time series of electrical power load in the State of Pará. The computational experiments were performed using the MATLAB tool and the results demonstrate the efficiency of the proposal, which identified and corrected all virtual outliers introduced during the evaluation phase of the methodology.pt_BR
dc.description.provenanceSubmitted by camilla martins (camillasmmartins@gmail.com) on 2017-02-10T18:43:02Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_InteligenciaComputacionalAplicada.pdf: 1168689 bytes, checksum: d170c3b2ad97f1417b829d84ffd6ca9f (MD5)en
dc.description.provenanceApproved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-02-14T14:55:40Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_InteligenciaComputacionalAplicada.pdf: 1168689 bytes, checksum: d170c3b2ad97f1417b829d84ffd6ca9f (MD5)en
dc.description.provenanceMade available in DSpace on 2017-02-14T14:55:40Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_InteligenciaComputacionalAplicada.pdf: 1168689 bytes, checksum: d170c3b2ad97f1417b829d84ffd6ca9f (MD5) Previous issue date: 2015-09-04en
dc.description.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico-
dc.languageporpt_BR
dc.publisherUniversidade Federal do Parápt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectRedes neurais auto-associativaspt_BR
dc.subjectAlgoritmos genéticospt_BR
dc.subjectAnálise de séries temporaispt_BR
dc.subjectDetecção de outlierspt_BR
dc.subjectCorreção de outlierspt_BR
dc.subjectOutliers detectionen
dc.subjectOutliers correctionen
dc.subjectAuto-associative neural networksen
dc.subjectGenetic algorithmen
dc.subjectTime series analysisen
dc.titleInteligência computacional aplicada à detecção e correção de outliers em séries temporais: estudo de caso em consumo de energia elétricapt_BR
dc.typeDissertaçãopt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Tecnologiapt_BR
dc.publisher.initialsUFPApt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.contributor.advisor1CASTRO, Adriana Rosa Garcez-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5273686389382860pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1831226990848913pt_BR
dc.description.resumoA previsão de consumo de energia elétrica é uma tarefa que requer modelos computacionais bastante acurados para que possam influenciar corretamente na tomada de decisão em usinas hidrelétricas e distribuidoras de energia. Estes modelos computacionais são implementados a partir de um conjunto de dados que deve representar fielmente o comportamento das variáveis. Porém, nesses conjuntos de dados é bastante comum a presença de outliers, que surgem devido a erros de leitura de sensores, erros no próprio sistema de processamento/armazenamento dos dados ou falhas no sistema de distribuição. Este trabalho propõe então uma nova metodologia baseada em Inteligência Computacional para detecção e correção de outliers em séries temporais de consumo de energia elétrica. Uma rede neural artificial auto-associativa é utilizada para detecção de outliers. Posteriormente, esta rede neural, em conjunto com um algoritmo genético, é utilizada para a correção dos outliers detectados. Esta abordagem foi aplicada a uma série temporal de consumo de Energia Elétrica no Estado do Pará. Os resultados obtidos demonstram a eficiência da metodologia proposta, que identificou e corrigiu todos os outliers virtuais introduzidos durante a fase de avaliação da metodologia.pt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
Appears in Collections:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Dissertacao_InteligenciaComputacionalAplicada.pdf1,14 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons