Please use this identifier to cite or link to this item: https://repositorio.ufpa.br/jspui/handle/2011/8237
Full metadata record
DC FieldValueLanguage
dc.creatorRÊGO, Liviane Ponte-
dc.date.accessioned2017-04-24T16:59:53Z-
dc.date.available2017-04-24T16:59:53Z-
dc.date.issued2016-11-04-
dc.identifier.citationRÊGO, 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. Orientador: Ádamo Lima de santana; Coorientador: Carlos Renato Liosboa Francês. Tese (Doutorado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2016. Disponível em: http://repositorio.ufpa.br/jspui/handle/2011/8237. Acesso em:.pt_BR
dc.identifier.urihttp://repositorio.ufpa.br/jspui/handle/2011/8237-
dc.description.abstractThe 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.pt_BR
dc.description.provenanceSubmitted by camilla martins (camillasmmartins@gmail.com) on 2017-04-24T13:58:14Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_EstrategiaPredicaoConsumo.pdf: 2789587 bytes, checksum: 96e73b789b5c7b6501aa450353d62f7d (MD5)en
dc.description.provenanceApproved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-04-24T16:59:53Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_EstrategiaPredicaoConsumo.pdf: 2789587 bytes, checksum: 96e73b789b5c7b6501aa450353d62f7d (MD5)en
dc.description.provenanceMade available in DSpace on 2017-04-24T16:59:53Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_EstrategiaPredicaoConsumo.pdf: 2789587 bytes, checksum: 96e73b789b5c7b6501aa450353d62f7d (MD5) Previous issue date: 2016-11-04en
dc.languageporpt_BR
dc.publisherUniversidade Federal do Parápt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectSistemas de energia elétricapt_BR
dc.subjectPrevisão de consumopt_BR
dc.subjectClusterizaçãopt_BR
dc.subjectDensificaçãopt_BR
dc.subjectMudança médiapt_BR
dc.subjectLoad forecastingen
dc.subjectMean shiften
dc.subjectDensifityen
dc.subjectClusterizationen
dc.titleEstratégia para predição de consumo de energia elétrica de curto prazo: uma abordagem baseada em densificação com MEAN SHIFT para tratamento de dias especiaispt_BR
dc.typeTesept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Tecnologiapt_BR
dc.publisher.initialsUFPApt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.contributor.advisor1SANTANA, Ádamo Lima de-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4073088744952858pt_BR
dc.contributor.advisor-co1FRANCÊS, Carlos Renato Lisboa-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/7458287841862567pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/3119189681371475pt_BR
dc.description.resumoEstratégias 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.pt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
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