dc.creator | Milke, Tafarel Franco | |
dc.date.accessioned | 2020-03-05T18:16:09Z | |
dc.date.available | 2020-03-05T18:16:09Z | |
dc.date.issued | 2019-08-28 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/19743 | |
dc.description.abstract | Competitiveness and the insertion of new technologies in the electricity sector now condition companies
to find ways to improve the quality of their services and ensure profitability. The short-term load
forecasting activity is indispensable to support the planning and operation of electrical systems, aiming
to make the energy supply stable and reliable. To perform load prediction using Artificial Neural
Networks (ANN), it is necessary to evaluate the variables involved in the behavior of the daily load
curve. By evaluating and obtaining the most available variables influencing the load behavior, it is then
possible to use them as input to the adopted ANN model. Artificial neural networks are computational
models inspired by the simplification of the functioning of biological neurons, with the ability to learn
from experience with system inputs. They are similar to the brain due to the characteristics of knowledge
acquired by a learning process and connections between its neurons used to store the acquired
knowledge. A neural network has high power to generalize information after a learning phase, allowing
to capture functional relationships between data producing output close to the expected. The process of
learning or training the network consists in the application of ordered steps necessary for the tuning of
the synaptic weights and thresholds of their neurons, aiming to produce the generalization of solutions
by their outputs. The goal of network training is to make the application of a set of inputs a set of desired
outputs. The tools using artificial intelligence techniques have been improved, allowing their application
in various areas of knowledge, standing out among the main techniques used to perform short-term load
forecasting, and are currently widely researched and employed for this purpose. Thus, its use has been
showing more accurate results compared to traditional methods, since they can better develop the
required mathematical processing. This paper presents a proposal for the prediction of the daily load
curve for one day ahead applied to real energy, demand and temperature data, since it is the variables
that best represent the short-term load behavior; For this, a model developed with multilayer perceptron
neural networks using the Levenberg-Marquardt learning algorithm was implemented. The results found
were satisfactory and acceptable compared to those presented in the literature review, being sufficient
for practical application meeting the proposal of this work. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Previsão de carga | por |
dc.subject | Redes neurais artificiais | por |
dc.subject | Curto prazo | por |
dc.subject | Load forecast | eng |
dc.subject | Artificial neural networks | eng |
dc.subject | Short term | eng |
dc.title | Metodologia para previsão de carga no horizonte de curto prazo utilizando redes neurais | por |
dc.title.alternative | Methodology for short-term horizon load forecasting using neural networks | eng |
dc.type | Dissertação | por |
dc.description.resumo | Atualmente a competividade e a inserção de novas tecnologias no setor elétrico condicionam empresas
a encontrar formas de melhorar a qualidade da prestação dos seus serviços e garantir lucratividade. A
atividade de previsão de carga no curto prazo é indispensável para subsidiar o planejamento e a operação
dos sistemas elétricos, visando tornar a oferta de energia estável e confiável. Para realizar a previsão de
carga utilizando Redes Neurais Artificiais (RNA) é necessário avaliar as variáveis envolvidas no
comportamento da curva de carga diária. Através da avaliação e obtenção das variáveis disponíveis mais
influentes no comportamento da carga, é possível então utiliza-las como entrada do modelo RNA
adotado. As redes neurais artificias são modelos computacionais inspirados na simplificação do
funcionamento dos neurônios biológicos, com a capacidade de aprendizado a partir da experiência com
as entradas do sistema. São semelhantes ao cérebro devido às características de conhecimento adquirido
por um processo de aprendizagem e conexões entre seus neurônios utilizadas para armazenar o
conhecimento adquirido. Uma rede neural possuiu alto poder de generalizar informações após uma fase
de aprendizagem, possibilitando capturar relações funcionais entre os dados produzindo uma saída
próxima daquela esperada. O processo de aprendizagem ou treinamento da rede consiste na aplicação
de etapas ordenadas necessárias para que ocorra a sintonização dos pesos sinápticos e limiares de seus
neurônios, visando à produção da generalização de soluções pelas suas saídas. O objetivo do treinamento
da rede é tornar a aplicação de um conjunto de entradas em um conjunto de saídas desejadas. As
ferramentas utilizando as técnicas de inteligência artificial vêm sendo aperfeiçoadas, permitindo a sua
aplicação em diversas áreas do conhecimento, se destacando entre as principais técnicas utilizadas para
realizar previsão de carga no curto prazo, sendo atualmente muito pesquisadas e empregadas para este
fim. Desse modo, a sua utilização vem demonstrando resultados mais acurados em relação aos métodos
tradicionais, pois conseguem desenvolver de melhor forma o processamento matemático requerido. Este
trabalho apresenta uma proposta de previsão da curva de carga diária para um dia à frente aplicado a
dados reais de energia, demanda e temperatura, pois são as variáveis que melhor representam o
comportamento da carga no curto prazo; para isto foi implementado um modelo desenvolvido com redes
neurais perceptron de múltiplas camadas, utilizando o algoritmo de aprendizagem Levenberg-
Marquardt. Os resultados encontrados foram satisfatórios e aceitáveis comparados aos apresentados na
revisão bibliográfica, sendo suficientes para aplicação prática atendendo a proposta deste trabalho. | por |
dc.contributor.advisor1 | Abaide, Alzenira da Rosa | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/2427825596072142 | por |
dc.contributor.referee1 | Santos, Laura Lisiane Callai dos | |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/6337407524074990 | por |
dc.contributor.referee2 | Campos, Maurício de | |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/7207601062237405 | por |
dc.creator.Lattes | http://lattes.cnpq.br/5568161760123003 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Engenharia Elétrica | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |