dc.contributor.advisor | Santos, Laura Lisiane Callai dos | |
dc.creator | Miranda, Priscila Bernardeli | |
dc.date.accessioned | 2022-09-01T18:22:12Z | |
dc.date.available | 2022-09-01T18:22:12Z | |
dc.date.issued | 2021-02-23 | |
dc.date.submitted | 2021 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/26056 | |
dc.description | Trabalho de Conclusão de Curso (graduação) - Universidade Federal de Santa Maria - Campus Cachoeira do Sul, Curso de Engenharia Elétrica, RS, 2021. | por |
dc.description.abstract | Demand forecasting is a crucial and decisive activity for the operation of electrical
power systems, thus estimating the adequate load to be supplied. In the short-term
horizon, energy consumption forecasts occur from minutes, hours and even a week ahead
and climatic factors that can influence demand are analyzed, thereby obtaining the best
instant load profile. Several techniques are applied for load prediction, among, there are
artificial neural networks, which are non-linear computational intelligence systems that
operate like neural networks human brain and reproduce human characteristics, such
generalization, association, learning and abstraction information. The feedforward architecture
is characterized as the most appropriate model for modeling a system, among the
main types of networks with this architecture is the multilayer perceptron with Backpropagation
training algorithm, which has applicability in the prediction of time series
and standards recognition. In this context, this work proposes a methodology to carry
out demand forecast in the short-term using real energy, demand and temperature data,
which demonstrate the characteristics of the demand curve profiles. Therefore, a model
with artificial multilayer perceptron neural networks is being using the scaled conjugate
gradient backpropagation (SCGB) training algorithm. The network is developed using
MATLABR
software, with Neural Network Toolbox tool (nntool) applied to create, train
and present data for analysis 24 hours ahead. For the forecast system tested, the results
showed the efficiency of the created ANN, and adequate forecast curves with satisfactory
MSE and MAPE error values. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | 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 demanda | por |
dc.subject | Sistema de energia | por |
dc.subject | Rede neural artificial | por |
dc.subject | Curto prazo | por |
dc.subject | Demand forecasting | eng |
dc.subject | Power system | eng |
dc.subject | Artificial neural network | eng |
dc.subject | Short-term | eng |
dc.title | Análise do efeito da temperatura na previsão de curto prazo da demanda de energia elétrica através de redes neurais | por |
dc.title.alternative | Artificial neural networks for evaluating the effect of temperature on short-term electricity demand forecasting | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Cachoeira do Sul, RS, Brasil | por |
dc.degree.graduation | Curso de Engenharia Elétrica | por |
dc.description.resumo | A previsão de demanda de energia elétrica é uma atividade de grande importância
e de caráter decisivo para a operação dos sistemas elétricos de potência. No horizonte de
curto prazo, as previsões de consumo de energia ocorrem a partir de minutos, horas e até
uma semana a frente e são analisados fatores climáticos que podem influenciar a demanda,
com isso obter o melhor perfil instantâneo da carga. Diversas técnicas são aplicadas para
previsão de carga, dentre estas, têm-se as redes neurais artificiais, que são sistemas de
inteligência computacional não lineares que operam como as redes neurais do cérebro humano
e reproduzem características humanas, como generalização, associação, aprendizado
e abstração de informações. Na arquitetura feedforward, a rede perceptron de multicamadas
com o algoritmo de treinamento Backpropagation, possui aplicabilidade na previsão
de séries temporais e reconhecimento de padrões. Neste contexto, este trabalho propõe
a utilização de redes neurais artificiais (RNA), para realizar a previsão de demanda no
curto prazo empregando dados reais de consumo(kWh), demanda(kW) e temperatura(C),
que demostram as características da curva de demanda. Para tanto, elaborou-se testes
de previsão utilizando redes perceptron de múltiplas camadas, aplicando o algoritmo de
treinamento scaled conjugate gradient backpropagation (SCGB). A RNA é desenvolvida
no software MATLABR, com a ferramenta Neural Network Toolbox (nntool) aplicada
para criar, treinar e apresentar dados para análise de 24 horas á frente. Para o sistema
de previsão testado, os resultados demostraram a eficiência da RNA criada, e curvas de
previsão adequadas com valores de erros MSE e MAPE satisfatórios. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | UFSM Cachoeira do Sul | por |