[en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT

Detalhes bibliográficos
Autor(a) principal: ANA PAULA BARBOSA SOBRAL
Data de Publicação: 2005
Tipo de documento: Outros
Idioma: por
Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@2
http://doi.org/10.17771/PUCRio.acad.7464
Resumo: [pt] Nessa dissertação é desenvolvido um modelo de previsão de curto prazo para cargas horárias empregando informações climáticas. Tal modelo é montado para a companhia de eletricidade LIGHT. O modelo proposto combina diferentes metodologias, são elas: Redes Neurais, Métodos Estatísticos e Lógica Nebulosa. Primeiramente, emprega-se o Mapa Auto-Organizável de Kohonen para identificar as curvas típicas de carga que são incluídas em um modelo de previsão estatística. Com intuito de melhorar o desempenho do modelo em termos do erro de previsão é adicionado, através de Lógica Nebulosa, o efeito da temperatura na carga. Por fim, é montado um procedimento com alguns conceitos de Lógica Nebulosa para identificar o tipo de curva de carga do dia a ser previsto.
id PUC_RIO-1_9948f45ff9cfacedc246a91d1f1f4f4f
oai_identifier_str oai:MAXWELL.puc-rio.br:7464
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str 534
spelling [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT [pt] MODELO DE PREVISÃO HORÁRIA DE CARGA ELÉTRICA PARA LIGHT [pt] REDE NEURAL[pt] METODOS ESTATISTICOS[pt] LOGICA FUZZY[en] NEURAL NETWORKS[en] STATISTICAL METHODS[en] FUZZY LOGIC[pt] Nessa dissertação é desenvolvido um modelo de previsão de curto prazo para cargas horárias empregando informações climáticas. Tal modelo é montado para a companhia de eletricidade LIGHT. O modelo proposto combina diferentes metodologias, são elas: Redes Neurais, Métodos Estatísticos e Lógica Nebulosa. Primeiramente, emprega-se o Mapa Auto-Organizável de Kohonen para identificar as curvas típicas de carga que são incluídas em um modelo de previsão estatística. Com intuito de melhorar o desempenho do modelo em termos do erro de previsão é adicionado, através de Lógica Nebulosa, o efeito da temperatura na carga. Por fim, é montado um procedimento com alguns conceitos de Lógica Nebulosa para identificar o tipo de curva de carga do dia a ser previsto. [en] In the dissertation a new model to short-term forecasting of hourly loads using weather information is developed. This model was developed for the electricity distributing utility LIGHT and it combines different methodologies, namely: Neural Networks, Statistical Methods and Fuzzy Logic. First, the Kohonen Self-Organizing Map makes the identification of the load curves profiles and these are included in the statistical model. In order to improve the performance of the model in terms of forecasting error, the effect of temperature on the load is inserted by means of Fuzzy Logic. Finally, a procedure with some concepts of Fuzzy Logic was established to identify the type of curve of the day to be forecasted. MAXWELLREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAANA PAULA BARBOSA SOBRAL2005-11-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/otherhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@2http://doi.org/10.17771/PUCRio.acad.7464porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2017-09-14T00:00:00Zoai:MAXWELL.puc-rio.br:7464Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342017-09-14T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false
dc.title.none.fl_str_mv [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
[pt] MODELO DE PREVISÃO HORÁRIA DE CARGA ELÉTRICA PARA LIGHT
title [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
spellingShingle [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
ANA PAULA BARBOSA SOBRAL
[pt] REDE NEURAL
[pt] METODOS ESTATISTICOS
[pt] LOGICA FUZZY
[en] NEURAL NETWORKS
[en] STATISTICAL METHODS
[en] FUZZY LOGIC
title_short [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
title_full [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
title_fullStr [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
title_full_unstemmed [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
title_sort [en] FORECASTING HOURLY ELECTRICITY LOAD FOR LIGHT
author ANA PAULA BARBOSA SOBRAL
author_facet ANA PAULA BARBOSA SOBRAL
author_role author
dc.contributor.none.fl_str_mv REINALDO CASTRO SOUZA
REINALDO CASTRO SOUZA
REINALDO CASTRO SOUZA
dc.contributor.author.fl_str_mv ANA PAULA BARBOSA SOBRAL
dc.subject.por.fl_str_mv [pt] REDE NEURAL
[pt] METODOS ESTATISTICOS
[pt] LOGICA FUZZY
[en] NEURAL NETWORKS
[en] STATISTICAL METHODS
[en] FUZZY LOGIC
topic [pt] REDE NEURAL
[pt] METODOS ESTATISTICOS
[pt] LOGICA FUZZY
[en] NEURAL NETWORKS
[en] STATISTICAL METHODS
[en] FUZZY LOGIC
description [pt] Nessa dissertação é desenvolvido um modelo de previsão de curto prazo para cargas horárias empregando informações climáticas. Tal modelo é montado para a companhia de eletricidade LIGHT. O modelo proposto combina diferentes metodologias, são elas: Redes Neurais, Métodos Estatísticos e Lógica Nebulosa. Primeiramente, emprega-se o Mapa Auto-Organizável de Kohonen para identificar as curvas típicas de carga que são incluídas em um modelo de previsão estatística. Com intuito de melhorar o desempenho do modelo em termos do erro de previsão é adicionado, através de Lógica Nebulosa, o efeito da temperatura na carga. Por fim, é montado um procedimento com alguns conceitos de Lógica Nebulosa para identificar o tipo de curva de carga do dia a ser previsto.
publishDate 2005
dc.date.none.fl_str_mv 2005-11-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/other
format other
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@2
http://doi.org/10.17771/PUCRio.acad.7464
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7464@2
http://doi.org/10.17771/PUCRio.acad.7464
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv MAXWELL
publisher.none.fl_str_mv MAXWELL
dc.source.none.fl_str_mv reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)
instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron:PUC_RIO
instname_str Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron_str PUC_RIO
institution PUC_RIO
reponame_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
collection Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository.name.fl_str_mv Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
repository.mail.fl_str_mv
_version_ 1814822555196850176

Registros relacionados