[en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT

Detalhes bibliográficos
Autor(a) principal: JOSE LEONARDO RIBEIRO MACRINI
Data de Publicação: 2005
Tipo de documento: Tese
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=7251&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7251&idi=2
http://doi.org/10.17771/PUCRio.acad.7251
Resumo: [pt] Nesta dissertação é desenvolvido um modelo de previsão de energia elétrica de curto prazo (previsão mensal) para o sistema elétrico no Brasil, em especial para as concessionárias dos sistemas interligados, através de um modelo de Redes Neurais que emprega um algoritmo de otimização camada a camada. O objetivo principal deste trabalho consiste em demonstrar que bons resultados preditivos podem ser alcançados com a utilização desse algoritmo para séries de energia elétrica e que esse método poderia fazer parte dos métodos de previsão que compõem o Sistema de Previsão de Carga (PREVCAR) do Operador Nacional do Sistema (ONS) a saber: modelo de Holt & Winters, modelo de Box & Jenkins, modelo de redes Neurais (backpropagation) e modelo de Lógica Fuzzy.
id PUC_RIO-1_b19c651edf904dbf7e54a295be16c117
oai_identifier_str oai:MAXWELL.puc-rio.br:7251
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str 534
spelling [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT[pt] MODELO DE PREVISÃO DE CARGA UTILIZANDO REDES NEURAIS: OTIMIZAÇÃO CAMADA A CAMADA[pt] REDE NEURAL[pt] PREVISAO[en] NEURAL NETWORKS[en] FORECASTING[pt] Nesta dissertação é desenvolvido um modelo de previsão de energia elétrica de curto prazo (previsão mensal) para o sistema elétrico no Brasil, em especial para as concessionárias dos sistemas interligados, através de um modelo de Redes Neurais que emprega um algoritmo de otimização camada a camada. O objetivo principal deste trabalho consiste em demonstrar que bons resultados preditivos podem ser alcançados com a utilização desse algoritmo para séries de energia elétrica e que esse método poderia fazer parte dos métodos de previsão que compõem o Sistema de Previsão de Carga (PREVCAR) do Operador Nacional do Sistema (ONS) a saber: modelo de Holt & Winters, modelo de Box & Jenkins, modelo de redes Neurais (backpropagation) e modelo de Lógica Fuzzy.[en] It is developed in this essay a short forecast electric energy model (monthly forecast) to the electric system in Brazil, particularly to interconnected systems utilities, through a neural network model, which employs a layer by layer improvement algorithm. The aim of this proposition consists in demonstrating that good forecast results can be reached with the use this algorithm to electric energy series and that this method could be part of the forecast methods, wich compose the Load Forecasting System (PREVCAR) of National System model (backpropagation) and Fuzzy logic model. MAXWELLREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAJOSE LEONARDO RIBEIRO MACRINI2005-10-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7251&idi=1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7251&idi=2http://doi.org/10.17771/PUCRio.acad.7251porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2022-08-25T00:00:00Zoai:MAXWELL.puc-rio.br:7251Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342022-08-25T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false
dc.title.none.fl_str_mv [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
[pt] MODELO DE PREVISÃO DE CARGA UTILIZANDO REDES NEURAIS: OTIMIZAÇÃO CAMADA A CAMADA
title [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
spellingShingle [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
JOSE LEONARDO RIBEIRO MACRINI
[pt] REDE NEURAL
[pt] PREVISAO
[en] NEURAL NETWORKS
[en] FORECASTING
title_short [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
title_full [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
title_fullStr [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
title_full_unstemmed [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
title_sort [en] FORECAST LOAD MODEL USING NEURAL NETWORK: LAYER BY LAYER IMPROVEMENT
author JOSE LEONARDO RIBEIRO MACRINI
author_facet JOSE LEONARDO RIBEIRO MACRINI
author_role author
dc.contributor.none.fl_str_mv REINALDO CASTRO SOUZA
REINALDO CASTRO SOUZA
REINALDO CASTRO SOUZA
dc.contributor.author.fl_str_mv JOSE LEONARDO RIBEIRO MACRINI
dc.subject.por.fl_str_mv [pt] REDE NEURAL
[pt] PREVISAO
[en] NEURAL NETWORKS
[en] FORECASTING
topic [pt] REDE NEURAL
[pt] PREVISAO
[en] NEURAL NETWORKS
[en] FORECASTING
description [pt] Nesta dissertação é desenvolvido um modelo de previsão de energia elétrica de curto prazo (previsão mensal) para o sistema elétrico no Brasil, em especial para as concessionárias dos sistemas interligados, através de um modelo de Redes Neurais que emprega um algoritmo de otimização camada a camada. O objetivo principal deste trabalho consiste em demonstrar que bons resultados preditivos podem ser alcançados com a utilização desse algoritmo para séries de energia elétrica e que esse método poderia fazer parte dos métodos de previsão que compõem o Sistema de Previsão de Carga (PREVCAR) do Operador Nacional do Sistema (ONS) a saber: modelo de Holt & Winters, modelo de Box & Jenkins, modelo de redes Neurais (backpropagation) e modelo de Lógica Fuzzy.
publishDate 2005
dc.date.none.fl_str_mv 2005-10-13
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7251&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7251&idi=2
http://doi.org/10.17771/PUCRio.acad.7251
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7251&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7251&idi=2
http://doi.org/10.17771/PUCRio.acad.7251
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_ 1817789435098431488

Registros relacionados