Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo

Detalhes bibliográficos
Autor(a) principal: Guilhermino Neto, Guilherme
Data de Publicação: 2014
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFJF
Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/3511
Resumo: Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle da produção em sistemas de energia elétrica. Como não é viável manter estoques de segurança para compensar demandas inesperadas, a programação da geração é baseada em previsões feitas com antecedência de algumas horas. Ao longo dos anos, muitos métodos foram testados para a resolução do problema. Dentre os mais populares estão os univariados, em que a demanda é escrita como uma função linear de seu comportamento histórico e prevista por técnicas estatísticas. Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear de variáveis climáticas, como a temperatura do ar, sobre o comportamento do consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência computacional, como as redes neurais artificiais. Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para serem percebidos. Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro. Para estes dados, mostramos que é possível obter, por meio de um simples previsor linear univariado (um modelo de curva de carga cuja componente-padrão é prevista pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos computacionais.
id UFJF_9cb0c76d021e425ae1618a224cdee98e
oai_identifier_str oai:hermes.cpd.ufjf.br:ufjf/3511
network_acronym_str UFJF
network_name_str Repositório Institucional da UFJF
repository_id_str
spelling Hippert, Henrique Steinherzhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4782250Z1Vieira, Marcel de Toledohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4763809U0Falco, Glaucia de Paulahttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4126696P8http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4388409Z9Guilhermino Neto, Guilherme2017-03-06T19:39:48Z2017-03-022017-03-06T19:39:48Z2014-08-20https://repositorio.ufjf.br/jspui/handle/ufjf/3511Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle da produção em sistemas de energia elétrica. Como não é viável manter estoques de segurança para compensar demandas inesperadas, a programação da geração é baseada em previsões feitas com antecedência de algumas horas. Ao longo dos anos, muitos métodos foram testados para a resolução do problema. Dentre os mais populares estão os univariados, em que a demanda é escrita como uma função linear de seu comportamento histórico e prevista por técnicas estatísticas. Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear de variáveis climáticas, como a temperatura do ar, sobre o comportamento do consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência computacional, como as redes neurais artificiais. Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para serem percebidos. Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro. Para estes dados, mostramos que é possível obter, por meio de um simples previsor linear univariado (um modelo de curva de carga cuja componente-padrão é prevista pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos computacionais.Short-term demand forecasts a are vital part of the production plan and control on electrical power systems. As it is not possible to keep large inventories to meet sudden demand increases, the generation scheduling is based on forecasts made for some hours ahead. Throughout the years, many methods have been proposed in order to solve the problem. Among the most popular are the univariate ones, on which the demand is written as a linear function of its historical behavior and forecast by statistical techniques. It is also common to use multivariate methods, which take into account also the nonlinear effects produced on the demand by weather-related variables, such as the air temperature. For this case, recent papers suggest the use of computational intelligence devices, such as artificial neural networks. Although some authors claim that multivariate methods must be considered, some others state that, on a short-run (lead-times up to a few hours), adding weather-related variables brings little benefits, because its effects might take a longer time to affect the demand. On this work, we experiment a large amount of univariate and multivariate methods aiming to compare its performance over a dataset from the city of Rio de Janeiro. For these data, we show that is possible to obtain, via a simple linear univariate method (a load curve model where the standard load is forecast by the Holt-Winters-Taylor smoothing), results that are close enough to those achieved by more complex techniques, but bringing the advantages of more robustness, parsimony and computational economy.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Modelagem ComputacionalUFJFBrasilICE – Instituto de Ciências ExatasCNPQ::CIENCIAS EXATAS E DA TERRAPrevisão de demandaEnergia elétricaAmortecimento exponencialRedes neuraisLoad forecastingElectrical energyExponential smoothingNeural networksMétodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFTEXTguilhermeguilherminoneto.pdf.txtguilhermeguilherminoneto.pdf.txtExtracted texttext/plain102908https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/3/guilhermeguilherminoneto.pdf.txteb88b09251eb1288527a4afe97e4f51cMD53THUMBNAILguilhermeguilherminoneto.pdf.jpgguilhermeguilherminoneto.pdf.jpgGenerated Thumbnailimage/jpeg1187https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/4/guilhermeguilherminoneto.pdf.jpg59f0edbde82e43b9da3db3d2d5d51685MD54ORIGINALguilhermeguilherminoneto.pdfguilhermeguilherminoneto.pdfapplication/pdf1186805https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/1/guilhermeguilherminoneto.pdfc3c46b18aeea88b1e1d4b4fa3d1a36e5MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82197https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/2/license.txt000e18a5aee6ca21bb5811ddf55fc37bMD52ufjf/35112019-11-07 11:09:48.73oai:hermes.cpd.ufjf.br:ufjf/3511TElDRU7vv71BIERFIERJU1RSSUJVSe+/ve+/vU8gTu+/vU8tRVhDTFVTSVZBCgpDb20gYSBhcHJlc2VudGHvv73vv71vIGRlc3RhIGxpY2Vu77+9YSwgdm9j77+9IChvIGF1dG9yIChlcykgb3UgbyB0aXR1bGFyIGRvcyBkaXJlaXRvcyBkZSBhdXRvcikgY29uY2VkZSBhbyBSZXBvc2l077+9cmlvIApJbnN0aXR1Y2lvbmFsIGRhIFVuaXZlcnNpZGFkZSBGZWRlcmFsIGRlIEp1aXogZGUgRm9yYSBvIGRpcmVpdG8gbu+/vW8tZXhjbHVzaXZvIGRlIHJlcHJvZHV6aXIsIHRyYWR1emlyIChjb25mb3JtZSBkZWZpbmlkbyBhYmFpeG8pLCBlL291IGRpc3RyaWJ1aXIgYSBzdWEgcHVibGljYe+/ve+/vW8gKGluY2x1aW5kbyBvIHJlc3VtbykgcG9yIHRvZG8gbyBtdW5kbyBubyBmb3JtYXRvIGltcHJlc3NvIGUgZWxldHLvv71uaWNvIGUgZW0gcXVhbHF1ZXIgbWVpbywgaW5jbHVpbmRvIG9zIGZvcm1hdG9zIO+/vXVkaW8gb3Ugdu+/vWRlby4KClZvY++/vSBjb25jb3JkYSBxdWUgbyBSZXBvc2l077+9cmlvIEluc3RpdHVjaW9uYWwgZGEgVW5pdmVyc2lkYWRlIEZlZGVyYWwgZGUgSnVpeiBkZSBGb3JhIHBvZGUsIHNlbSBhbHRlcmFyIG8gY29udGXvv71kbywgdHJhbnNwb3IgYSBzdWEgcHVibGljYe+/ve+/vW8gcGFyYSBxdWFscXVlciBtZWlvIG91IGZvcm1hdG8gcGFyYSBmaW5zIGRlIHByZXNlcnZh77+977+9by4gVm9j77+9IHRhbWLvv71tIGNvbmNvcmRhIHF1ZSBvIFJlcG9zaXTvv71yaW8gSW5zdGl0dWNpb25hbCBkYSBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkZSBKdWl6IGRlIEZvcmEgcG9kZSBtYW50ZXIgbWFpcyBkZSB1bWEgY++/vXBpYSBkZSBzdWEgcHVibGljYe+/ve+/vW8gcGFyYSBmaW5zIGRlIHNlZ3VyYW7vv71hLCBiYWNrLXVwIGUgcHJlc2VydmHvv73vv71vLiBWb2Pvv70gZGVjbGFyYSBxdWUgYSBzdWEgcHVibGljYe+/ve+/vW8g77+9IG9yaWdpbmFsIGUgcXVlIHZvY++/vSB0ZW0gbyBwb2RlciBkZSBjb25jZWRlciBvcyBkaXJlaXRvcyBjb250aWRvcyBuZXN0YSBsaWNlbu+/vWEuIFZvY++/vSB0YW1i77+9bSBkZWNsYXJhIHF1ZSBvIGRlcO+/vXNpdG8gZGEgc3VhIHB1YmxpY2Hvv73vv71vIG7vv71vLCBxdWUgc2VqYSBkZSBzZXUgY29uaGVjaW1lbnRvLCBpbmZyaW5nZSBkaXJlaXRvcyBhdXRvcmFpcyBkZSBuaW5nde+/vW0uCgpDYXNvIGEgc3VhIHB1YmxpY2Hvv73vv71vIGNvbnRlbmhhIG1hdGVyaWFsIHF1ZSB2b2Pvv70gbu+/vW8gcG9zc3VpIGEgdGl0dWxhcmlkYWRlIGRvcyBkaXJlaXRvcyBhdXRvcmFpcywgdm9j77+9IGRlY2xhcmEgcXVlIG9idGV2ZSBhIHBlcm1pc3Pvv71vIGlycmVzdHJpdGEgZG8gZGV0ZW50b3IgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIHBhcmEgY29uY2VkZXIgYW8gUmVwb3NpdO+/vXJpbyBJbnN0aXR1Y2lvbmFsIGRhIFVuaXZlcnNpZGFkZSBGZWRlcmFsIGRlIEp1aXogZGUgRm9yYSBvcyBkaXJlaXRvcyBhcHJlc2VudGFkb3MgbmVzdGEgbGljZW7vv71hLCBlIHF1ZSBlc3NlIG1hdGVyaWFsIGRlIHByb3ByaWVkYWRlIGRlIHRlcmNlaXJvcyBlc3Tvv70gY2xhcmFtZW50ZSBpZGVudGlmaWNhZG8gZSByZWNvbmhlY2lkbyBubyB0ZXh0byBvdSBubyBjb250Ze+/vWRvIGRhIHB1YmxpY2Hvv73vv71vIG9yYSBkZXBvc2l0YWRhLgoKQ0FTTyBBIFBVQkxJQ0Hvv73vv71PIE9SQSBERVBPU0lUQURBIFRFTkhBIFNJRE8gUkVTVUxUQURPIERFIFVNIFBBVFJPQ++/vU5JTyBPVSBBUE9JTyBERSBVTUEgQUfvv71OQ0lBIERFIEZPTUVOVE8gT1UgT1VUUk8gT1JHQU5JU01PLCBWT0Pvv70gREVDTEFSQSBRVUUgUkVTUEVJVE9VIFRPRE9TIEUgUVVBSVNRVUVSIERJUkVJVE9TIERFIFJFVklT77+9TyBDT01PIFRBTULvv71NIEFTIERFTUFJUyBPQlJJR0Hvv73vv71FUyBFWElHSURBUyBQT1IgQ09OVFJBVE8gT1UgQUNPUkRPLgoKTyBSZXBvc2l077+9cmlvIEluc3RpdHVjaW9uYWwgZGEgVW5pdmVyc2lkYWRlIEZlZGVyYWwgZGUgSnVpeiBkZSBGb3JhIHNlIGNvbXByb21ldGUgYSBpZGVudGlmaWNhciBjbGFyYW1lbnRlIG8gc2V1IG5vbWUgKHMpIG91IG8ocykgbm9tZShzKSBkbyhzKSBkZXRlbnRvcihlcykgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIGRhIHB1YmxpY2Hvv73vv71vLCBlIG7vv71vIGZhcu+/vSBxdWFscXVlciBhbHRlcmHvv73vv71vLCBhbO+/vW0gZGFxdWVsYXMgY29uY2VkaWRhcyBwb3IgZXN0YSBsaWNlbu+/vWEuCg==Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2019-11-07T13:09:48Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false
dc.title.pt_BR.fl_str_mv Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
title Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
spellingShingle Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
Guilhermino Neto, Guilherme
CNPQ::CIENCIAS EXATAS E DA TERRA
Previsão de demanda
Energia elétrica
Amortecimento exponencial
Redes neurais
Load forecasting
Electrical energy
Exponential smoothing
Neural networks
title_short Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
title_full Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
title_fullStr Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
title_full_unstemmed Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
title_sort Métodos univariados e multivariados para previsão da demanda de energia elétrica em curto prazo: um estudo comparativo
author Guilhermino Neto, Guilherme
author_facet Guilhermino Neto, Guilherme
author_role author
dc.contributor.advisor1.fl_str_mv Hippert, Henrique Steinherz
dc.contributor.advisor1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4782250Z1
dc.contributor.referee1.fl_str_mv Vieira, Marcel de Toledo
dc.contributor.referee1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4763809U0
dc.contributor.referee2.fl_str_mv Falco, Glaucia de Paula
dc.contributor.referee2Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4126696P8
dc.contributor.authorLattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4388409Z9
dc.contributor.author.fl_str_mv Guilhermino Neto, Guilherme
contributor_str_mv Hippert, Henrique Steinherz
Vieira, Marcel de Toledo
Falco, Glaucia de Paula
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS EXATAS E DA TERRA
topic CNPQ::CIENCIAS EXATAS E DA TERRA
Previsão de demanda
Energia elétrica
Amortecimento exponencial
Redes neurais
Load forecasting
Electrical energy
Exponential smoothing
Neural networks
dc.subject.por.fl_str_mv Previsão de demanda
Energia elétrica
Amortecimento exponencial
Redes neurais
Load forecasting
Electrical energy
Exponential smoothing
Neural networks
description Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle da produção em sistemas de energia elétrica. Como não é viável manter estoques de segurança para compensar demandas inesperadas, a programação da geração é baseada em previsões feitas com antecedência de algumas horas. Ao longo dos anos, muitos métodos foram testados para a resolução do problema. Dentre os mais populares estão os univariados, em que a demanda é escrita como uma função linear de seu comportamento histórico e prevista por técnicas estatísticas. Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear de variáveis climáticas, como a temperatura do ar, sobre o comportamento do consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência computacional, como as redes neurais artificiais. Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para serem percebidos. Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro. Para estes dados, mostramos que é possível obter, por meio de um simples previsor linear univariado (um modelo de curva de carga cuja componente-padrão é prevista pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos computacionais.
publishDate 2014
dc.date.issued.fl_str_mv 2014-08-20
dc.date.accessioned.fl_str_mv 2017-03-06T19:39:48Z
dc.date.available.fl_str_mv 2017-03-02
2017-03-06T19:39:48Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufjf.br/jspui/handle/ufjf/3511
url https://repositorio.ufjf.br/jspui/handle/ufjf/3511
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 Universidade Federal de Juiz de Fora (UFJF)
dc.publisher.program.fl_str_mv Programa de Pós-graduação em Modelagem Computacional
dc.publisher.initials.fl_str_mv UFJF
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv ICE – Instituto de Ciências Exatas
publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFJF
instname:Universidade Federal de Juiz de Fora (UFJF)
instacron:UFJF
instname_str Universidade Federal de Juiz de Fora (UFJF)
instacron_str UFJF
institution UFJF
reponame_str Repositório Institucional da UFJF
collection Repositório Institucional da UFJF
bitstream.url.fl_str_mv https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/3/guilhermeguilherminoneto.pdf.txt
https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/4/guilhermeguilherminoneto.pdf.jpg
https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/1/guilhermeguilherminoneto.pdf
https://repositorio.ufjf.br/jspui/bitstream/ufjf/3511/2/license.txt
bitstream.checksum.fl_str_mv eb88b09251eb1288527a4afe97e4f51c
59f0edbde82e43b9da3db3d2d5d51685
c3c46b18aeea88b1e1d4b4fa3d1a36e5
000e18a5aee6ca21bb5811ddf55fc37b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)
repository.mail.fl_str_mv
_version_ 1813193901747470336