| spelling |
Eduardo Mazoni Andrade Marcal MendesLuis Antonio AguirreRoger Junio Campos2019-08-10T19:31:54Z2019-08-10T19:31:54Z2008-04-23http://hdl.handle.net/1843/BUOS-8CTETDO objetivo principal desta dissertação é estudar e aplicar métodos deprevisão de longo-prazo para previsão de consumo de energia elétrica em séries com tendências e ciclos utilizando apenas os regressores da série histórica. Foram realizados dois estudos de caso, o primeiro usando a série de consumo de energia da cidade de New England (USA), e o outro a série de consumo do Estado de Minas Gerais (Brasil). O trabalho aborda métodos de previsão bastantes disseminados no meio acadêmico e científico, a saber são eles: o modelo AutoRegressive Integrated Moving Average (ARIMA), Nonlinear AutoRegressive Integrated Moving Average (NARIMA), a Rede Neuro-Fuzzy (RNF) e a Rede Neural (RNA). Usando essas quatro representações a previsão de 60 passos à frente do consumo de energia é estimado. Como primeiro passo, foi definida qual técnica seria usada para separar as componentes das séries temporais. A metodologia usada foi proposta por Mohr (2005). A componente sazonal é estimada usando os modelos NARIMA, RNF e RNA, e os modelos obtidos são somados à componente de tendência resultando as estimativas do consumo. O modelo ARIMA é estimado usando a série temporal sem separar suas componentes. Os modelos são comparados usando os índices de desempenho: MPE, MAPE e RMSE. No caso do consumo do Estado de Minas Gerais, como a série temporal é composta por poucas observações, na previsão de 60 passos à frente a componente de tendência é aproximada por uma reta, e como não existem amostras para realizar a comparação, é realizada uma análise espectral das previsões juntamente com a série original de consumo. Os resultados obtidos para os dois estudos de caso mostram que os modelos ARIMA, NARIMA, RNF e RNA são ferramentas eficientes que podem auxiliar no planejamento e tomadas de decisões no setor elétricoThe main objective of this work is to study and to apply methods oflong-term load forecasting to time series with trends and cycles just using regressors of the historical series. Two case studies were accomplished, the first using the series of load of the city ofNewEngland (USA), and the other the series of load of the state of Minas Gerais (Brazil). The work approaches many forecasting methods well know in the academic and scientific field, such as: the model ARIMA, NARIMA, the Neuro-Fuzzy Network (NFN) and the Artificial Neural Network (ANN). Using those four representations the forecast of 60 steps ahead of the load is estimated. First of all, it was defined which technique would be used to separate the components of the temporary series. The chosen methodology was proposed by Mohr (2005). The seasonal component was adjusted using the models NARIMA, RNF and RNA, and the obtained models are added to the tendency component resulting the estimates of the load. The ARIMA model is esteemed using the time series without separating their components. The models are compared using the performance indices: MPE, MAPE and RMSE. In the case of the load of the State of Minas Gerais, as the time series is composed by few observations, in the forecast of 60 steps ahead, the trend component isapproximated by a straight line, and as there is no samples to accomplish the comparison, a spectral analysis of the forecasts is accomplished with the original series of load. The results to the two case studies show that the models ARIMA, NARIMA, RNF and RNA are ecient tools that can aid in the planning and sockets of decisions in the electric sectorUniversidade Federal de Minas GeraisUFMGEnergia elétrica Consumo PrevisãoEngenharia elétricaPrevisão longo-prazoARIMAConsumo de energiaNARIMASérie temporalNeuro-FuzzyRede NeuralPrevisão de séries temporais com aplicações a séries de consumo de energia elétricainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINAL290m.pdfapplication/pdf929778https://repositorio.ufmg.br/bitstream/1843/BUOS-8CTETD/1/290m.pdf37c9e40ba6ad5ca9b3e7dffdaa94aba1MD51TEXT290m.pdf.txt290m.pdf.txtExtracted texttext/plain152620https://repositorio.ufmg.br/bitstream/1843/BUOS-8CTETD/2/290m.pdf.txtcb7d9f146e0b913e18f266f3cba0f9efMD521843/BUOS-8CTETD2019-11-14 11:13:33.762oai:repositorio.ufmg.br:1843/BUOS-8CTETDRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T14:13:33Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|