Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores
Autor(a) principal: | |
---|---|
Data de Publicação: | 2006 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMS |
Texto Completo: | https://repositorio.ufms.br/handle/123456789/661 |
Resumo: | O objetivo deste trabalho é descrever uma metodologia, baseada em Inteligencia Artificial, para estimar a curva diária de demanda de consumidores de baixa tensão, em uma empresa de energia elétrica. Essa metodologia utiliza os Mapas Auto-Organizáveis (SOM) e os Conjuntos Aproximados para estimativa. Os primeiros são usados para definir as curvas de protó tipos que representam o espaço de possibilidades das curvas dos consumidores e, também, para encontrar os agrupamentos e suas curvas representativas. As curvas medidas, pertencentes a cada agrupamento, são agregadas e resultam em uma outra, a curva tipica, acompanhada da curva de desvio padrão, passando, então, a representar o agrupamento. Os Conjuntos Aproximados são usados, seguidamente, para classificar cada consumidor a uma curva tipica, com base em algumas caracteristicas existentes no banco de dados da Empresa, como: consumo mensal, tipo de consumidor, número de fases. Esses atributos servem de dados de entrada para obter as regras de classificação. A validação da metodologia foi alcançada por meio de uma amostra de medições de transformadores. Os resultados encontrados foram satisfatórios e mostraram que a metodologia é aplicável a esse tipo de problema. A metodologia foi incorporada a alguns sistemas computacionais da Empresa, como suporte à decisão de investimento e, também, para análise das perdas elétricas. |
id |
UFMS_8dc79ffafc2452fe52326948339428d2 |
---|---|
oai_identifier_str |
oai:repositorio.ufms.br:123456789/661 |
network_acronym_str |
UFMS |
network_name_str |
Repositório Institucional da UFMS |
repository_id_str |
2124 |
spelling |
2011-10-28T11:12:38Z2021-09-30T19:57:43Z2006https://repositorio.ufms.br/handle/123456789/661O objetivo deste trabalho é descrever uma metodologia, baseada em Inteligencia Artificial, para estimar a curva diária de demanda de consumidores de baixa tensão, em uma empresa de energia elétrica. Essa metodologia utiliza os Mapas Auto-Organizáveis (SOM) e os Conjuntos Aproximados para estimativa. Os primeiros são usados para definir as curvas de protó tipos que representam o espaço de possibilidades das curvas dos consumidores e, também, para encontrar os agrupamentos e suas curvas representativas. As curvas medidas, pertencentes a cada agrupamento, são agregadas e resultam em uma outra, a curva tipica, acompanhada da curva de desvio padrão, passando, então, a representar o agrupamento. Os Conjuntos Aproximados são usados, seguidamente, para classificar cada consumidor a uma curva tipica, com base em algumas caracteristicas existentes no banco de dados da Empresa, como: consumo mensal, tipo de consumidor, número de fases. Esses atributos servem de dados de entrada para obter as regras de classificação. A validação da metodologia foi alcançada por meio de uma amostra de medições de transformadores. Os resultados encontrados foram satisfatórios e mostraram que a metodologia é aplicável a esse tipo de problema. A metodologia foi incorporada a alguns sistemas computacionais da Empresa, como suporte à decisão de investimento e, também, para análise das perdas elétricas.The objective of this work is to describe an artificial intelligence based methodology to estimate the daily demand curve of low voltage electrical energy consumers of a electricity distribution company. This methodology uses SOM - Self-Organizing Maps and Rough Sets to do the estimation. The SOM is used find a set of curves prototypes, which represents the space of possible curves of the consumers, and also to find the clusters of such curve space. The curves inside of each cluster are then statistically aggregated resulting in a unique curve, the so called typical curve, which is used to represent such cluster. In its turn, Rough Sets is used to classify each costumer to a typical curve based in some of its features existing in the electricity distribution company database. Costumers' features such as monthly bill, consumer type, number of phases, and so on are used as inputs in order to do the classification. The methodology validation was achieved through out transformer samples. The results found were satisfactory and demonstrate that the methodology is applicable to this type of problem. This methodology was incorporated some computational systems of the Company as it has also support the decision of investment and for analysis of the electric losses.porInteligência ArtificialConsumo de Energia ElétricaEnergia ElétricaEngenharia ElétricaDeterminação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidoresData mining in distribution consumer database using rough sets and selforganizing mapsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPinto, João Onofre PereiraCerchiari, Sérgio Carminiinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSTHUMBNAILSérgio Carmini Cerchiari.pdf.jpgSérgio Carmini Cerchiari.pdf.jpgGenerated Thumbnailimage/jpeg1303https://repositorio.ufms.br/bitstream/123456789/661/4/S%c3%a9rgio%20Carmini%20Cerchiari.pdf.jpg718aeb21e0531cdd26512c8b549e5d80MD54TEXTSérgio Carmini Cerchiari.pdf.txtSérgio Carmini Cerchiari.pdf.txtExtracted texttext/plain291368https://repositorio.ufms.br/bitstream/123456789/661/3/S%c3%a9rgio%20Carmini%20Cerchiari.pdf.txt404dab57b8d65115f9d27bb16d749d3cMD53ORIGINALSérgio Carmini Cerchiari.pdfSérgio Carmini Cerchiari.pdfapplication/pdf3129277https://repositorio.ufms.br/bitstream/123456789/661/1/S%c3%a9rgio%20Carmini%20Cerchiari.pdfc40bdc3f4f1fa3018a029d9361a78f69MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufms.br/bitstream/123456789/661/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/6612021-09-30 15:57:43.257oai:repositorio.ufms.br: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Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242021-09-30T19:57:43Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false |
dc.title.pt_BR.fl_str_mv |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores |
dc.title.alternative.pt_BR.fl_str_mv |
Data mining in distribution consumer database using rough sets and selforganizing maps |
title |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores |
spellingShingle |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores Cerchiari, Sérgio Carmini Inteligência Artificial Consumo de Energia Elétrica Energia Elétrica Engenharia Elétrica |
title_short |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores |
title_full |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores |
title_fullStr |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores |
title_full_unstemmed |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores |
title_sort |
Determinação de curvas tipicas de demanda de consumidores de baixa tensão utilizando mapas auto-organizáveis (som) para agrupamentos e conjuntos aproximados para classificação de consumidores |
author |
Cerchiari, Sérgio Carmini |
author_facet |
Cerchiari, Sérgio Carmini |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Pinto, João Onofre Pereira |
dc.contributor.author.fl_str_mv |
Cerchiari, Sérgio Carmini |
contributor_str_mv |
Pinto, João Onofre Pereira |
dc.subject.por.fl_str_mv |
Inteligência Artificial Consumo de Energia Elétrica Energia Elétrica Engenharia Elétrica |
topic |
Inteligência Artificial Consumo de Energia Elétrica Energia Elétrica Engenharia Elétrica |
description |
O objetivo deste trabalho é descrever uma metodologia, baseada em Inteligencia Artificial, para estimar a curva diária de demanda de consumidores de baixa tensão, em uma empresa de energia elétrica. Essa metodologia utiliza os Mapas Auto-Organizáveis (SOM) e os Conjuntos Aproximados para estimativa. Os primeiros são usados para definir as curvas de protó tipos que representam o espaço de possibilidades das curvas dos consumidores e, também, para encontrar os agrupamentos e suas curvas representativas. As curvas medidas, pertencentes a cada agrupamento, são agregadas e resultam em uma outra, a curva tipica, acompanhada da curva de desvio padrão, passando, então, a representar o agrupamento. Os Conjuntos Aproximados são usados, seguidamente, para classificar cada consumidor a uma curva tipica, com base em algumas caracteristicas existentes no banco de dados da Empresa, como: consumo mensal, tipo de consumidor, número de fases. Esses atributos servem de dados de entrada para obter as regras de classificação. A validação da metodologia foi alcançada por meio de uma amostra de medições de transformadores. Os resultados encontrados foram satisfatórios e mostraram que a metodologia é aplicável a esse tipo de problema. A metodologia foi incorporada a alguns sistemas computacionais da Empresa, como suporte à decisão de investimento e, também, para análise das perdas elétricas. |
publishDate |
2006 |
dc.date.issued.fl_str_mv |
2006 |
dc.date.accessioned.fl_str_mv |
2011-10-28T11:12:38Z |
dc.date.available.fl_str_mv |
2021-09-30T19:57:43Z |
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.ufms.br/handle/123456789/661 |
url |
https://repositorio.ufms.br/handle/123456789/661 |
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.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMS instname:Universidade Federal de Mato Grosso do Sul (UFMS) instacron:UFMS |
instname_str |
Universidade Federal de Mato Grosso do Sul (UFMS) |
instacron_str |
UFMS |
institution |
UFMS |
reponame_str |
Repositório Institucional da UFMS |
collection |
Repositório Institucional da UFMS |
bitstream.url.fl_str_mv |
https://repositorio.ufms.br/bitstream/123456789/661/4/S%c3%a9rgio%20Carmini%20Cerchiari.pdf.jpg https://repositorio.ufms.br/bitstream/123456789/661/3/S%c3%a9rgio%20Carmini%20Cerchiari.pdf.txt https://repositorio.ufms.br/bitstream/123456789/661/1/S%c3%a9rgio%20Carmini%20Cerchiari.pdf https://repositorio.ufms.br/bitstream/123456789/661/2/license.txt |
bitstream.checksum.fl_str_mv |
718aeb21e0531cdd26512c8b549e5d80 404dab57b8d65115f9d27bb16d749d3c c40bdc3f4f1fa3018a029d9361a78f69 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS) |
repository.mail.fl_str_mv |
ri.prograd@ufms.br |
_version_ |
1807552858858455040 |