Previsão de carga através de modelos neuro-fuzzy
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/9937 |
Resumo: | Este projeto de graduação apresenta um modelo de previsão de carga de sistemas de energia elétrica utilizando de forma combinada Redes Neurais Artificiais e Lógica Fuzzy. Ao longo do trabalho são apresentados os fundamentos dessas duas técnicas de inteligência computacional, assim como a utilização de ambas na metodologia proposta. A partir de dados de carga históricos e outras informações como as datas de feriados e finais de semana, são realizadas separadamente previsões de ponta de carga e perfil de carga. São descritos de forma detalhada os dados de entrada, a estrutura do modelo proposto e também os ajustes realizados nos parâmetros do modelo a fim de obter-se uma maior qualidade na previsão. A programação do modelo, o tratamento de dados e avaliação do resultado foram realizados através do software MATLAB. |
id |
UFRJ_533dfd35646b3960efeac5e4b8d62b40 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/9937 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Almeida, Victor Andrade dePessanha, José Francisco MoreiraOumar, DieneAssis, Tatiana Mariano Lessa de2019-10-09T10:54:22Z2023-11-30T03:01:13Z2013-08http://hdl.handle.net/11422/9937Submitted by Moreno Barros (moreno@ct.ufrj.br) on 2019-09-23T18:32:55Z No. of bitstreams: 1 monopoli10007620.pdf: 2428862 bytes, checksum: d713980aabf49e70e93a3c6e932b44ee (MD5)Approved for entry into archive by Moreno Barros (moreno@ct.ufrj.br) on 2019-10-09T10:54:22Z (GMT) No. of bitstreams: 1 monopoli10007620.pdf: 2428862 bytes, checksum: d713980aabf49e70e93a3c6e932b44ee (MD5)Made available in DSpace on 2019-10-09T10:54:22Z (GMT). No. of bitstreams: 1 monopoli10007620.pdf: 2428862 bytes, checksum: d713980aabf49e70e93a3c6e932b44ee (MD5) Previous issue date: 2013-08Este projeto de graduação apresenta um modelo de previsão de carga de sistemas de energia elétrica utilizando de forma combinada Redes Neurais Artificiais e Lógica Fuzzy. Ao longo do trabalho são apresentados os fundamentos dessas duas técnicas de inteligência computacional, assim como a utilização de ambas na metodologia proposta. A partir de dados de carga históricos e outras informações como as datas de feriados e finais de semana, são realizadas separadamente previsões de ponta de carga e perfil de carga. São descritos de forma detalhada os dados de entrada, a estrutura do modelo proposto e também os ajustes realizados nos parâmetros do modelo a fim de obter-se uma maior qualidade na previsão. A programação do modelo, o tratamento de dados e avaliação do resultado foram realizados através do software MATLAB.porUniversidade Federal do Rio de JaneiroUFRJBrasilEscola PolitécnicaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAPrevisão de CargaRedes NeuraisLógica FuzzyPrevisão de carga através de modelos neuro-fuzzyinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJORIGINALmonopoli10007620.pdfmonopoli10007620.pdfapplication/pdf2428862http://pantheon.ufrj.br:80/bitstream/11422/9937/1/monopoli10007620.pdfd713980aabf49e70e93a3c6e932b44eeMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/9937/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD5211422/99372023-11-30 00:01:13.713oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:01:13Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Previsão de carga através de modelos neuro-fuzzy |
title |
Previsão de carga através de modelos neuro-fuzzy |
spellingShingle |
Previsão de carga através de modelos neuro-fuzzy Almeida, Victor Andrade de CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Previsão de Carga Redes Neurais Lógica Fuzzy |
title_short |
Previsão de carga através de modelos neuro-fuzzy |
title_full |
Previsão de carga através de modelos neuro-fuzzy |
title_fullStr |
Previsão de carga através de modelos neuro-fuzzy |
title_full_unstemmed |
Previsão de carga através de modelos neuro-fuzzy |
title_sort |
Previsão de carga através de modelos neuro-fuzzy |
author |
Almeida, Victor Andrade de |
author_facet |
Almeida, Victor Andrade de |
author_role |
author |
dc.contributor.advisorCo1.none.fl_str_mv |
Pessanha, José Francisco Moreira |
dc.contributor.author.fl_str_mv |
Almeida, Victor Andrade de |
dc.contributor.referee1.fl_str_mv |
Oumar, Diene |
dc.contributor.advisor1.fl_str_mv |
Assis, Tatiana Mariano Lessa de |
contributor_str_mv |
Oumar, Diene Assis, Tatiana Mariano Lessa de |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Previsão de Carga Redes Neurais Lógica Fuzzy |
dc.subject.por.fl_str_mv |
Previsão de Carga Redes Neurais Lógica Fuzzy |
description |
Este projeto de graduação apresenta um modelo de previsão de carga de sistemas de energia elétrica utilizando de forma combinada Redes Neurais Artificiais e Lógica Fuzzy. Ao longo do trabalho são apresentados os fundamentos dessas duas técnicas de inteligência computacional, assim como a utilização de ambas na metodologia proposta. A partir de dados de carga históricos e outras informações como as datas de feriados e finais de semana, são realizadas separadamente previsões de ponta de carga e perfil de carga. São descritos de forma detalhada os dados de entrada, a estrutura do modelo proposto e também os ajustes realizados nos parâmetros do modelo a fim de obter-se uma maior qualidade na previsão. A programação do modelo, o tratamento de dados e avaliação do resultado foram realizados através do software MATLAB. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-08 |
dc.date.accessioned.fl_str_mv |
2019-10-09T10:54:22Z |
dc.date.available.fl_str_mv |
2023-11-30T03:01:13Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/9937 |
url |
http://hdl.handle.net/11422/9937 |
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 do Rio de Janeiro |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola Politécnica |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/9937/1/monopoli10007620.pdf http://pantheon.ufrj.br:80/bitstream/11422/9937/2/license.txt |
bitstream.checksum.fl_str_mv |
d713980aabf49e70e93a3c6e932b44ee dd32849f2bfb22da963c3aac6e26e255 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097158872432640 |