Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo

Detalhes bibliográficos
Autor(a) principal: Ferro, Humberto Fioravante
Data de Publicação: 2007
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: http://repositorio.ufsc.br/xmlui/handle/123456789/90294
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Ciência da Computação
id UFSC_adf8393ffec6bd4b5e2aef0b73196cd4
oai_identifier_str oai:repositorio.ufsc.br:123456789/90294
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumoCiência da computaçãoSistemas de energia eletricaInteligencia artificialRedes neurais (Computação)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Ciência da ComputaçãoAs novas condi!"es do mercado de energia el#trica exigem que as concession$rias mantenham altos n%veis de qualidade nos seus sistemas. Isso se traduz em aspectos co-mo n%vel de carregamento, continuidade de fornecimento e, mais recentemente, atua!&o inteligente no mercado atacadista de energia. Neste contexto, as informa!"es atuais ou hist'ricas n&o s&o suficientes para subsidiar o processo decis'rio: # desej$vel conhecer as condi!"es do sistema no futuro, em especial a carga el#trica. Dada a complexidade t%pica dos sistemas el#tricos, diversos trabalhos apresentam solu!"es para a predi!&o de carga que se baseiam em sistemas inteligentes h%bridos. Entretanto, embora estes siste-mas sejam eficazes e assegurem uma precis&o maior do que a obtida com modelos b$si-cos, muitas vezes eles demandam um alto custo computacional. Esse custo torna-se es-pecialmente cr%tico na determina!&o da relev(ncia preditiva das vari$veis dispon%veis. Neste trabalho, # apresentado um m#todo de classifica!&o para os perfis de consumo que otimiza a sele!&o das vari$veis preditoras. Como os perfis de consumo s&o processos estoc$sticos variantes no tempo, as t#cnicas convencionais de extra!&o de caracter%sticas n&o s&o eficazes na sua representa!&o, formando padr"es inconsistentes. Por esta raz&o, # apresentada uma nova forma de representa!&o baseada no desempenho de regressores SVM )Support Vector Machine* que estimam a carga el#trica em fun!&o das diversas vari$veis com potencial preditivo. Esta t#cnica # validada mediante a inspe!&o do espa!o de caracter%sticas gerado, o qual forma grupamentos que compartilham os mesmos conjuntos de preditoras. In order to achieve high quality standards in electrical power systems, utility companies rely upon load forecasting to accomplish critical activities such as optimal dynamic dispatch and smart performance in the power wholesale market. Several works propose hybrid intelligent forecasting models to deal with the dynamic and non-linear characteristics of the load at a relatively high computational cost. While such approaches give emphasis to the forecasting itself, this work presents a procedure to detect similarities among distinct consumption profiles. Empirical results show that similar profiles share similar sets of relevant predictors. As finding similarities among profiles is less costly than finding the set of relevant predictors from scratch, a new parameter selection method is proposed. Such method is employed to build some neural forecasters with considerable improvement in the learning time.Florianópolis, SCWazlawick, Raul SidneiUniversidade Federal de Santa CatarinaFerro, Humberto Fioravante2012-10-23T08:12:44Z2012-10-23T08:12:44Z20072007info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis1 v.| grafs., tabs.application/pdf245142http://repositorio.ufsc.br/xmlui/handle/123456789/90294porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2013-05-02T23:37:11Zoai:repositorio.ufsc.br:123456789/90294Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732013-05-02T23:37:11Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
title Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
spellingShingle Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
Ferro, Humberto Fioravante
Ciência da computação
Sistemas de energia eletrica
Inteligencia artificial
Redes neurais (Computação)
title_short Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
title_full Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
title_fullStr Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
title_full_unstemmed Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
title_sort Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo
author Ferro, Humberto Fioravante
author_facet Ferro, Humberto Fioravante
author_role author
dc.contributor.none.fl_str_mv Wazlawick, Raul Sidnei
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Ferro, Humberto Fioravante
dc.subject.por.fl_str_mv Ciência da computação
Sistemas de energia eletrica
Inteligencia artificial
Redes neurais (Computação)
topic Ciência da computação
Sistemas de energia eletrica
Inteligencia artificial
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Ciência da Computação
publishDate 2007
dc.date.none.fl_str_mv 2007
2007
2012-10-23T08:12:44Z
2012-10-23T08:12:44Z
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 245142
http://repositorio.ufsc.br/xmlui/handle/123456789/90294
identifier_str_mv 245142
url http://repositorio.ufsc.br/xmlui/handle/123456789/90294
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.format.none.fl_str_mv 1 v.| grafs., tabs.
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC
publisher.none.fl_str_mv Florianópolis, SC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652233595682816

Registros relacionados