Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos

Detalhes bibliográficos
Autor(a) principal: Leone Filho, Marcos de Almeida
Data de Publicação: 2006
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1604346
Resumo: Orientador: Takaaki Ohishi
id UNICAMP-30_8d24de6d279ec217ec51fa0b8d6e3eb9
oai_identifier_str oai::395177
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticosShort-term load forecasting using esembles of selected and evolved predictors by genetic algorithmsSistemas de energia elétrica - Distribuidor de cargaEnergia elétrica - ConsumoEnergia elétrica - ProduçãoTeoria dos conjuntosRedes neurais (Computação)Sistemas fuzzyAlgoritmos genéticosElectric load forecastingEnsemblesArtificial Neural NetworksNeuro-fuzzy networksGenetic algorithmsOrientador: Takaaki OhishiDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de ComputaçãoResumo: Neste trabalho é proposta uma metodologia para previsão de séries temporais de carga de energia elétrica de curto prazo. Esta metodologia vem sendo muito utilizada no contexto da previsão de séries temporais e do reconhecimento de padrões. Os autores que propuseram esta metodologia a chamaram de "Ensembles". Este nome tenta explicar o é este modelo: uma combinação de partes que juntas formam um só modelo. Neste sentido, este nome expressa com relativa clareza qual é o principal aspecto desta metodologia, que no caso específico deste trabalho, é o de fazer várias previsões de uma mesma série temporal utilizando diferentes ferramentas que sozinhas são suficientemente competentes para prever a série temporal em questão, e em seguida combinar as soluções para, deste modo, tentar obter uma solução melhor do que quando é usada somente uma ferramenta. As ferramentas usadas para compor a previsão dos "Ensembles" finais são Redes Neurais Artificiais (RNAs) e Redes Neurais Nebulosas. Atualmente, estas redes são largamente utilizadas em problemas de previsão de séries temporais, principalmente quando o fator gerador destas séries é um sistema não-linear. Desta forma, isto as tornou candidatas potenciais para prever valores de uma série de cargas de energia elétrica, pois este tipo de série tem características essencialmente não-lineares. Sendo assim, foram utilizados quatro tipos de redes: RNAs MLPs, RNAs Recorrentes, RNAs de Base Radial e Redes Neurais Nebulosas tipo ANFIS. Com os modelos básicos de redes foram, utilizados Algoritmos Genéticos para evoluir os parâmetros destas redes e, assim, chegar a uma população de redes suficientemente competentes para fazer as previsões da série de cargas. Na próxima etapa, com os resultados das previsões da população de redes evoluídas foi feita a seleção dos melhores agrupamentos destas redes evoluídas e, como este processo requer a avaliação de diferentes configurações de modelos, esta seleção é baseada em Algoritmos Genéticos.Os resultados obtidos ao se utilizar "ensembles" mostraram que este modelo foi capaz de alcançar uma grande robustez na previsão, reduzindo os erros de previsão, suavizando os resultados de previsão e deixando o modelo menos suscetível a grandes erros quando surgem "outliers" no conjunto de dadosAbstract: This work proposes a methodology for short-term electric power load forecasting. This methodology is being widely used under the context of time series prediction and pattern recognition. It was named "ensembles" by the authors who developed it. This name carries the meaning of an assemblage of parts considered as forming a whole. Therefore, this name expresses rather clearly the main characteristic of this methodology, which under the framework of this study is to make several predictions of the same time series using various different tools in which every single one alone is sufficiently competent to predict the above mentioned time series. After that, the predictions are combined in order to achieve a better prediction compared to the one that is obtained if a single predictor is used. The tools implemented to form the final "ensembles" prediction are Artificial Neural Networks (ANNs) and Neuro-fuzzy Networks. Nowadays, these networks are being widely used in time series predictions problems, mainly when the factor that generates these series is a non-linear system. Hence, this fact has elected them as potential candidates to predict future values of an electric power load series because this series has essentially non-linear characteristics. As a result, four types of networks were utilized in this work: MLPs ANNs, Recurrent ANNs, Radial Basis ANNs and ANFIS type Neuro-fuzzy networks. So, with the basic networks models, Genetic Algorithms were applied to evolve the parameters of these networks and, as a consequence, a population of networks sufficiently capable of predicting future values of the load time series was built. On the next step, with the results obtained from the evolved population of networks, a selection of the most suitable results of the individual networks were made and, as soon as this process implies the evaluation of multiple different combinations of models, this methodology was based on Genetic Algorithms. Then, this selected networks were combined. The results when using "ensembles" revealed that this model was able to reach a great robustness in prediction tasks. In that sense, it was possible to reduce the level of prediction error, to smooth the resulting predictions and to make the model more stable reducing the possibilities of presenting high levels of errors when the used data set contains "outliers"MestradoEnergia ElétricaMestre em Engenharia Elétrica[s.n.]Ohishi, Takaaki, 1955-Von Zuben, Fernando JoséBarbosa, Paulo Sergio FrancoSoares Filho, SecundinoUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASLeone Filho, Marcos de Almeida20062006-01-31T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf123p. : il.(Broch.)https://hdl.handle.net/20.500.12733/1604346LEONE FILHO, Marcos de Almeida. Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos. 2006. 123p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1604346. Acesso em: 2 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/395177porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2017-02-18T04:46:56Zoai::395177Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2017-02-18T04:46:56Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
Short-term load forecasting using esembles of selected and evolved predictors by genetic algorithms
title Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
spellingShingle Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
Leone Filho, Marcos de Almeida
Sistemas de energia elétrica - Distribuidor de carga
Energia elétrica - Consumo
Energia elétrica - Produção
Teoria dos conjuntos
Redes neurais (Computação)
Sistemas fuzzy
Algoritmos genéticos
Electric load forecasting
Ensembles
Artificial Neural Networks
Neuro-fuzzy networks
Genetic algorithms
title_short Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
title_full Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
title_fullStr Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
title_full_unstemmed Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
title_sort Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos
author Leone Filho, Marcos de Almeida
author_facet Leone Filho, Marcos de Almeida
author_role author
dc.contributor.none.fl_str_mv Ohishi, Takaaki, 1955-
Von Zuben, Fernando José
Barbosa, Paulo Sergio Franco
Soares Filho, Secundino
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Leone Filho, Marcos de Almeida
dc.subject.por.fl_str_mv Sistemas de energia elétrica - Distribuidor de carga
Energia elétrica - Consumo
Energia elétrica - Produção
Teoria dos conjuntos
Redes neurais (Computação)
Sistemas fuzzy
Algoritmos genéticos
Electric load forecasting
Ensembles
Artificial Neural Networks
Neuro-fuzzy networks
Genetic algorithms
topic Sistemas de energia elétrica - Distribuidor de carga
Energia elétrica - Consumo
Energia elétrica - Produção
Teoria dos conjuntos
Redes neurais (Computação)
Sistemas fuzzy
Algoritmos genéticos
Electric load forecasting
Ensembles
Artificial Neural Networks
Neuro-fuzzy networks
Genetic algorithms
description Orientador: Takaaki Ohishi
publishDate 2006
dc.date.none.fl_str_mv 2006
2006-01-31T00:00:00Z
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 (Broch.)
https://hdl.handle.net/20.500.12733/1604346
LEONE FILHO, Marcos de Almeida. Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos. 2006. 123p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1604346. Acesso em: 2 set. 2024.
identifier_str_mv (Broch.)
LEONE FILHO, Marcos de Almeida. Previsão de carga de curto prazo usando ensembles de previsores selecionados e evoluidos por algoritmos geneticos. 2006. 123p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1604346. Acesso em: 2 set. 2024.
url https://hdl.handle.net/20.500.12733/1604346
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/395177
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
123p. : il.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809188959889129472

Registros relacionados