Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/153671 |
Resumo: | A maior inserção de tecnologias da informação nas redes de distribuição de energia elétrica vem permitindo que maiores volumes de dados de consumo sejam capturados em níveis cada vez mais detalhados, menos agregados e com maiores resoluções. Com a evolução dos mercados de energia elétrica, esses tipos de dados alcançam maior importância, uma vez que a comercialização de energia também passa a considerar estes níveis de consumo. Diversas técnicas têm sido aplicadas para previsão de cargas elétricas, como modelos estatísticos, de inteligência computacional e híbridos. Na literatura especializada é possível encontrar trabalhos que aplicam a rede neural artificial ARTMAP Fuzzy para tarefas de previsão de cargas elétricas, no entanto, a técnica ainda é pouco explorada em cenários de consumo menos agregados, e com maiores níveis de detalhe. Neste trabalho a rede ARTMAP Fuzzy é aplicada em tarefas de previsão multi-step de cargas elétricas reais com distintos níveis de agregação. Considerando o impacto do ruído sobre os previsores, sobretudo na capacidade de generalização das redes neurais artificiais, a técnica singular spectrum analysis é aplicada na tarefa de remoção de ruído. Os resultados de previsão permitiram analisar desempenho da rede ARTMAP Fuzzy, que foi comparada com outros dois previsores utilizados como benchmark, a saber, seasonal autoregressive integrated moving average e a rede neural multiLayer perceptron. A remoção de ruído permitiu melhora nos níveis de generalização da rede, impactando positivamente sua capacidade preditiva. |
id |
UNSP_03e0b1b4eaa214b3f1928ba992541783 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/153671 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregaçãoPerformance analysis of a fuzzy ARTMAP artificial neural network for multi-step forecasting of electric loads at different aggregation levelsRedes neurais artificiaisARTMAP fuzzyPrevisão Multi-StepSmart GridSSAArtificial neural networksFuzzy ARTMAPMulti-step forecastingA maior inserção de tecnologias da informação nas redes de distribuição de energia elétrica vem permitindo que maiores volumes de dados de consumo sejam capturados em níveis cada vez mais detalhados, menos agregados e com maiores resoluções. Com a evolução dos mercados de energia elétrica, esses tipos de dados alcançam maior importância, uma vez que a comercialização de energia também passa a considerar estes níveis de consumo. Diversas técnicas têm sido aplicadas para previsão de cargas elétricas, como modelos estatísticos, de inteligência computacional e híbridos. Na literatura especializada é possível encontrar trabalhos que aplicam a rede neural artificial ARTMAP Fuzzy para tarefas de previsão de cargas elétricas, no entanto, a técnica ainda é pouco explorada em cenários de consumo menos agregados, e com maiores níveis de detalhe. Neste trabalho a rede ARTMAP Fuzzy é aplicada em tarefas de previsão multi-step de cargas elétricas reais com distintos níveis de agregação. Considerando o impacto do ruído sobre os previsores, sobretudo na capacidade de generalização das redes neurais artificiais, a técnica singular spectrum analysis é aplicada na tarefa de remoção de ruído. Os resultados de previsão permitiram analisar desempenho da rede ARTMAP Fuzzy, que foi comparada com outros dois previsores utilizados como benchmark, a saber, seasonal autoregressive integrated moving average e a rede neural multiLayer perceptron. A remoção de ruído permitiu melhora nos níveis de generalização da rede, impactando positivamente sua capacidade preditiva.The increased insertion of information technologies in electricity distribution networks has allowed larger volumes of consumption data to be captured at increasingly detailed, less aggregated and higher resolution levels. With the evolution of electric energy markets, these types of data become more important, since the commercialization of energy also begins to consider these levels of consumption. Several techniques have been applied to predict electrical loads, such as statistical, computational intelligence and hybrids models. In the specialized literature it is possible to find works that apply the artificial neural network ARTMAP Fuzzy for tasks of prediction of electric charges, however, the technique is still little explored in less aggregated consumption scenarios, and with greater levels of detail. In this work the ARTMAP Fuzzy network is applied in multi-step forecasting tasks of real electric loads with different levels of aggregation. Considering the impact of noise on predictors, especially in the generalization capacity of artificial neural networks, the singular spectrum analysis technique is applied in the noise removal task. The prediction results allowed to analyze the performance of the ARTMAP Fuzzy network, which was compared with other two predictors used as benchmark, namely seasonal autoregressive integrated moving average and the multiLayer perceptron neural network. The noise removal allowed an improvement in the levels of network generalization, positively impacting its predictive capacity.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)1560734Universidade Estadual Paulista (Unesp)Lotufo, Anna Diva Plasencia [UNESP]Universidade Estadual Paulista (Unesp)Müller, Marcos Ricardo2018-04-23T17:10:16Z2018-04-23T17:10:16Z2018-02-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttp://hdl.handle.net/11449/15367100090047333004099080P0porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-08-05T17:57:41Zoai:repositorio.unesp.br:11449/153671Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T17:57:41Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação Performance analysis of a fuzzy ARTMAP artificial neural network for multi-step forecasting of electric loads at different aggregation levels |
title |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação |
spellingShingle |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação Müller, Marcos Ricardo Redes neurais artificiais ARTMAP fuzzy Previsão Multi-Step Smart Grid SSA Artificial neural networks Fuzzy ARTMAP Multi-step forecasting |
title_short |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação |
title_full |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação |
title_fullStr |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação |
title_full_unstemmed |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação |
title_sort |
Análise de desempenho da rede neural artificial ARTMAP fuzzy aplicada para previsão multi-step de cargas elétricas em diferentes níveis de agregação |
author |
Müller, Marcos Ricardo |
author_facet |
Müller, Marcos Ricardo |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lotufo, Anna Diva Plasencia [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Müller, Marcos Ricardo |
dc.subject.por.fl_str_mv |
Redes neurais artificiais ARTMAP fuzzy Previsão Multi-Step Smart Grid SSA Artificial neural networks Fuzzy ARTMAP Multi-step forecasting |
topic |
Redes neurais artificiais ARTMAP fuzzy Previsão Multi-Step Smart Grid SSA Artificial neural networks Fuzzy ARTMAP Multi-step forecasting |
description |
A maior inserção de tecnologias da informação nas redes de distribuição de energia elétrica vem permitindo que maiores volumes de dados de consumo sejam capturados em níveis cada vez mais detalhados, menos agregados e com maiores resoluções. Com a evolução dos mercados de energia elétrica, esses tipos de dados alcançam maior importância, uma vez que a comercialização de energia também passa a considerar estes níveis de consumo. Diversas técnicas têm sido aplicadas para previsão de cargas elétricas, como modelos estatísticos, de inteligência computacional e híbridos. Na literatura especializada é possível encontrar trabalhos que aplicam a rede neural artificial ARTMAP Fuzzy para tarefas de previsão de cargas elétricas, no entanto, a técnica ainda é pouco explorada em cenários de consumo menos agregados, e com maiores níveis de detalhe. Neste trabalho a rede ARTMAP Fuzzy é aplicada em tarefas de previsão multi-step de cargas elétricas reais com distintos níveis de agregação. Considerando o impacto do ruído sobre os previsores, sobretudo na capacidade de generalização das redes neurais artificiais, a técnica singular spectrum analysis é aplicada na tarefa de remoção de ruído. Os resultados de previsão permitiram analisar desempenho da rede ARTMAP Fuzzy, que foi comparada com outros dois previsores utilizados como benchmark, a saber, seasonal autoregressive integrated moving average e a rede neural multiLayer perceptron. A remoção de ruído permitiu melhora nos níveis de generalização da rede, impactando positivamente sua capacidade preditiva. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-04-23T17:10:16Z 2018-04-23T17:10:16Z 2018-02-26 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/153671 000900473 33004099080P0 |
url |
http://hdl.handle.net/11449/153671 |
identifier_str_mv |
000900473 33004099080P0 |
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 |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808128118428270592 |