Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/193357 |
Resumo: | A antecipação da demanda energética é um segmento imprescindível para os sistemas elétricos de potência, no que tange às atividades de operação e planejamento, haja vista que as predições oportunizam elementos cruciais na tomada de decisão favorecendo diferentes ângulos desses sistemas. Essa pesquisa visa investigar o emprego das redes neurais artificiais na problemática da previsão de cargas elétricas de modo multinodal, isto é, observando-se diversos aspectos da rede elétrica. À vista disso, adotou-se uma arquitetura neural que se baseia na distância euclidiana e está fundamentada na teoria de ressonância adaptativa (ART), intitulada rede neural ARTMAP Euclidiana. No modelo neural aludido, foi aplicado um método que automatiza o ajuste dos parâmetros desta rede, visando obter resultados expressivos com rapidez, precisão e confiabilidade sem a necessidade de intervenção humana. Tendo em vista alcançar resultados com um horizonte preditivo de 24 horas à frente, a supracitada rede neural foi utilizada em diferentes módulos de um Sistema Previsor de Cargas da Subestação (SPCS) que processa as informações de cada subestação de forma particularizada. Desta forma, para avaliar a efetividade da metodologia proposta neste estudo, utilizaram-se dados históricos de cargas elétricas extraídos de um subsistema de distribuição de energia da New Zealand Electrical Company, do qual, foram aplicadas ao método proposto nesta pesquisa, nove subestações que compõem esse sistema de energia, bem como, a carga global do referido sistema elétrico. |
id |
UNSP_53215f2121c486bd2a2a2c0f2ccd1275 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/193357 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Previsão de carga multinodal utilizando Rede Neural ARTMAP EuclidianaMultinodal load forecast using Euclidean ARTMAP Neural NetworkRedes Neurais ArtificiaisRede ARTMAP EuclidianaPrevisão de Carga MultinodalDistribuição de Sistemas ElétricosArtificial Neural NetworksEuclidean ARTMAP Neural NetworkMultinodal Load ForecastingElectrical Distribution SystemsA antecipação da demanda energética é um segmento imprescindível para os sistemas elétricos de potência, no que tange às atividades de operação e planejamento, haja vista que as predições oportunizam elementos cruciais na tomada de decisão favorecendo diferentes ângulos desses sistemas. Essa pesquisa visa investigar o emprego das redes neurais artificiais na problemática da previsão de cargas elétricas de modo multinodal, isto é, observando-se diversos aspectos da rede elétrica. À vista disso, adotou-se uma arquitetura neural que se baseia na distância euclidiana e está fundamentada na teoria de ressonância adaptativa (ART), intitulada rede neural ARTMAP Euclidiana. No modelo neural aludido, foi aplicado um método que automatiza o ajuste dos parâmetros desta rede, visando obter resultados expressivos com rapidez, precisão e confiabilidade sem a necessidade de intervenção humana. Tendo em vista alcançar resultados com um horizonte preditivo de 24 horas à frente, a supracitada rede neural foi utilizada em diferentes módulos de um Sistema Previsor de Cargas da Subestação (SPCS) que processa as informações de cada subestação de forma particularizada. Desta forma, para avaliar a efetividade da metodologia proposta neste estudo, utilizaram-se dados históricos de cargas elétricas extraídos de um subsistema de distribuição de energia da New Zealand Electrical Company, do qual, foram aplicadas ao método proposto nesta pesquisa, nove subestações que compõem esse sistema de energia, bem como, a carga global do referido sistema elétrico.Anticipating energy demand is essential for the planning and operation of electric power systems since predictions highlight important points for decision-making, which improves different angles of these systems. Therefore, this research aims to investigate the use of artificial neural networks in the problem of forecasting electric charges in a multinodal way by observing several aspects of the electrical network. A neural architecture was adopted based on Euclidean distance and on the adaptive resonance theory (ART), named ARTMAP Euclidean neural network. In this neural model, the method applied automates the adjustment of the parameters of this network, aiming to obtain expressive results with speed, precision and reliability without requiring human intervention. In order to achieve results with a predictive horizon of 24 hours ahead, neural network was used in different modules of a Substation Load Prediction System (SPCS) that processes the information of each substation in a particular way. Historical data of electrical charges were used to evaluate the effectiveness of the methodology proposed in this study. These data were collected from New Zealand Electrical Company, which nine substations comprise its energy system, as well as the overall load of its electrical system energy distribution subsystem, and then, they were applied to the method proposed in this research.Universidade Estadual Paulista (Unesp)Lopes, Mara Lúcia Martins [UNESP]Universidade Estadual Paulista (Unesp)Ferreira, Andréia Brasil Alves2020-09-01T19:02:49Z2020-09-01T19:02:49Z2020-04-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/19335733004099080P0porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-08-05T17:41:23Zoai:repositorio.unesp.br:11449/193357Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T17:41:23Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana Multinodal load forecast using Euclidean ARTMAP Neural Network |
title |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana |
spellingShingle |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana Ferreira, Andréia Brasil Alves Redes Neurais Artificiais Rede ARTMAP Euclidiana Previsão de Carga Multinodal Distribuição de Sistemas Elétricos Artificial Neural Networks Euclidean ARTMAP Neural Network Multinodal Load Forecasting Electrical Distribution Systems |
title_short |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana |
title_full |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana |
title_fullStr |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana |
title_full_unstemmed |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana |
title_sort |
Previsão de carga multinodal utilizando Rede Neural ARTMAP Euclidiana |
author |
Ferreira, Andréia Brasil Alves |
author_facet |
Ferreira, Andréia Brasil Alves |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lopes, Mara Lúcia Martins [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Ferreira, Andréia Brasil Alves |
dc.subject.por.fl_str_mv |
Redes Neurais Artificiais Rede ARTMAP Euclidiana Previsão de Carga Multinodal Distribuição de Sistemas Elétricos Artificial Neural Networks Euclidean ARTMAP Neural Network Multinodal Load Forecasting Electrical Distribution Systems |
topic |
Redes Neurais Artificiais Rede ARTMAP Euclidiana Previsão de Carga Multinodal Distribuição de Sistemas Elétricos Artificial Neural Networks Euclidean ARTMAP Neural Network Multinodal Load Forecasting Electrical Distribution Systems |
description |
A antecipação da demanda energética é um segmento imprescindível para os sistemas elétricos de potência, no que tange às atividades de operação e planejamento, haja vista que as predições oportunizam elementos cruciais na tomada de decisão favorecendo diferentes ângulos desses sistemas. Essa pesquisa visa investigar o emprego das redes neurais artificiais na problemática da previsão de cargas elétricas de modo multinodal, isto é, observando-se diversos aspectos da rede elétrica. À vista disso, adotou-se uma arquitetura neural que se baseia na distância euclidiana e está fundamentada na teoria de ressonância adaptativa (ART), intitulada rede neural ARTMAP Euclidiana. No modelo neural aludido, foi aplicado um método que automatiza o ajuste dos parâmetros desta rede, visando obter resultados expressivos com rapidez, precisão e confiabilidade sem a necessidade de intervenção humana. Tendo em vista alcançar resultados com um horizonte preditivo de 24 horas à frente, a supracitada rede neural foi utilizada em diferentes módulos de um Sistema Previsor de Cargas da Subestação (SPCS) que processa as informações de cada subestação de forma particularizada. Desta forma, para avaliar a efetividade da metodologia proposta neste estudo, utilizaram-se dados históricos de cargas elétricas extraídos de um subsistema de distribuição de energia da New Zealand Electrical Company, do qual, foram aplicadas ao método proposto nesta pesquisa, nove subestações que compõem esse sistema de energia, bem como, a carga global do referido sistema elétrico. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-09-01T19:02:49Z 2020-09-01T19:02:49Z 2020-04-22 |
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 |
http://hdl.handle.net/11449/193357 33004099080P0 |
url |
http://hdl.handle.net/11449/193357 |
identifier_str_mv |
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_ |
1808128128813367296 |