Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais

Detalhes bibliográficos
Autor(a) principal: Rola, Marcelo Coleto
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/157828
Resumo: A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado.
id URGS_459b21318f0e9598eb28ca997d081953
oai_identifier_str oai:www.lume.ufrgs.br:10183/157828
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Rola, Marcelo ColetoBodmann, Bardo Ernst Josef2017-05-12T02:24:17Z2017http://hdl.handle.net/10183/157828001019377A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado.The demand and, consequently, the generation of electric power are very important issues for social and economic development of countries. Models to forecast these parameters in long and medium terms are used to anticipate possible sceneries and propose strategies for the energy planning of countries. In this context, the present study aims to forecast the generation of electric energy in Rio Grande do Sul State (RS) in a medium-term horizon (one year) using, Artificial Neural Networks (ANNs) of the feedforward type with algorithm of supervised learning backpropagation. For the development of this work, a script was elaborated in order to execute the necessary simulations, which were carried out through Matlab® software. The selected variables of influence as inputs of forecasting model refer to economy (State and National), to the electric energy balance and to the meteorology State, during the period from January, 2009 to March, 2016. In order to train the neural network, this data set was added to the entrance matrix, with monthly frequency, from January, 2009 to March, 2015 and for prediction, data were inserted from April, 2015 to March, 2016. Finally, after RNA complete simulation, the observed result of the electric power generation of the State was compared with the one obtained through the prediction model, indicating a mean absolute percent error (MAPE) of 5.86% and a mean absolute deviation (MAD) of 134.15 average MW. The obtained results in this work are promising, besides; they are similar to those found in literature, in this way demonstrating the reliability and efficacy of the using method.application/pdfporBackpropagationRedes neurais artificiaisEnergia elétrica : GeraçãoRio Grande do SulElectric energy generationArtificial neural networksBackpropagationForecasting modelPrevisão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia MecânicaPorto Alegre, BR-RS2017mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL001019377.pdf001019377.pdfTexto completoapplication/pdf2866855http://www.lume.ufrgs.br/bitstream/10183/157828/1/001019377.pdf36da57b4ef6c347e409b31b087e05f5aMD51TEXT001019377.pdf.txt001019377.pdf.txtExtracted Texttext/plain178074http://www.lume.ufrgs.br/bitstream/10183/157828/2/001019377.pdf.txtcfecbef3861acfcbe9f9ce7baa1a02ceMD52THUMBNAIL001019377.pdf.jpg001019377.pdf.jpgGenerated Thumbnailimage/jpeg1056http://www.lume.ufrgs.br/bitstream/10183/157828/3/001019377.pdf.jpg6b0914fb62f48bc00a3d247567d52c14MD5310183/1578282021-12-09 05:34:37.920277oai:www.lume.ufrgs.br:10183/157828Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532021-12-09T07:34:37Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
title Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
spellingShingle Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
Rola, Marcelo Coleto
Backpropagation
Redes neurais artificiais
Energia elétrica : Geração
Rio Grande do Sul
Electric energy generation
Artificial neural networks
Backpropagation
Forecasting model
title_short Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
title_full Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
title_fullStr Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
title_full_unstemmed Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
title_sort Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
author Rola, Marcelo Coleto
author_facet Rola, Marcelo Coleto
author_role author
dc.contributor.author.fl_str_mv Rola, Marcelo Coleto
dc.contributor.advisor1.fl_str_mv Bodmann, Bardo Ernst Josef
contributor_str_mv Bodmann, Bardo Ernst Josef
dc.subject.por.fl_str_mv Backpropagation
Redes neurais artificiais
Energia elétrica : Geração
Rio Grande do Sul
topic Backpropagation
Redes neurais artificiais
Energia elétrica : Geração
Rio Grande do Sul
Electric energy generation
Artificial neural networks
Backpropagation
Forecasting model
dc.subject.eng.fl_str_mv Electric energy generation
Artificial neural networks
Backpropagation
Forecasting model
description A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado.
publishDate 2017
dc.date.accessioned.fl_str_mv 2017-05-12T02:24:17Z
dc.date.issued.fl_str_mv 2017
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/10183/157828
dc.identifier.nrb.pt_BR.fl_str_mv 001019377
url http://hdl.handle.net/10183/157828
identifier_str_mv 001019377
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.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/157828/1/001019377.pdf
http://www.lume.ufrgs.br/bitstream/10183/157828/2/001019377.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/157828/3/001019377.pdf.jpg
bitstream.checksum.fl_str_mv 36da57b4ef6c347e409b31b087e05f5a
cfecbef3861acfcbe9f9ce7baa1a02ce
6b0914fb62f48bc00a3d247567d52c14
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1810085401515261952