Previsão da geração de energia elétrica no médio prazo para o Estado do Rio Grande do Sul empregando redes neurais artificiais
Autor(a) principal: | |
---|---|
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 |