PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
Texto Completo: | http://www.repositorio.jesuita.org.br/handle/UNISINOS/12180 |
Resumo: | O crescente aumento da demanda por energia elétrica em conjunto com exigências impostas pelos órgãos reguladores têm levado o sistema de distribuição de energia elétrica convencional a evoluir para o contexto de redes inteligentes. A aquisição e análise de dados são questões centrais para a evolução do sistema de distribuição. As tecnologias de aprendizado de máquina estão ganhando espaço nos estudos aplicados, tornando esse um tema emergente, porém os estudos relacionados não abordam a preparação e análise dos dados antes da aplicação nos modelos de inteligência artificial. Nesse cenário esse trabalho responde à questão de pesquisa de como seria um modelo capaz de efetuar o pré-processamento de dados, classificá-los e realizar predições de grandezas elétricas. Em comparação com trabalhos relacionados há indicação que esse é o primeiro estudo que aborda o préprocessamento e agrupamento de dados por similaridade visando aumentar a eficácia dos modelos de inteligência artificial. Aplicando o método Fuzzy C-Means para classificação de dados são percebidos outliers que não eram encontrados antes da criação de clusters, também são percebidos pontos críticos de operação do sistema com o método de Grubbs. A etapa de regressão apresenta predições realizadas com redes neurais LSTM com até quatro passos de tempo a frente com erro médio absoluto percentual de 0,16% utilizando uma base de dados real de uma concessionária de distribuição de energia elétrica. |
id |
USIN_9fee35eb11a3aeaa88b32d56a2061657 |
---|---|
oai_identifier_str |
oai:www.repositorio.jesuita.org.br:UNISINOS/12180 |
network_acronym_str |
USIN |
network_name_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
repository_id_str |
|
spelling |
2023-02-17T18:07:23Z2023-02-17T18:07:23Z2022-10-05Submitted by Jeferson Carlos da Veiga Rodrigues (jveigar@unisinos.br) on 2023-02-17T18:07:23Z No. of bitstreams: 1 Ricardo dos Santos Costa_PROTEGIDO.pdf: 3506107 bytes, checksum: fa2fa4f58c78d424be628d9982c9668c (MD5)Made available in DSpace on 2023-02-17T18:07:23Z (GMT). No. of bitstreams: 1 Ricardo dos Santos Costa_PROTEGIDO.pdf: 3506107 bytes, checksum: fa2fa4f58c78d424be628d9982c9668c (MD5) Previous issue date: 2022-10-05O crescente aumento da demanda por energia elétrica em conjunto com exigências impostas pelos órgãos reguladores têm levado o sistema de distribuição de energia elétrica convencional a evoluir para o contexto de redes inteligentes. A aquisição e análise de dados são questões centrais para a evolução do sistema de distribuição. As tecnologias de aprendizado de máquina estão ganhando espaço nos estudos aplicados, tornando esse um tema emergente, porém os estudos relacionados não abordam a preparação e análise dos dados antes da aplicação nos modelos de inteligência artificial. Nesse cenário esse trabalho responde à questão de pesquisa de como seria um modelo capaz de efetuar o pré-processamento de dados, classificá-los e realizar predições de grandezas elétricas. Em comparação com trabalhos relacionados há indicação que esse é o primeiro estudo que aborda o préprocessamento e agrupamento de dados por similaridade visando aumentar a eficácia dos modelos de inteligência artificial. Aplicando o método Fuzzy C-Means para classificação de dados são percebidos outliers que não eram encontrados antes da criação de clusters, também são percebidos pontos críticos de operação do sistema com o método de Grubbs. A etapa de regressão apresenta predições realizadas com redes neurais LSTM com até quatro passos de tempo a frente com erro médio absoluto percentual de 0,16% utilizando uma base de dados real de uma concessionária de distribuição de energia elétrica.The growing demand for electricity and requirements imposed by regulatory agencies have led the conventional electricity distribution system to evolve into the context of smart grids. Data acquisition and analysis are central issues for the evolution of the distribution system. Machine learning technologies are gaining ground in applied studies, making this an emerging topic. The related studies do not address the preparation and analysis of data before application in artificial intelligence models. In this context, this work presents a model capable of performing the pre-processing, classification, and prediction of electrical quantities. Compared with related works, there is an indication that this is the first study that addresses the pre-processing and grouping of data by similarity to increase the effectiveness of artificial intelligence models. The Fuzzy C-Means method for data classification allows outliers to be found more assertively. The Grubbs method identifies critical operating points of the system. The regression stage presents predictions made with LSTM neural networks up to fourtime steps ahead with a percentage absolute average error of 0.16% using a real database of an electric power distribution utility.NenhumaCosta, Ricardo dos Santoshttp://lattes.cnpq.br/0868349582279593http://lattes.cnpq.br/6754464380129137Pereira, Paulo Ricardo da Silvahttp://lattes.cnpq.br/7305998794162381Barbosa, Jorge Luis VictóriaUniversidade do Vale do Rio dos SinosPrograma de Pós-Graduação em Engenharia ElétricaUnisinosBrasilEscola PolitécnicaPCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operaçãoACCNPQ::Engenharias::Engenharia ElétricaPré-processamento de dadosClassificaçãoPredição de grandezas elétricasAprendizado de máquinaData pre-processingClassificationPrediction of electrical quantitiesMachine learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://www.repositorio.jesuita.org.br/handle/UNISINOS/12180info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)instname:Universidade do Vale do Rio dos Sinos (UNISINOS)instacron:UNISINOSLICENSElicense.txtlicense.txttext/plain; charset=utf-82175http://repositorio.jesuita.org.br/bitstream/UNISINOS/12180/2/license.txt320e21f23402402ac4988605e1edd177MD52ORIGINALRicardo dos Santos Costa_PROTEGIDO.pdfRicardo dos Santos Costa_PROTEGIDO.pdfapplication/pdf3506107http://repositorio.jesuita.org.br/bitstream/UNISINOS/12180/1/Ricardo+dos+Santos+Costa_PROTEGIDO.pdffa2fa4f58c78d424be628d9982c9668cMD51UNISINOS/121802023-02-17 15:09:56.957oai:www.repositorio.jesuita.org.br:UNISINOS/12180Ck5PVEE6IENPTE9RVUUgQVFVSSBBIFNVQSBQUsOTUFJJQSBMSUNFTsOHQQoKRXN0YSBsaWNlbsOnYSBkZSBleGVtcGxvIMOpIGZvcm5lY2lkYSBhcGVuYXMgcGFyYSBmaW5zIGluZm9ybWF0aXZvcy4KCkxpY2Vuw6dhIERFIERJU1RSSUJVScOHw4NPIE7Dg08tRVhDTFVTSVZBCgpDb20gYSBhcHJlc2VudGHDp8OjbyBkZXN0YSBsaWNlbsOnYSwgdm9jw6ogKG8gYXV0b3IgKGVzKSBvdSBvIHRpdHVsYXIgZG9zIGRpcmVpdG9zIGRlIGF1dG9yKSBjb25jZWRlIMOgIApVbml2ZXJzaWRhZGUgZG8gVmFsZSBkbyBSaW8gZG9zIFNpbm9zIChVTklTSU5PUykgbyBkaXJlaXRvIG7Do28tZXhjbHVzaXZvIGRlIHJlcHJvZHV6aXIsICB0cmFkdXppciAoY29uZm9ybWUgZGVmaW5pZG8gYWJhaXhvKSwgZS9vdSAKZGlzdHJpYnVpciBhIHN1YSB0ZXNlIG91IGRpc3NlcnRhw6fDo28gKGluY2x1aW5kbyBvIHJlc3VtbykgcG9yIHRvZG8gbyBtdW5kbyBubyBmb3JtYXRvIGltcHJlc3NvIGUgZWxldHLDtG5pY28gZSAKZW0gcXVhbHF1ZXIgbWVpbywgaW5jbHVpbmRvIG9zIGZvcm1hdG9zIMOhdWRpbyBvdSB2w61kZW8uCgpWb2PDqiBjb25jb3JkYSBxdWUgYSBTaWdsYSBkZSBVbml2ZXJzaWRhZGUgcG9kZSwgc2VtIGFsdGVyYXIgbyBjb250ZcO6ZG8sIHRyYW5zcG9yIGEgc3VhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyAKcGFyYSBxdWFscXVlciBtZWlvIG91IGZvcm1hdG8gcGFyYSBmaW5zIGRlIHByZXNlcnZhw6fDo28uCgpWb2PDqiB0YW1iw6ltIGNvbmNvcmRhIHF1ZSBhIFNpZ2xhIGRlIFVuaXZlcnNpZGFkZSBwb2RlIG1hbnRlciBtYWlzIGRlIHVtYSBjw7NwaWEgYSBzdWEgdGVzZSBvdSAKZGlzc2VydGHDp8OjbyBwYXJhIGZpbnMgZGUgc2VndXJhbsOnYSwgYmFjay11cCBlIHByZXNlcnZhw6fDo28uCgpWb2PDqiBkZWNsYXJhIHF1ZSBhIHN1YSB0ZXNlIG91IGRpc3NlcnRhw6fDo28gw6kgb3JpZ2luYWwgZSBxdWUgdm9jw6ogdGVtIG8gcG9kZXIgZGUgY29uY2VkZXIgb3MgZGlyZWl0b3MgY29udGlkb3MgCm5lc3RhIGxpY2Vuw6dhLiBWb2PDqiB0YW1iw6ltIGRlY2xhcmEgcXVlIG8gZGVww7NzaXRvIGRhIHN1YSB0ZXNlIG91IGRpc3NlcnRhw6fDo28gbsOjbywgcXVlIHNlamEgZGUgc2V1IApjb25oZWNpbWVudG8sIGluZnJpbmdlIGRpcmVpdG9zIGF1dG9yYWlzIGRlIG5pbmd1w6ltLgoKQ2FzbyBhIHN1YSB0ZXNlIG91IGRpc3NlcnRhw6fDo28gY29udGVuaGEgbWF0ZXJpYWwgcXVlIHZvY8OqIG7Do28gcG9zc3VpIGEgdGl0dWxhcmlkYWRlIGRvcyBkaXJlaXRvcyBhdXRvcmFpcywgdm9jw6ogCmRlY2xhcmEgcXVlIG9idGV2ZSBhIHBlcm1pc3PDo28gaXJyZXN0cml0YSBkbyBkZXRlbnRvciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgcGFyYSBjb25jZWRlciDDoCBTaWdsYSBkZSBVbml2ZXJzaWRhZGUgCm9zIGRpcmVpdG9zIGFwcmVzZW50YWRvcyBuZXN0YSBsaWNlbsOnYSwgZSBxdWUgZXNzZSBtYXRlcmlhbCBkZSBwcm9wcmllZGFkZSBkZSB0ZXJjZWlyb3MgZXN0w6EgY2xhcmFtZW50ZSAKaWRlbnRpZmljYWRvIGUgcmVjb25oZWNpZG8gbm8gdGV4dG8gb3Ugbm8gY29udGXDumRvIGRhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyBvcmEgZGVwb3NpdGFkYS4KCkNBU08gQSBURVNFIE9VIERJU1NFUlRBw4fDg08gT1JBIERFUE9TSVRBREEgVEVOSEEgU0lETyBSRVNVTFRBRE8gREUgVU0gUEFUUk9Dw41OSU8gT1UgCkFQT0lPIERFIFVNQSBBR8OKTkNJQSBERSBGT01FTlRPIE9VIE9VVFJPIE9SR0FOSVNNTyBRVUUgTsODTyBTRUpBIEEgU0lHTEEgREUgClVOSVZFUlNJREFERSwgVk9Dw4ogREVDTEFSQSBRVUUgUkVTUEVJVE9VIFRPRE9TIEUgUVVBSVNRVUVSIERJUkVJVE9TIERFIFJFVklTw4NPIENPTU8gClRBTULDiU0gQVMgREVNQUlTIE9CUklHQcOHw5VFUyBFWElHSURBUyBQT1IgQ09OVFJBVE8gT1UgQUNPUkRPLgoKQSBTaWdsYSBkZSBVbml2ZXJzaWRhZGUgc2UgY29tcHJvbWV0ZSBhIGlkZW50aWZpY2FyIGNsYXJhbWVudGUgbyBzZXUgbm9tZSAocykgb3UgbyhzKSBub21lKHMpIGRvKHMpIApkZXRlbnRvcihlcykgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIGRhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbywgZSBuw6NvIGZhcsOhIHF1YWxxdWVyIGFsdGVyYcOnw6NvLCBhbMOpbSBkYXF1ZWxhcyAKY29uY2VkaWRhcyBwb3IgZXN0YSBsaWNlbsOnYS4KBiblioteca Digital de Teses e Dissertaçõeshttp://www.repositorio.jesuita.org.br/oai/requestopendoar:2023-02-17T18:09:56Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS)false |
dc.title.pt_BR.fl_str_mv |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação |
title |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação |
spellingShingle |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação Costa, Ricardo dos Santos ACCNPQ::Engenharias::Engenharia Elétrica Pré-processamento de dados Classificação Predição de grandezas elétricas Aprendizado de máquina Data pre-processing Classification Prediction of electrical quantities Machine learning |
title_short |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação |
title_full |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação |
title_fullStr |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação |
title_full_unstemmed |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação |
title_sort |
PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação |
author |
Costa, Ricardo dos Santos |
author_facet |
Costa, Ricardo dos Santos |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0868349582279593 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6754464380129137 |
dc.contributor.author.fl_str_mv |
Costa, Ricardo dos Santos |
dc.contributor.advisor-co1.fl_str_mv |
Pereira, Paulo Ricardo da Silva |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/7305998794162381 |
dc.contributor.advisor1.fl_str_mv |
Barbosa, Jorge Luis Victória |
contributor_str_mv |
Pereira, Paulo Ricardo da Silva Barbosa, Jorge Luis Victória |
dc.subject.cnpq.fl_str_mv |
ACCNPQ::Engenharias::Engenharia Elétrica |
topic |
ACCNPQ::Engenharias::Engenharia Elétrica Pré-processamento de dados Classificação Predição de grandezas elétricas Aprendizado de máquina Data pre-processing Classification Prediction of electrical quantities Machine learning |
dc.subject.por.fl_str_mv |
Pré-processamento de dados Classificação Predição de grandezas elétricas Aprendizado de máquina |
dc.subject.eng.fl_str_mv |
Data pre-processing Classification Prediction of electrical quantities Machine learning |
description |
O crescente aumento da demanda por energia elétrica em conjunto com exigências impostas pelos órgãos reguladores têm levado o sistema de distribuição de energia elétrica convencional a evoluir para o contexto de redes inteligentes. A aquisição e análise de dados são questões centrais para a evolução do sistema de distribuição. As tecnologias de aprendizado de máquina estão ganhando espaço nos estudos aplicados, tornando esse um tema emergente, porém os estudos relacionados não abordam a preparação e análise dos dados antes da aplicação nos modelos de inteligência artificial. Nesse cenário esse trabalho responde à questão de pesquisa de como seria um modelo capaz de efetuar o pré-processamento de dados, classificá-los e realizar predições de grandezas elétricas. Em comparação com trabalhos relacionados há indicação que esse é o primeiro estudo que aborda o préprocessamento e agrupamento de dados por similaridade visando aumentar a eficácia dos modelos de inteligência artificial. Aplicando o método Fuzzy C-Means para classificação de dados são percebidos outliers que não eram encontrados antes da criação de clusters, também são percebidos pontos críticos de operação do sistema com o método de Grubbs. A etapa de regressão apresenta predições realizadas com redes neurais LSTM com até quatro passos de tempo a frente com erro médio absoluto percentual de 0,16% utilizando uma base de dados real de uma concessionária de distribuição de energia elétrica. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-10-05 |
dc.date.accessioned.fl_str_mv |
2023-02-17T18:07:23Z |
dc.date.available.fl_str_mv |
2023-02-17T18:07:23Z |
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://www.repositorio.jesuita.org.br/handle/UNISINOS/12180 |
url |
http://www.repositorio.jesuita.org.br/handle/UNISINOS/12180 |
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.publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
Unisinos |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola Politécnica |
publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) instname:Universidade do Vale do Rio dos Sinos (UNISINOS) instacron:UNISINOS |
instname_str |
Universidade do Vale do Rio dos Sinos (UNISINOS) |
instacron_str |
UNISINOS |
institution |
UNISINOS |
reponame_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
collection |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
bitstream.url.fl_str_mv |
http://repositorio.jesuita.org.br/bitstream/UNISINOS/12180/2/license.txt http://repositorio.jesuita.org.br/bitstream/UNISINOS/12180/1/Ricardo+dos+Santos+Costa_PROTEGIDO.pdf |
bitstream.checksum.fl_str_mv |
320e21f23402402ac4988605e1edd177 fa2fa4f58c78d424be628d9982c9668c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS) |
repository.mail.fl_str_mv |
|
_version_ |
1801844939625070592 |