Previsão de demanda de energia elétrica utilizando inteligência artificial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
Texto Completo: | http://hdl.handle.net/10737/3064 |
Resumo: | A previsão da demanda de energia elétrica é imprescindível para o planejamento e a operação do sistema elétrico, visto que através dela que é determinado o horário e a quantidade de geração que precisa ser injetada no sistema, para atender a carga sem interrupções no fornecimento de energia, como também otimizar os horários em que as fontes de geração de energia elétrica entram em operação. Com isto, este trabalho apresenta uma metodologia utilizando a mineração de dados para prever a demanda máxima de energia elétrica em um determinado dia para o sistema da Cooperativa Certel. O processamento de dados foi realizado com o histórico de variáveis climáticas e demanda de energia elétrica nos diferentes meses do ano, com a utilização do software Weka, chegando a respostas satisfatórias no final do processo, com diferença de no máximo 2,5 MW entre o previsto com o real o que representa 3% de erro. |
id |
UVAT_86df164915519ba70def7cd516766f73 |
---|---|
oai_identifier_str |
oai:univates.br:10737/3064 |
network_acronym_str |
UVAT |
network_name_str |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
repository_id_str |
1 |
spelling |
Stypulkowski, Yuri Solishttp://lattes.cnpq.br/2353733126001790Drebes, Felipe2021-09-10T21:37:23Z2021-09-10T21:37:23Z2020-112020-12-03A previsão da demanda de energia elétrica é imprescindível para o planejamento e a operação do sistema elétrico, visto que através dela que é determinado o horário e a quantidade de geração que precisa ser injetada no sistema, para atender a carga sem interrupções no fornecimento de energia, como também otimizar os horários em que as fontes de geração de energia elétrica entram em operação. Com isto, este trabalho apresenta uma metodologia utilizando a mineração de dados para prever a demanda máxima de energia elétrica em um determinado dia para o sistema da Cooperativa Certel. O processamento de dados foi realizado com o histórico de variáveis climáticas e demanda de energia elétrica nos diferentes meses do ano, com a utilização do software Weka, chegando a respostas satisfatórias no final do processo, com diferença de no máximo 2,5 MW entre o previsto com o real o que representa 3% de erro.The forecast of the demand for electric energy is essential for the planning and operation of the electric system, since it is through it that the time and the amount of generation that needs to be injected into the system are determined, to meet the load without interruptions in the energy supply, as well as optimize the times when the sources of electric power generation come into operation. With this, this work presents a methodology using data mining to predict the maximum demand for electricity on a given day for the Certel Cooperative system. The data processing was carried out with the history of climatic variables and electricity demand in the different months of the year, using the Weka software, reaching satisfactory responses in the final process, with a difference of at most 2.5 MW between the predicted with the real which represents 3% error.-1DREBES, Felipe. Previsão de demanda de energia elétrica utilizando inteligência artificial. 2020. Monografia (Graduação em Engenharia Elétrica) – Universidade do Vale do Taquari - Univates, Lajeado, 03 dez. 2020. Disponível em: http://hdl.handle.net/10737/3064. http://hdl.handle.net/10737/3064http://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccessENGMineração de dadosPrevisão de demandaWekaGeraçãoEstatística meteorológicaData miningDemand forecastingGenerationMeteorological statisticsPrevisão de demanda de energia elétrica utilizando inteligência artificialinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD)instname:Centro Universitário Univates (UNIVATES)instacron:UNIVATESORIGINAL2020FelipeDrebes.pdf2020FelipeDrebes.pdfapplication/pdf1950848https://www.univates.br/bdu/bitstreams/fc294d79-3ef7-437b-9282-8dee2bf01c42/downloadf1d6d9e5541be0276474a8a480c0af84MD51CC-LICENSElicense_urllicense_urltext/plain46https://www.univates.br/bdu/bitstreams/0259d672-bb1f-4f4f-9ad3-2799e66985c4/download486e70aa6e7b0271de4953c01c4283fdMD52license_textlicense_texttext/html; charset=utf-80https://www.univates.br/bdu/bitstreams/17e88c29-e59a-4587-aa25-1b8e7bb1fe40/downloadd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/rdf+xml; charset=utf-80https://www.univates.br/bdu/bitstreams/3ea6cf1f-be1c-4d57-9e43-782c2eb33d0b/downloadd41d8cd98f00b204e9800998ecf8427eMD54LICENSElicense.txtlicense.txttext/plain4596https://www.univates.br/bdu/bitstreams/731d08e1-f110-4206-8eea-a91a7ab3872e/download45783b7017abffc8c7216a53524a7821MD55TEXT2020FelipeDrebes.pdf.txt2020FelipeDrebes.pdf.txtExtracted texttext/plain103206https://www.univates.br/bdu/bitstreams/da5f214e-8144-4da5-b751-bdcd66225287/download67a7a9ce01a883d3b8ecb6a4360ea871MD510THUMBNAIL2020FelipeDrebes.pdf.jpg2020FelipeDrebes.pdf.jpgGenerated Thumbnailimage/jpeg4237https://www.univates.br/bdu/bitstreams/9336e284-dff1-4f58-a30f-514abee9aaa6/downloaddea6fafdf401c24ab2e0729327c27cb1MD51110737/30642023-06-23 10:53:19.906http://creativecommons.org/licenses/by-nc/4.0/openAccessoai:univates.br:10737/3064https://www.univates.br/bduRepositório InstitucionalPRIhttp://www.univates.br/bdu_oai/requestopendoar:12023-06-23T10:53:19Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) - Centro Universitário Univates (UNIVATES)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 |
dc.title.pt_BR.fl_str_mv |
Previsão de demanda de energia elétrica utilizando inteligência artificial |
title |
Previsão de demanda de energia elétrica utilizando inteligência artificial |
spellingShingle |
Previsão de demanda de energia elétrica utilizando inteligência artificial Drebes, Felipe ENG Mineração de dados Previsão de demanda Weka Geração Estatística meteorológica Data mining Demand forecasting Generation Meteorological statistics |
title_short |
Previsão de demanda de energia elétrica utilizando inteligência artificial |
title_full |
Previsão de demanda de energia elétrica utilizando inteligência artificial |
title_fullStr |
Previsão de demanda de energia elétrica utilizando inteligência artificial |
title_full_unstemmed |
Previsão de demanda de energia elétrica utilizando inteligência artificial |
title_sort |
Previsão de demanda de energia elétrica utilizando inteligência artificial |
author |
Drebes, Felipe |
author_facet |
Drebes, Felipe |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Stypulkowski, Yuri Solis |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/2353733126001790 |
dc.contributor.author.fl_str_mv |
Drebes, Felipe |
contributor_str_mv |
Stypulkowski, Yuri Solis |
dc.subject.cnpq.fl_str_mv |
ENG |
topic |
ENG Mineração de dados Previsão de demanda Weka Geração Estatística meteorológica Data mining Demand forecasting Generation Meteorological statistics |
dc.subject.por.fl_str_mv |
Mineração de dados Previsão de demanda Weka Geração Estatística meteorológica Data mining Demand forecasting Generation Meteorological statistics |
description |
A previsão da demanda de energia elétrica é imprescindível para o planejamento e a operação do sistema elétrico, visto que através dela que é determinado o horário e a quantidade de geração que precisa ser injetada no sistema, para atender a carga sem interrupções no fornecimento de energia, como também otimizar os horários em que as fontes de geração de energia elétrica entram em operação. Com isto, este trabalho apresenta uma metodologia utilizando a mineração de dados para prever a demanda máxima de energia elétrica em um determinado dia para o sistema da Cooperativa Certel. O processamento de dados foi realizado com o histórico de variáveis climáticas e demanda de energia elétrica nos diferentes meses do ano, com a utilização do software Weka, chegando a respostas satisfatórias no final do processo, com diferença de no máximo 2,5 MW entre o previsto com o real o que representa 3% de erro. |
publishDate |
2020 |
dc.date.submitted.none.fl_str_mv |
2020-12-03 |
dc.date.issued.fl_str_mv |
2020-11 |
dc.date.accessioned.fl_str_mv |
2021-09-10T21:37:23Z |
dc.date.available.fl_str_mv |
2021-09-10T21:37:23Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
DREBES, Felipe. Previsão de demanda de energia elétrica utilizando inteligência artificial. 2020. Monografia (Graduação em Engenharia Elétrica) – Universidade do Vale do Taquari - Univates, Lajeado, 03 dez. 2020. Disponível em: http://hdl.handle.net/10737/3064. |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10737/3064 |
identifier_str_mv |
DREBES, Felipe. Previsão de demanda de energia elétrica utilizando inteligência artificial. 2020. Monografia (Graduação em Engenharia Elétrica) – Universidade do Vale do Taquari - Univates, Lajeado, 03 dez. 2020. Disponível em: http://hdl.handle.net/10737/3064. |
url |
http://hdl.handle.net/10737/3064 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) instname:Centro Universitário Univates (UNIVATES) instacron:UNIVATES |
instname_str |
Centro Universitário Univates (UNIVATES) |
instacron_str |
UNIVATES |
institution |
UNIVATES |
reponame_str |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
collection |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
bitstream.url.fl_str_mv |
https://www.univates.br/bdu/bitstreams/fc294d79-3ef7-437b-9282-8dee2bf01c42/download https://www.univates.br/bdu/bitstreams/0259d672-bb1f-4f4f-9ad3-2799e66985c4/download https://www.univates.br/bdu/bitstreams/17e88c29-e59a-4587-aa25-1b8e7bb1fe40/download https://www.univates.br/bdu/bitstreams/3ea6cf1f-be1c-4d57-9e43-782c2eb33d0b/download https://www.univates.br/bdu/bitstreams/731d08e1-f110-4206-8eea-a91a7ab3872e/download https://www.univates.br/bdu/bitstreams/da5f214e-8144-4da5-b751-bdcd66225287/download https://www.univates.br/bdu/bitstreams/9336e284-dff1-4f58-a30f-514abee9aaa6/download |
bitstream.checksum.fl_str_mv |
f1d6d9e5541be0276474a8a480c0af84 486e70aa6e7b0271de4953c01c4283fd d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e 45783b7017abffc8c7216a53524a7821 67a7a9ce01a883d3b8ecb6a4360ea871 dea6fafdf401c24ab2e0729327c27cb1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) - Centro Universitário Univates (UNIVATES) |
repository.mail.fl_str_mv |
|
_version_ |
1801842382493188096 |