Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/2249
Tipo: | Tese |
Título: | Previsão de curto prazo de cargas elétricas usando combinação de redes neurais artificiais e delineamento de experimentos |
Autor(es): | ROCHA, Franco Bassi |
Primeiro Orientador: | BALESTRASSI, Pedro Paulo |
metadata.dc.contributor.advisor-co1: | PAIVA, Anderson Paulo de |
Resumo: | É proposto neste trabalho uma nova abordagem para previsão de demanda de energia elétrica de curto prazo para subestações de distribuição de energia utilizando o ensemble de redes neurais artificiais. Nesse sentido, o principal objetivo desta abordagem é fazer previsões de uma mesma série temporal através de diferentes ferramentas que sozinhas são competentes para este tipo de problema e em seguida combinar as soluções, obtendo uma solução melhor em comparação a essas ferramentas utilizadas de forma individual. Para a construção do ensemble a metodologia de planejamento experimental (DOE) foi empregada inicialmente para identificar a influência de 6 fatores relacionados a parametrização da RNA e a partir do método de otimização desirability obter uma parametrização para determinar a arquitetura das redes neurais que formaram o ensemble. Na sequência, o método de otimização interseção normal a fronteira (NBI) aliado com a técnica de análise fatorial exploratória (baseado em planejamento com experimentos de mistura) foi utilizado para estabelecer um conjunto de soluções Pareto ótimas para a combinação das saídas produzidas pelas redes neurais, formando a saída do ensemble. Como critério de escolha, a razão máxima entre entropia de Shannon e erro percentual global foi utilizada e com base nos 72 dados deixados fora da amostra o ensemble de redes neurais artificiais apresentou melhores resultados comparados a cada rede individual. |
Abstract: | This work proposes a new approach to short-term load forecast for power distribution substations using the artificial neural network ensemble. In this sense, the main objective of this approach is to make predictions for the same time series using different tools that are competent for this type of problem and then combine the solutions, obtaining a better solution compared to those tools used individually. For the construction of the ensemble, the experimental planning methodology (DOE) was used initially to identify the influence of 6 factors related the parameterization of the ANN and from the desirability optimization method to obtain a parameterization to determine the architecture of the neural networks that formed the ensemble . Then, the normal intersection optimization method (NBI) combined with the technique of exploratory factor analysis (based on mixture design of experiments) was used to establish a set of optimal Pareto solutions for combining the outputs produced by neural networks, forming the output of the ensemble. As a criterion of choice, the maximum ratio between Shannon’s entropy and global percentage error was used and based on the 72 out of sample data the ensemble of artificial neural networks presented better results compared to each individual network. |
Palavras-chave: | Previsão de carga elétrica de curto prazo Ensemble de redes neurais artificiais Planejamento de experimentos Interseção normal a fronteira Análise fatorial |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA::SISTEMAS ELÉTRICOS DE POTÊNCIA |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Itajubá |
Sigla da Instituição: | UNIFEI |
metadata.dc.publisher.department: | IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
metadata.dc.publisher.program: | Programa de Pós-Graduação: Doutorado - Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/2249 |
Data do documento: | 4-Dez-2020 |
Aparece nas coleções: | Teses |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Tese_2020025.pdf | 3,34 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.