Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/1028
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | COSTA, Cláudio Inácio de Almeida | - |
dc.date.issued | 2017 | - |
dc.identifier.citation | COSTA, Cláudio Inácio de Almeida. Aplicação de técnicas de Big Data à Previsão da Carga Elétrica. 2017. 164 f. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2017. | pt_BR |
dc.identifier.uri | https://repositorio.unifei.edu.br/jspui/handle/123456789/1028 | - |
dc.description.abstract | Com o avanço das telecomunicações e com o barateamento dos dispositivos de medição, os sistemas elétricos de potência passaram a gerar um enorme volume de dados. Estes chegam aos centros de operação com diferentes frequências, desde alguns minutos para o estado de disjuntores, até alguns milissegundos para medidas de tensão e corrente durante transitórios. O desafio atual é tornar estes dados disponíveis de forma simples e eficiente aos operadores. O objetivo é transformar a avalanche de dados em informações úteis ao processo de decisão. Neste sentido, várias técnicas de mineração de dados foram desenvolvidas. Recentemente, as técnicas de Big Data possibilitaram a manipulação de grandes bases de dados e a elaboração de modelos baseados em aprendizado de máquina e inteligência artificial. Este trabalho apresenta a aplicação das técnicas de Big Data ao problema de previsão de carga. Bons modelos de previsão são fundamentais para o planejamento, operação e manutenção dos sistemas elétricos. Diversos fatores podem influenciar o comportamento futuro da carga, não necessariamente em intervalos regulares, ou da mesma forma, para os diversos horizontes de previsão. Dentre as diversas técnicas de Big Data disponíveis, foi escolhida a modelagem por Florestas Aleatórias (Random Forests). Esta técnica permite tratar grandes bases de dados, formadas tanto por atributos numéricos como categóricos, além de serem bastante robustas quanto à presença de dados faltosos, inconsistentes e com ruído. Seu algoritmo de aprendizado é rápido e gera modelos precisos e de fácil aplicação. Este trabalho propõe também alterações na técnica de Florestas Aleatórias para a previsão de carga. Estas alterações foram aplicadas com sucesso a um conjunto de dados de uma concessionária brasileira obtendo-se bons resultados sem nenhuma intervenção humana. Por exemplo, a carga média no horizonte de até um ano à frente, importante para a contratação da energia pela concessionária, foi prevista com erro da ordem de décimos de porcentagem. | pt_BR |
dc.language.iso | pt_BR | pt_BR |
dc.title | Aplicação de técnicas de Big Data à Previsão da Carga Elétrica. | pt_BR |
dc.type | Tese | pt_BR |
dc.place | Itajubá | pt_BR |
dc.pages | 164 p. | pt_BR |
dc.keywords.portuguese | Mineração de Dados | pt_BR |
dc.keywords.portuguese | Big Data | pt_BR |
dc.keywords.portuguese | Florestas Aleatórias | pt_BR |
dc.keywords.portuguese | Previsão de Carga | pt_BR |
dc.keywords.english | Data Mining | pt_BR |
dc.keywords.english | Big Data | pt_BR |
dc.keywords.english | Random Forests | pt_BR |
dc.keywords.english | Load Forecasting | pt_BR |
dc.orientador.principal | SILVA, Luiz Eduardo Borges da | - |
dc.orientador.coorientador | FERREIRA, Cláudio | - |
dc.place.presentation | Universidade Federal de Itajubá | pt_BR |
dc.pg.programa | Engenharia Elétrica | pt_BR |
dc.pg.area | Transmissão da Energia Elétrica, Distribuição da Energia Elétrica | pt_BR |
dc.date.available | 2017-12-19T14:42:41Z | - |
dc.date.accessioned | 2017-12-19T14:42:41Z | - |
dc.publisher.department | IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação | - |
dc.publisher.program | Programa de Pós-Graduação: Doutorado - Engenharia Elétrica | - |
Aparece nas coleções: | Teses |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tese_costa1_2017.pdf | 3,85 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.