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 |
|