Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/123456789/10154
Files in This Item:
File Description SizeFormat 
iagomansurdeazevedo.pdf1.52 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Previsão de carga elétrica a curto prazo combinando métodos lineares univariados e variáveis exógenas através de algoritmos genéticos
Author: Azevedo, Iago Mansur de
First Advisor: Hippert, Henrique Steinherz
Referee Member: Souza, Augusto Carvalho
Referee Member: Manfrini, Francisco Augusto Lima
Resumo: As previsões da carga elétrica a curto prazo são cruciais para a operação dos sistemas energéticos, pois permitem otimizar os custos de operação e evitar desperdícios. Além disso, as previsões são necessárias para estabelecer o preço da energia no mercado e para definir os contratos de fornecimento. Neste trabalho, desenvolvemos um sistema baseado na combinação de previsões. Primeiramente, são feitas previsões univariadas por meio de quatro métodos de amortecimento exponencial (extensões do método de Holt-Winters); em seguida, estas previsões são combinadas linearmente entre si, e também com algumas funções não-lineares de variáveis exógenas (especialmente a temperatura), por meio de algoritmos genéticos. Fizemos experimentos com duas implementações diferentes destes algoritmos e testamos o sistema sobre uma base de dados reais, obtidos na cidade do Rio de janeiro - RJ. Os resultados obtidos indicaram que a introdução de variáveis exógenas não melhorou a acurácia das previsões; além disso, que a combinação usando algoritmos genéticos não conseguiu previsões melhores do que as feitas usando um métodos de otimização já bem conhecido (no caso, o método de Nelder-Mead). O que indica que os métodos baseados em inteligência computacional podem não apresentar resultados melhores, em todas as situações, que os dos métodos lineares usuais e que a sua aplicação deve ser bem justificada, em cada problema particular.
Abstract: Short-term load forecasts are crucial to the operation of energy systems, since they allow optimizing operating costs and avoiding waste. In addition, the forecasts are needed to set the price of energy in the market and to define supply contracts. In this dissertation, we developed a system based on the combination of forecasts. First, univariate forecasts are made by four exponential smoothing methods (extensions of the Holt-Winters method); then, these forecats are combined linearly with each other, and also with some non-linear functions of exogenous variables (especially temperature), through genetic algorithms. We performed experiments with two different implementations of these algorithms and tested the system on a real database, obtained in the city of Rio de Janeiro. The results indicated that the introduction of exogenous variables did not improve the accuracy of the forecasts; in addition, that the combination using genetic algorithms did not get better forecasts than that made using an already well-known optimization method (in this case, the Nelder-Mead method). This shows that methods based on computational intelligence may not achieve better results, in all circunstancies, than the usual linear methods and that their application must be well justified in each particular problem.
Keywords: Séries temporais
Amortecimento exponencial
Algoritmos genéticos
Combinação de previsões
Previsão de cargas
Time series
Exponential smoothing
Genetic algorithms
Combination of forecasts
Short-term load forecasting
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: ICE – Instituto de Ciências Exatas
Program: Programa de Pós-graduação em Modelagem Computacional
Access Type: Acesso Aberto
URI: https://repositorio.ufjf.br/jspui/handle/123456789/10154
Issue Date: 13-Mar-2019
Appears in Collections:Mestrado em Modelagem Computacional (Dissertações)



Items in DSpace are protected by Creative Commons licenses, with all rights reserved, unless otherwise indicated.