Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufjf.br/jspui/handle/ufjf/3563Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| victorteixeirademelomayrink.pdf | 2.53 MB | Adobe PDF |  Visualizar/Abrir |
| Clase: | Dissertação |
| Título : | Avaliação do algoritmo Gradient Boosting em aplicações de previsão de carga elétrica a curto prazo |
| Autor(es): | Mayrink, Victor Teixeira de Melo |
| Orientador: | Hippert, Henrique Steinherz |
| Miembros Examinadores: | Pedreira, Carlos Eduardo |
| Miembros Examinadores: | Oliveira, Fabrízzio Condé de |
| Miembros Examinadores: | Borges, Carlos Cristiano Hasenclever |
| Resumo: | O armazenamento de energia elétrica em larga escala ainda não é viável devido a restrições técnicas e econômicas. Portanto, toda energia consumida deve ser produzida instantaneamente; não é possível armazenar o excesso de produção, ou tampouco cobrir eventuais faltas de oferta com estoques de segurança, mesmo que por um curto período de tempo. Consequentemente, um dos principais desafios do planejamento energético consiste em realizar previsões acuradas para as demandas futuras. Neste trabalho, apresentamos um modelo de previsão para o consumo de energia elétrica a curto prazo. A metodologia utilizada compreende a construção de um comitê de previsão, por meio da aplicação do algoritmo Gradient Boosting em combinação com modelos de árvores de decisão e a técnica de amortecimento exponencial. Esta estratégia compreende um método de aprendizado supervisionado que ajusta o modelo de previsão com base em dados históricos do consumo de energia, das temperaturas registradas e de variáveis de calendário. Os modelos propostos foram testados em duas bases de dados distintas e demonstraram um ótimo desempenho quando comparados com resultados publicados em outros trabalhos recentes. |
| Resumen : | The storage of electrical energy is still not feasible on a large scale due to technical and economic issues. Therefore, all energy to be consumed must be produced instantly; it is not possible to store the production leftover, or either to cover any supply shortages with safety stocks, even for a short period of time. Thus, one of the main challenges of energy planning consists in computing accurate forecasts for the future demand. In this paper, we present a model for short-term load forecasting. The methodology consists in composing a prediction comitee by applying the Gradient Boosting algorithm in combination with decision tree models and the exponential smoothing technique. This strategy comprises a supervised learning method that adjusts the forecasting model based on historical energy consumption data, the recorded temperatures and calendar variables. The proposed models were tested in two di erent datasets and showed a good performance when compared with results published in recent papers. |
| Palabras clave : | Previsão de carga elétrica Amortecimento exponencial Árvores de decisão Gradient Boosting Short Term Load Forecasting Exponential Smoothing Decision Trees Gradient Boosting |
| CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA |
| Idioma: | por |
| País: | Brasil |
| Editorial : | Universidade Federal de Juiz de Fora (UFJF) |
| Sigla de la Instituición: | UFJF |
| Departamento: | ICE – Instituto de Ciências Exatas |
| Programa: | Programa de Pós-graduação em Modelagem Computacional |
| Clase de Acesso: | Acesso Aberto |
| URI : | https://repositorio.ufjf.br/jspui/handle/ufjf/3563 |
| Fecha de publicación : | 31-ago-2016 |
| Aparece en las colecciones: | Mestrado em Modelagem Computacional (Dissertações) |
Los ítems de DSpace están protegidos por licencias Creative Commons, con todos los derechos reservados, a menos que se indique lo contrario.