Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/6093
Files in This Item:
File Description SizeFormat 
douglasdeoliveiramatosbraga.pdf1.19 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Previsão de cargas elétricas a curto prazo por combinação de previsões via regressão simbólica
Author: Braga, Douglas de Oliveira Matos
First Advisor: Hippert, Henrique Steinherz
Referee Member: Bastos, Ronaldo Rocha
Referee Member: Oliveira, Fabrízzio Condé de
Resumo: O planejamento energético é base para as tomadas de decisões nas companhias de energia elétrica e, para isto, depende fortemente da disponibilidade de previsões acuradas para as cargas. Devido á inviabilidade de armazenamentos em larga-escala e o custo elevado de compras de energia a curto prazo, além da possibilidade de multas e sanções de órgãos governamentais, previsões em curto prazo são importantes para a otimização da alocação de recursos e da geração de energia. Neste trabalho utilizamos nove métodos univariados de séries temporais para a previsão de cargas a curto prazo, com horizontes de 1 a 24 horas a frente. Buscando melhorar a acurácia das previsões, propomos um método de combinação de previsões através de Regressão Simbólica, que combina de forma não-linear as previsões obtidas pelos nove métodos de séries temporais utilizados. Diferente de outros métodos não-lineares de regressão, a Regressão Simbólica não precisa de uma especificação previa da forma funcional. O método proposto é aplicado em uma série real da cidade do Rio de Janeiro (RJ), que contém cargas horárias de 104 semanas dos anos de 1996 e 1997. Comparamos, através de critérios indicados na literatura, os resultados obtidos pelo método proposto com os resultados obtidos por métodos tradicionais de combinação de previsões e ao resultado de simulações de redes neurais artificiais aplicados ao mesmo conjunto de dados. O método proposto obteve melhores resultados, que indicam que a não-linearidade pode ser aspecto importante para combinação de previsões no problema de previsão de carga a curto prazo
Abstract: Decision-making in energy companies relies heavily on the availability of accurate load forecasts. Because storing electricity on a large scale is not viable, the cost of short-term energy purchasing is high, and there are government fines and sanctions for failing to supply energy on demand, short-term load forecasts are important for the optimization of resource allocation and energy production. In this work we used nine univariate time series methods for short-term load forecasts, with forecast horizons ranging from 1 to 24 hours ahead. In order to improve the accuracy of forecasts, we propose a method of combining forecasts through Symbolic Regression, which combines in a non-linear way the forecasts obtained by the nine methods of the time series used. Unlike other non-linear regression methods, Symbolic Regression does not need a previous specification of the function structure. We applied the proposed method to a real time series of the city of Rio de Janeiro (RJ), which contains data on hourly loads of 104 weeks in the years 1996 and 1997. We compare, through the criteria indicated in the literature, the results obtained by the proposed method with the results obtained by traditional methods of forecasts combination and the result obtained by artificial neural networks applied to the same dataset. The method has yielded better results, indicating that non-linearity may be important in combining predictions in short term load forecasts.
Keywords: Séries temporais
Previsão de cargas elétricas
Combinação de previsões
Regressão simbólica
Time series
Eletrical load forecasting
Forecast combination
Symbolic regression
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/ufjf/6093
Issue Date: 31-Aug-2017
Appears in Collections:Mestrado em Modelagem Computacional (Dissertações)



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