[en] A SHORT TERM LOAD FORECASTING MODEL COMBINING STATISTICAL AND COMPUTATIONAL INTELLIGENCE BASED MODELS

• Main Author: PLUTARCHO MARAVILHA LOURENCO
• Other Authors: REINALDO CASTRO SOUZA
• Language: pt
• Published: MAXWELL 2006
• Subjects: [pt] REDES NEURAIS; [en] NEURAL NETWORKS; [pt] PREVISAO DE CARGA; [en] LOAD FORECASTING; [pt] LOGICA FUZZY; [en] FUZZY LOGIC; [pt] MODELOS ESTATISTICOS; [en] STATISTICAL MODELS
• Online Access: https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=7948@1; https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=7948@2; http://doi.org/10.17771/PUCRio.acad.7948

[pt] Este trabalho apresenta um novo modelo de previsão de curto prazo de carga elétrica que reúne técnicas de inteligência computacional e métodos estatísticos. Ele permite aproveitar as vantagens de inteligência computacional, relativas à criação de classes da série de entrada e ao processamento de variáveis climáticas de forma lingüística, e aquelas provenientes de modelos estatísticos, onde os parâmetros e a ordem do modelo são conhecidos e o intervalo de confiança das previsões é determinado. O modelo é uma extensão do método desenvolvido por P.C. Gupta, onde são empregadas técnicas de inteligência computacional junto com o método original. O modelo resultante compreende um classificador, um previsor e um procedimento para aprimorar as estimativas. O classificador é implementado por uma rede neural artificial com aprendizado não-supervisionado, enquanto o previsor emprega modelos estatísticos, combinando métodos de média móvel, amortecimento exponencial e auto- regressivo. Um sistema com lógica nebulosa utiliza variáveis climáticas no aprimoramento da previsão obtida. === [en] A new short-term load forecasting procedure is presented in this work, mixing techniques from the statistical models and those from computational intelligence (CI). It takes advantage of the CI techniques to establish the various load profiles and to process climatic variables in a linguistic way, and those from the statistical side, where the parameters and the order of the model are known and a spread measure is determined. The model is an adaptation of the method developed by P.C.Gupta, where CI techniques are added to the original method. The final model includes a classifer scheme, a predictive scheme and a procedure to improve the estimations. The classifier is implemented via an artificial neural network using a non-supervised learning moving average, exponential smoothing and ARMA type of models. A fuzzy logic procedure uses climating variables to improve the forecast.