[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS
[pt] Esta dissertação investiga a utilização de Redes Neurais Artificiais (RNAs) na área de previsão de carga elétrica. Nesta investigação foram utilizados dados reais de energia relativos ao sistema elétrico brasileiro. O trabalho consiste de quatro partes principais: um estudo sobre o problem...
Main Author: | |
---|---|
Other Authors: | |
Language: | pt |
Published: |
MAXWELL
2007
|
Subjects: | |
Online Access: | https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9514@1 https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9514@2 http://doi.org/10.17771/PUCRio.acad.9514 |
id |
ndltd-puc-rio.br-oai-MAXWELL.puc-rio.br-9514 |
---|---|
record_format |
oai_dc |
collection |
NDLTD |
language |
pt |
sources |
NDLTD |
topic |
[pt] REDES NEURAIS [en] NEURAL NETWORKS [pt] PREVISAO DE CARGA [en] LOAD FORECASTING [pt] SISTEMAS ELETRICOS DE POTENCIA [en] ELECTRICAL POWER SYSTEMS |
spellingShingle |
[pt] REDES NEURAIS [en] NEURAL NETWORKS [pt] PREVISAO DE CARGA [en] LOAD FORECASTING [pt] SISTEMAS ELETRICOS DE POTENCIA [en] ELECTRICAL POWER SYSTEMS RICARDO SALEM ZEBULUM [en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS |
description |
[pt] Esta dissertação investiga a utilização de Redes Neurais
Artificiais (RNAs) na área de previsão de carga elétrica.
Nesta investigação foram utilizados dados reais de energia
relativos ao sistema elétrico brasileiro. O trabalho
consiste de quatro partes principais: um estudo sobre o
problema de previsão de carga no contexto de sistemas
elétricos de potência; o estudo e a modelagem das RNAs
para previsão de carga; o desenvolvimento do ambiente de
simulação; e o estudo de casos.
O estudo sobre o problema de previsão de carga envolveu
uma investigação sobre a importância da previsão de
demanda de energia na área de sistemas elétricos de
potência. Enfatizou-se a classificação dos diversos tipos
de previsão de acordo com o seu horizonte, curto e longo
prazo, bem como a análise das variáveis mais relevantes
para a modelagem da carga elétrica. O estudo também
consistiu da análise de vários projetos na área de
previsão de carga, apresentando as metodologias mais
utilizadas.
O estudo e a modelagem de RNAs na previsão de carga
envolveu um extenso estudo bibliográfico de diversas
metodologias. Foram estudadas as arquiteturas e os
algoritmos de aprendizado mais empregados. Constatou-se
uma predominância da utilização do algoritmo de
retropropagação (Backpropagation) nas aplicações de
previsão de carga elétrica horária para curto prazo. A
partir desse estudo, e utilizando o algoritmo de
retropropagação, foram propostas diversas arquiteturas de
RNAs de acordo com o tipo de previsão desejada.
O desenvolvimento do ambiente de simulação foi
implementado em linguagem C em estações de trabalho SUN. O
pacote computacional engloba basicamente 3 módulos: um
módulo de pré-processamento da série de carga para
preparar os dados de entrada; um módulo de treinamento da
Rede Neural para o aprendizado do comportamento da série;
e um módulo de execução da Rede Neural para a previsão dos
valores futuros da série. A construção de uma interface
amigável para a execução do sistema de previsão, bem como
a obtenção de um sistema portátil foram as metas
principais para o desenvolvimento do simulador.
O estudo de casos consistiu de um conjunto de
implementações com o objetivo de testar o desempenho de um
sistema de previsão baseado em Redes Neurais para dois
horizontes distintos: previsão horária e previsão mensal.
No primeiro caso, foram utilizados dados de energia da
CEMIG (Estado de Minas Gerais) e LIGHT (Estado do Rio de
Janeiro). No segundo caso, foram utilizados dados de
energia de 32 companhias do setor elétrico brasileiro.
Destaca-se que a previsão mensal faz parte de um projeto
de interesse da ELETROBRÁS, contratado pelo CEPEL. Para
ambos os casos, investigou-se a influência do horizonte de
previsão e da época do ano no desempenho do sistema de
previsão. Além disso, foram estudadas as variações do
desempenho das Redes Neurais de acordo com a empresa de
energia elétrica utilizada. A avaliação do desempenho foi
feita através da análise das seguintes estatísticas de
erro: MAPE (Mean Absolute Percentage Error), RMSE (Root
Mean Square Error) e U de Theil. O desempenho das RNAs foi
comparado com o de outras técnicas de previsão, como os
métodos de Holt-Winters e Box & Jenkins, obtendo-se
resultados, em muitos casos, superiores.
=== [en] This dissertation investigates the application of
Artificial Neural Networks (ANNs) in load forecasting. In
this work we have used real load data from the Brazilian
electrical system. The dissertation is divided in four
main topics: a study of the importance of load forecasting
to electric power systems; the investigation of the ANN
modeling to this particular problem; the development of a
neuro-simulador; and the case studies.
It has been made an investigation of the objectives of
load forecasting to power systems. The different kinds of
load forecasting have been classified according to the
leading time of the prediction (short and long term). The
more important variables to model electric load were also
investigated. This study analyses many projects in the
area of load forecasting and presents the techniques that
have been traditionally used to treat the problem.
The ANNs modeling to load forecasting involved a deep
investigation of works that have been published. The ANNs
architectures and learning algorithms more commonly used
were studied. It has been verified that the
Backpropagation algorithm was the more commoly applied in
the problem (particularly, in the problem of short term
hourly load forecasting). Based on this investigation and
using the backpropagation algorithm, many Neural Networks
architetures were proposed according to the desired type
of forecasting.
The development of the neuro-simulator has been made in C
language, using SUN workstations. The software is divided
in 3 modules: a load series pre-processing module, to
prepare the input data; a training module to the load
series behavior learning; and an execution module, in
which the Neural Network will perform the predictions. The
development of a friendly interface to the forecasting
system execution and the portability of the system were
main goals during the simulator development.
The case studies involved testing the system performance
for 2 cases: hourly and monthly predictions. In the first
case, load data from CEMING (State of Minas Gerais) and
LIGHT (State of Rio de Janeiro) has been used. In the
second case load data from 32 companies of the Brazilian
electrical system has been used. Monthly load forecasting
is involved in a project of interest of two companies of
the electric sector in Brazil: CEPEL and ELETROBRÁS. In
both cases, influences of the forecasting horizon and of
the period of the year in the system´s performance has
been investigated. Besides, the changes in the forecasting
performance according to the particular electric company
were also studied. The performance evaluation has been
done through the analysis of the following error figures:
MAPE (Mean Absolute Percentage Error), RMSE (Root Mean
Square Error) and Theil´s U. The ANN performance was also
compared with the performance of other techniques, like
Holt-Winteres and Box-Jenkins, giving better results in
many cases. |
author2 |
MARLEY MARIA BERNARDES REBUZZI VELLASCO |
author_facet |
MARLEY MARIA BERNARDES REBUZZI VELLASCO RICARDO SALEM ZEBULUM |
author |
RICARDO SALEM ZEBULUM |
author_sort |
RICARDO SALEM ZEBULUM |
title |
[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS |
title_short |
[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS |
title_full |
[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS |
title_fullStr |
[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS |
title_full_unstemmed |
[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS |
title_sort |
[en] neural networks in load forecasting in electric energy systems |
publisher |
MAXWELL |
publishDate |
2007 |
url |
https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9514@1 https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9514@2 http://doi.org/10.17771/PUCRio.acad.9514 |
work_keys_str_mv |
AT ricardosalemzebulum enneuralnetworksinloadforecastinginelectricenergysystems AT ricardosalemzebulum ptprevisaodecargaemsistemaseletricosdepotenciaporredesneurais |
_version_ |
1718533119947046912 |
spelling |
ndltd-puc-rio.br-oai-MAXWELL.puc-rio.br-95142017-09-15T04:11:48Z[en] NEURAL NETWORKS IN LOAD FORECASTING IN ELECTRIC ENERGY SYSTEMS [pt] PREVISÃO DE CARGA EM SISTEMAS ELÉTRICOS DE POTÊNCIA POR REDES NEURAIS RICARDO SALEM ZEBULUM[pt] REDES NEURAIS[en] NEURAL NETWORKS[pt] PREVISAO DE CARGA[en] LOAD FORECASTING[pt] SISTEMAS ELETRICOS DE POTENCIA[en] ELECTRICAL POWER SYSTEMS[pt] Esta dissertação investiga a utilização de Redes Neurais Artificiais (RNAs) na área de previsão de carga elétrica. Nesta investigação foram utilizados dados reais de energia relativos ao sistema elétrico brasileiro. O trabalho consiste de quatro partes principais: um estudo sobre o problema de previsão de carga no contexto de sistemas elétricos de potência; o estudo e a modelagem das RNAs para previsão de carga; o desenvolvimento do ambiente de simulação; e o estudo de casos. O estudo sobre o problema de previsão de carga envolveu uma investigação sobre a importância da previsão de demanda de energia na área de sistemas elétricos de potência. Enfatizou-se a classificação dos diversos tipos de previsão de acordo com o seu horizonte, curto e longo prazo, bem como a análise das variáveis mais relevantes para a modelagem da carga elétrica. O estudo também consistiu da análise de vários projetos na área de previsão de carga, apresentando as metodologias mais utilizadas. O estudo e a modelagem de RNAs na previsão de carga envolveu um extenso estudo bibliográfico de diversas metodologias. Foram estudadas as arquiteturas e os algoritmos de aprendizado mais empregados. Constatou-se uma predominância da utilização do algoritmo de retropropagação (Backpropagation) nas aplicações de previsão de carga elétrica horária para curto prazo. A partir desse estudo, e utilizando o algoritmo de retropropagação, foram propostas diversas arquiteturas de RNAs de acordo com o tipo de previsão desejada. O desenvolvimento do ambiente de simulação foi implementado em linguagem C em estações de trabalho SUN. O pacote computacional engloba basicamente 3 módulos: um módulo de pré-processamento da série de carga para preparar os dados de entrada; um módulo de treinamento da Rede Neural para o aprendizado do comportamento da série; e um módulo de execução da Rede Neural para a previsão dos valores futuros da série. A construção de uma interface amigável para a execução do sistema de previsão, bem como a obtenção de um sistema portátil foram as metas principais para o desenvolvimento do simulador. O estudo de casos consistiu de um conjunto de implementações com o objetivo de testar o desempenho de um sistema de previsão baseado em Redes Neurais para dois horizontes distintos: previsão horária e previsão mensal. No primeiro caso, foram utilizados dados de energia da CEMIG (Estado de Minas Gerais) e LIGHT (Estado do Rio de Janeiro). No segundo caso, foram utilizados dados de energia de 32 companhias do setor elétrico brasileiro. Destaca-se que a previsão mensal faz parte de um projeto de interesse da ELETROBRÁS, contratado pelo CEPEL. Para ambos os casos, investigou-se a influência do horizonte de previsão e da época do ano no desempenho do sistema de previsão. Além disso, foram estudadas as variações do desempenho das Redes Neurais de acordo com a empresa de energia elétrica utilizada. A avaliação do desempenho foi feita através da análise das seguintes estatísticas de erro: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) e U de Theil. O desempenho das RNAs foi comparado com o de outras técnicas de previsão, como os métodos de Holt-Winters e Box & Jenkins, obtendo-se resultados, em muitos casos, superiores. [en] This dissertation investigates the application of Artificial Neural Networks (ANNs) in load forecasting. In this work we have used real load data from the Brazilian electrical system. The dissertation is divided in four main topics: a study of the importance of load forecasting to electric power systems; the investigation of the ANN modeling to this particular problem; the development of a neuro-simulador; and the case studies. It has been made an investigation of the objectives of load forecasting to power systems. The different kinds of load forecasting have been classified according to the leading time of the prediction (short and long term). The more important variables to model electric load were also investigated. This study analyses many projects in the area of load forecasting and presents the techniques that have been traditionally used to treat the problem. The ANNs modeling to load forecasting involved a deep investigation of works that have been published. The ANNs architectures and learning algorithms more commonly used were studied. It has been verified that the Backpropagation algorithm was the more commoly applied in the problem (particularly, in the problem of short term hourly load forecasting). Based on this investigation and using the backpropagation algorithm, many Neural Networks architetures were proposed according to the desired type of forecasting. The development of the neuro-simulator has been made in C language, using SUN workstations. The software is divided in 3 modules: a load series pre-processing module, to prepare the input data; a training module to the load series behavior learning; and an execution module, in which the Neural Network will perform the predictions. The development of a friendly interface to the forecasting system execution and the portability of the system were main goals during the simulator development. The case studies involved testing the system performance for 2 cases: hourly and monthly predictions. In the first case, load data from CEMING (State of Minas Gerais) and LIGHT (State of Rio de Janeiro) has been used. In the second case load data from 32 companies of the Brazilian electrical system has been used. Monthly load forecasting is involved in a project of interest of two companies of the electric sector in Brazil: CEPEL and ELETROBRÁS. In both cases, influences of the forecasting horizon and of the period of the year in the system´s performance has been investigated. Besides, the changes in the forecasting performance according to the particular electric company were also studied. The performance evaluation has been done through the analysis of the following error figures: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) and Theil´s U. The ANN performance was also compared with the performance of other techniques, like Holt-Winteres and Box-Jenkins, giving better results in many cases.MAXWELLMARLEY MARIA BERNARDES REBUZZI VELLASCO2007-02-02TEXTOhttps://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9514@1https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9514@2http://doi.org/10.17771/PUCRio.acad.9514pt |