A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC.

CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO === O objetivo principal desta dissertação é desenvolver um método de previsão de carga elétrica de curto prazo (previsão horária), através de um sistema híbrido (Redes Neurais e Lógica Fuzzy) utilizando temperaturas máximas e mínimas...

Full description

Bibliographic Details
Main Author: FLAVIA CRISTINA DA COSTA SERRAO
Other Authors: REINALDO CASTRO SOUZA
Language:Portuguese
Published: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO 2003
Online Access:http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=3525@1
http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=3525@2
id ndltd-IBICT-oai-MAXWELL.puc-rio.br-3525
record_format oai_dc
spelling ndltd-IBICT-oai-MAXWELL.puc-rio.br-35252019-03-01T15:33:11Z A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC. MODELO DE PREVISÃO DE CARGA DE CURTO PRAZO UTILIZANDO REDES NEURAIS E LÓGICA FUZZY FLAVIA CRISTINA DA COSTA SERRAO REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA TUFI MACHADO SOARES GUTEMBERG HESPANHA BRASIL JOAO CARLOS DE OLIVEIRA AIRES JOAO CARLOS DE OLIVEIRA AIRES CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO O objetivo principal desta dissertação é desenvolver um método de previsão de carga elétrica de curto prazo (previsão horária), através de um sistema híbrido (Redes Neurais e Lógica Fuzzy) utilizando temperaturas máximas e mínimas como variáveis explicativas. Como primeiro passo, foram definidos os perfis homogêneos das curvas de carga diárias através de um classificador utilizando os Mapas Auto Organizáveis (Self-Organizing Maps- SOM). Um previsor será adicionado ao esquema de previsão através da Lógica Fuzzy que associará as variáveis climáticas aos perfis criados pela SOM produzindo as previsões. O modelo foi aplicado em dados de duas concessionárias de energia elétrica do Brasil usando dados horários coletados durante dois anos. This dissertation presents a short-term load forecasting procedure mixing a classifier scheme and a predictive scheme. The classifier is implemented through an artificial neural network using a non-supervised learning procedure (SOM). Concerning the predictive scheme, a fuzzy logic procedure uses climatic variables and their prediction to choose the appropriate profiles created by SOM and then combines them to produce the desired forecast. The model is applied to two utilities in Brazil using hourly observations collected during two calendar years and the results obtained, in terms of mean absolute percentage error (MAPE) through the period analyzed, are presented. 2003-03-21 info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=3525@1 http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=3525@2 por info:eu-repo/semantics/openAccess PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO PPG EM ENGENHARIA ELÉTRICA PUC-Rio BR reponame:Repositório Institucional da PUC_RIO instname:Pontifícia Universidade Católica do Rio de Janeiro instacron:PUC_RIO
collection NDLTD
language Portuguese
sources NDLTD
description CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO === O objetivo principal desta dissertação é desenvolver um método de previsão de carga elétrica de curto prazo (previsão horária), através de um sistema híbrido (Redes Neurais e Lógica Fuzzy) utilizando temperaturas máximas e mínimas como variáveis explicativas. Como primeiro passo, foram definidos os perfis homogêneos das curvas de carga diárias através de um classificador utilizando os Mapas Auto Organizáveis (Self-Organizing Maps- SOM). Um previsor será adicionado ao esquema de previsão através da Lógica Fuzzy que associará as variáveis climáticas aos perfis criados pela SOM produzindo as previsões. O modelo foi aplicado em dados de duas concessionárias de energia elétrica do Brasil usando dados horários coletados durante dois anos. === This dissertation presents a short-term load forecasting procedure mixing a classifier scheme and a predictive scheme. The classifier is implemented through an artificial neural network using a non-supervised learning procedure (SOM). Concerning the predictive scheme, a fuzzy logic procedure uses climatic variables and their prediction to choose the appropriate profiles created by SOM and then combines them to produce the desired forecast. The model is applied to two utilities in Brazil using hourly observations collected during two calendar years and the results obtained, in terms of mean absolute percentage error (MAPE) through the period analyzed, are presented.
author2 REINALDO CASTRO SOUZA
author_facet REINALDO CASTRO SOUZA
FLAVIA CRISTINA DA COSTA SERRAO
author FLAVIA CRISTINA DA COSTA SERRAO
spellingShingle FLAVIA CRISTINA DA COSTA SERRAO
A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC.
author_sort FLAVIA CRISTINA DA COSTA SERRAO
title A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC.
title_short A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC.
title_full A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC.
title_fullStr A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC.
title_full_unstemmed A SHORT-TERM LOAD FORECASTING MODEL USING NEURAL NETWORK AND FUZZY LOGIC.
title_sort short-term load forecasting model using neural network and fuzzy logic.
publisher PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
publishDate 2003
url http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=3525@1
http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=3525@2
work_keys_str_mv AT flaviacristinadacostaserrao ashorttermloadforecastingmodelusingneuralnetworkandfuzzylogic
AT flaviacristinadacostaserrao modelodeprevisaodecargadecurtoprazoutilizandoredesneuraiselogicafuzzy
AT flaviacristinadacostaserrao shorttermloadforecastingmodelusingneuralnetworkandfuzzylogic
_version_ 1718986064439279616