Desenvolvimento de redes neurais para previsão de cargas elétricas de sistemas de energia elétrica

• Main Author: Lopes, Mara Lúcia Martins [UNESP]
• Other Authors: Universidade Estadual Paulista (UNESP)
• Format: Others
• Language: Portuguese
• Published: Universidade Estadual Paulista (UNESP) 2014
• Subjects: Lógica difusa; Redes neurais artificiais; Teoria da ressonância adaptativa; Previsão de cargas elétricas; Artificial neural network
• Online Access: http://hdl.handle.net/11449/100374

Made available in DSpace on 2014-06-11T19:30:52Z (GMT). No. of bitstreams: 0 Previous issue date: 2005-10-27Bitstream added on 2014-06-13T20:00:56Z : No. of bitstreams: 1 lopes_mlm_dr_ilha.pdf: 1509538 bytes, checksum: 3842df54e0429972a030219c885bd09a (MD5) === Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) === Nos dias atuais, principalmente pelo fato de alguns sistemas serem desregulamentados, o estudo dos problemas de análise, planejamento e operação de sistemas de energia elétrica é de extrema importância para o funcionamento do sistema. Para isso é necessário que se obtenha, com antecedência, o comportamento da carga elétrica com o propósito de garantir o fornecimento de energia aos consumidores de forma econômica, segura e contínua. Este trabalho propõe o desenvolvimento de redes neurais artificiais utilizadas para resolver o problema de previsão de cargas elétricas. Para tanto, inicialmente, propôs-se a introdução de melhorias na rede neural feedforward com treinamento realizado utilizando o algoritmo retropropagação. Neste caso, foi desenvolvida/implementada a adaptação dos parâmetros de inclinação e translação da função sigmóide (função de ativação da rede neural). A inclusão desta nova estrutura de redes neurais produziu melhores resultados, se comparado à rede neural retropropagação convencional. Essas arquiteturas proporcionam bons resultados, porém, são estruturas de redes neurais que possuem o problema de convergência. O problema de previsão de cargas elétricas a curto-prazo necessita de uma rede neural que forneça uma saída de forma rápida e eficaz. No intuito de solucionar os problemas encontrados com o algoritmo retropropagação foi desenvolvida/implementada uma rede neural baseada na arquitetura ART (Adaptive Rossonance Theory), denominada rede neural ART&ARTMAP nebulosa, aplicada ao problema de previsão de carga elétrica. Trata-se, por conseguinte, da principal contribuição desta tese. As redes neurais, baseadas na arquitetura ART, possuem duas características fundamentais que são de extrema importância para o desempenho da rede (estabilidade e plasticidade), que permite a implementação do treinamento de modo contínuo... === Nowadays due to the deregulamentation it is very important to study the problems of analyzing, planning and operation of electric power systems. For a reliable operation it is necessary to know previously the behavior of the load to guarantee the energy providing to the users with security and continuity and in an economic way. This work proposes to develop artificial neural networks to solve the problem of electric load forecasting. First, it is introduced some improvements on the feedforward neural network, with the training effectuated with the backpropagation algorithm. The improvement was the adaptation of the inclination and translation parameters of the sigmoid function (activation function of the neural network). The inclusion of this new structure provides better results if compared to the conventional backpropagation algorithm. These architectures provide good results, although they are structures that have some convergence problems. The short term electric load forecasting problem needs a neural network that provide a fast and efficient output. To solve this problem a neural network based on the ART (Adaptive Ressonance Theory), called_ fuzzy ART&ARTMAP applied to the load-forecasting problem, was developed and implemented._This is one of the contributions of this work. Neural networks based on the ART architecture have two important characteristics for the network performance, which are stability and plasticity, allowing the continuous training. The fuzzy ART&ARTMAP neural network reduces the imprecision of the results by a mechanism that separates the binary and analogical data and processing them separately. This represents a quality and an improvement on the results (reduction of the processing time and better precision), if compared to the neural network with backpropagation training (often considered as a benchmark in precision by the specialized...(Complete abastract click electronic access below)