Previsão de demanda de cargas elétricas por seleção de variáveis stepwise e redes neurais artificiais

• Main Author: Alves, Marleide Ferreira [UNESP]
• Other Authors: Universidade Estadual Paulista (UNESP)
• Format: Others
• Language: Portuguese
• Published: Universidade Estadual Paulista (UNESP) 2014
• Subjects: Carga e distribuição elétrica; Redes neurais (Computação); Algoritmos; Electric charge and distribution
• Online Access: http://hdl.handle.net/11449/111122

Made available in DSpace on 2014-12-02T11:16:56Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-09-06Bitstream added on 2014-12-02T11:20:52Z : No. of bitstreams: 1 000800318.pdf: 1782561 bytes, checksum: f15b6161ad101bbd18fe9254ffc7771d (MD5) === Com o aumento na demanda por energia elétrica o planejamento de geração, transmissão e distribuição bem como a operação são importantes para uma prestação de serviços de forma eficiente, econômica e confiável. Uma das ferramentas para gestão desses recursos são os modelos de previsão de séries temporais. Há diversos modelos na literatura, como os modelos de regressão, modelos estatísticos, dentre outros. Outro modelo que vem se destacando na literatura é a previsão utilizando as redes neurais artificiais, pela sua capacidade de aprendizado. As redes neurais possuem várias arquiteturas, e uma em particular, que é considerada padrão na literatura, é a rede perceptron multicamadas com o algoritmo backpropagation. O presente trabalho propõe uma rede neural híbrida composta pelo método de regressão linear com seleção de variáveis stepwise juntamente com a rede neural artificial perceptron multicamadas com o algoritmo backpropagation. O objetivo é obter um método simples e eficaz para redução de variáveis sem perda de qualidade de previsão. O modelo de regressão linear com o método de seleção de variáveis stepwise tem a função de selecionar as variáveis mais relevantes para compor o conjunto de dados de entrada para treinamento/diagnóstico da rede neural perceptron multicamadas com o algoritmo backpropagation que, consequentemente, é a responsável em realizar a previsão de carga elétrica. Com esta proposta busca-se uma metodologia que seja capaz de reduzir a quantidade de variáveis de entrada da rede neural e obter resultados satisfatórios, ou seja, boas previsões. Para corroborar a metodologia proposta são apresentados os resultados da previsão de carga elétrica a curto prazo em um período de 24 e 48 horas a frente, considerando-se os dados históricos de uma companhia do setor elétrico === With the increase in electric energy demand the planning of generation, transmission and distribution as well as the operation are important to provide services efficiently, economically and reliably. One of the tools to manage those resources are time series model forecasting. There are several models in the literature, as the regression models, statistical models, among others. Other model that has been highlighted in the literature is the forecasting using artificial neural network, due to the capacity of learning. Neural networks have several architectures, and one in particular, that is considered standard in the literature is the multilayer perceptron network with the backpropagation algorithm. The present work proposes a hybrid neural network composed by the linear regression method with stepwise variable selection with the multilayer perceptron artificial neural network with the backpropagation algorithm. The aim is to provide a simple and effective method to reduce the variables without losing the forecasting quality. The function of the linear regression model with stepwise variable selection is to select the more relevant variables to compose the input data set to training/ diagnostic of the multilayer perceptron neural network with the backpropagation algorithm that, consequently, is the responsible to realize the electric load forecasting. The aim of this proposal is to find a methodology that reduces the amount of input variables of the neural network and obtain satisfactory results. To verify the proposed methodology results are presented for electric short-term load forecasting in a period of 24 and 48 hours ahead, considering the historical data obtained from a company pertaining to the electrical sector