Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/4921| Título: | Modelo para previsão de demanda de eletricidade com redes neurais artificias integradas a métodos multicritério |
| Título(s) alternativo(s): | Model for forecasting electricity demand with artificial neural networks integrated with multi-criteria methods |
| Autor(es): | Deina, Carolina |
| Orientador(es): | Trojan, Flavio |
| Palavras-chave: | Energia elétrica - Consumo Variáveis (Matemática) Análise de séries temporais Modelos lineares (Estatística) Electric power consumption Variables (Mathematics) Time-series analysis Linear models (Statistics) |
| Data do documento: | 5-Mar-2020 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | DEINA, Carolina. Modelo para previsão de demanda de eletricidade com redes neurais artificias integradas a métodos multicritério. 2020. Dissertação (Mestrado em Engenharia de Produção e Sistemas) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2020. |
| Resumo: | Para que não haja produção excessiva de eletricidade ou abaixo da demanda, o planejamento e a adoção de políticas eficientes são essenciais. Para isso, torna-se necessário aprimorar as técnicas de previsão de demanda de eletricidade em um país, pois uma produção que não atende à demanda causa racionamentos. Por outro lado, a produção excessiva gera desperdícios e custos elevados. Este trabalho teve por objetivo aprimorar as técnicas do processo de previsão de demanda de eletricidade, por meio de um modelo que integra redes neurais e o método multicritério ELECTRE I. Na literatura, constatou-se que ao incluir variáveis independentes no modelo de previsão, os resultados melhoram sensivelmente, porém ainda há uma carência de modelos eficientes que auxiliem neste processo. Assim, o modelo proposto apresenta cinco etapas distintas: 1) seleção das variáveis de entrada pelo método ELECTRE I, cujo o objetivo foi selecionar apenas as variáveis causais, excluindo as variáveis que podem estar apenas correlacionadas, porém sem influência direta no comportamento da demanda; 2) pré-processamento de dados com identificação do comportamento da demanda, considerando que poderá apresentar sazonalidade, tendência, ciclicidade e termos aleatórios e não estacionaridade; 3) previsão de demanda realizada com base nos modelos linerares de SEHW, AR e ARIMA e três modelos de Redes Neurais Artificiais, MLP, RBF e ELM; 4) pós-processamento de dados com a transformação dos dados nas escalas originais; 5) comparação dos modelos utilizados com base nas medidas de Erro: MSE, MAE e MAPE. Para testar o modelo proposto na metodologia, selecionou-se a série histórica de consumo de energia elétrica do Paraná. As previsões foram realizadas considerando 1, 3 e 6 passos à frente. Além disso, as entradas utilizadas pelos modelos neurais foram selecionadas por meio do método Wrapper. Como resultado, o ELECTRE I selecionou como variáveis explicativas a temperatura e evaporação média. Quando essas foram incluídas nos modelos preditivos constatou-se a melhora dos resultados de todas as RNAs. Além disso, para esse problema as RNAs tiveram desempenho superior comparado aos modelos lineares. Destaca-se as Redes ELM e RBF como os melhores preditores. |
| Abstract: | In order to avoid excessive electricity production or below demand, efficient planning and adoption of policies are essential. For this, it is necessary to improve the techniques for forecasting electricity demand in a country, as a production that does not meet the demand for cause. On the other hand, excessive production generates waste and high costs. This work aimed to improve the techniques of the electricity demand forecasting process, using a model that integrates neural networks and the ELECTRE I multicriteria method. In the literature, see if you want to include independent variables in the forecasting model, the results improve significantly, but there is still a lack of efficient models that help in this process. Thus, the model presented has five distinct stages: 1) selection of input variables by the ELECTRE I method, whose objective was selected only as causal variables, excluding as variables that can only be correlated, but without direct influence demand behavior; 2) pre-processing of data with identification of demand behavior, considering the possibility of seasonal display, trend, cyclicality and random terms and non-stationarity; 3) demand forecast executed based on the linear models of SEHW, AR and ARIMA and three models of Artificial Neural Networks, MLP, RBF and ELM; 4) data post-processing with data transformation in the original dimensions; 5) Comparison of models used based on MSE, MAE and MAPE error measures. To test the proposed methodology model, select a historical series of electric energy consumption in Paraná. How they were performed considering 1, 3 and 6 steps ahead. In addition, the inputs used by the neural models were selected using the Wrapper method. As a result, or ELECTRE, I select as explanatory variables of temperature and average evaporation, when these were included in the constant predictive models, as improvements in the results of all as RNAs. In addition, for this problem, how RNAs performed better than linear models. It stands out as ELM and RBF Networks as the best editors. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/4921 |
| Aparece nas coleções: | PB - Programa de Pós-Graduação em Engenharia de Produção e Sistemas |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| PB_PPGEPS_M_Deina,_Carolina_2020.pdf | 3,89 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.