dc.contributor.author | Laboissiere, Leonel Alejandro | |
dc.date.accessioned | 2019-07-30T16:09:55Z | |
dc.date.available | 2019-07-30T16:09:55Z | |
dc.date.issued | 2019-04-23 | |
dc.identifier.citation | LABOISSIERE, Leonel Alejandro. Aplicação de redes neurais artificiais para previsão de demanda e preço de energia elétrica no contexto de cidades inteligentes. 2019. Tese (Doutorado em Engenharia Urbana) – Universidade Federal de São Carlos, São Carlos, 2019. Disponível em: https://repositorio.ufscar.br/handle/ufscar/11559. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/11559 | |
dc.description.abstract | This research proposed a very short-term forecasting framework electricity price and demand based on Artificial Neural Networks (ANN). Effectiveness forecasting tools are essential to facilitate the decision making process of the stakeholders in the deregulated electricity market. Besides, accurate short-term load forecasting (STLF) and electricity price forecasting (EPF) play a significant part for controlling and scheduling of smart grids, consequently, to ensure effectiveness energy resources of smart cities. For case study, a dataset from Australian National Electricity Market was used. The dataset is formed by historical from climate variables, demand and prices series. It should be mentioned that all of these variables were preprocessed using the Weighted Moving Average (WMA) to minimize the effect of noise on the data and help identify trends. Therefore, ANN input set are made by 66 variables/attributes. Correlation-based Feature Selection (CFS) algorithm was applied to form the most relevant variable set to STLF and EPF. As a consequence, reduction of 84 to 90% of the number of variables considered. Moreover, WMA of meteorological variables were selected applying CFS. In sequence, 20 executions of training and validation of Multilayer feedforward ANN were made. The best results have mean absolute percentage error (MAPE) from 2.68% to 4.84%, for STLF, and MAPE from 7.06% to 19.01%, for EPF. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Redes neurais artificias | por |
dc.subject | Previsão de séries temporais | por |
dc.subject | Mercado de energia elétrica | por |
dc.subject | Cidades Inteligentes | por |
dc.subject | Artificial neural networks | eng |
dc.subject | Forecasting of time series | eng |
dc.subject | Energy market | eng |
dc.subject | Smart cities | eng |
dc.title | Aplicação de redes neurais artificiais para previsão de demanda e preço de energia elétrica no contexto de cidades inteligentes | por |
dc.type | Tese | por |
dc.contributor.advisor1 | Fernandes, Ricardo Augusto Souza | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0880243208789454 | por |
dc.description.resumo | Esta pesquisa apresenta uma metodologia baseada em Redes Neurais Artificiais (RNA) para a previsão de demanda e de preço de energia elétrica, considerando o horizonte de curtíssimo prazo. Estimar com acurácia os valores da demanda e do preço é importante aos agentes que participam de mercados de energia. Inclusive, tais previsões podem ser empregadas para aprimorar o planejamento e operação de Smart Grids e, consequentemente, garantir maior eficiência no uso dos recursos energéticos de Cidades Inteligentes. Como estudo de caso, empregou-se uma base de dados proveniente do estado australiano de New South Wales. A base de dados contém valores históricos de demanda, preço da energia e variáveis climatológicas. Cabe mencionar que todas essas variáveis foram pré-processadas por meio de Média Móvel Ponderada (WMA, do inglês Weighted Moving Average) para minimizar o efeito de ruído nos dados e auxiliar a identificar tendências. Assim, há um total de 66 variáveis/atributos de entradas das RNAs relacionadas ao preço e a demanda de energia elétrica. Na sequência, empregou-se o algoritmo Correlation-based Feature Selection (CFS), responsável por selecionar um conjunto de variáveis de maior relevância à previsão da demanda e do preço para o horizonte de curtíssimo prazo. Por consequência, houve redução de 84 a 90% do número de variáveis consideradas. Ademais, constatou-se que aplicar WMA nas variáveis metereológicas permitiu que estas pertencentes ao conjunto de dados formado pelo uso do CFS. RNAs com arquitetura feedforward, do tipo Multilayer Perceptron foram treinadas e validadas por 20 execuções. Os resultados obtidos apresentaram Erros Médios Absolutos Percentuais entre 2,68% e 4,84% para a demanda e 7,06% a 19,01% para o preço. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Urbana - PPGEU | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA | por |
dc.subject.cnpq | ENGENHARIAS | por |
dc.description.sponsorshipId | CAPES: 1770487 | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/6105721778622459 | por |