dc.contributor.author | Scremin, Eric Reinoldo | |
dc.date.accessioned | 2019-10-11T12:49:15Z | |
dc.date.available | 2019-10-11T12:49:15Z | |
dc.date.issued | 2018-08-18 | |
dc.identifier.citation | SCREMIN, Eric Reinoldo. Uma abordagem baseada em redes neurais artificiais e clusterização para previsão de curto prazo da demanda de energia elétrica. 2018. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/11924. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/11924 | |
dc.description.abstract | Electricity plays a crucial role in the development of a country because it directly influences many sectors of the society. In this sense, the demand forecasting is of paramount importance for the maintenance and growth of the electric power systems. Currently, there are different approaches used for such forecasting. In addition, there are many variables that can influence the performance of this process. Among these variables, one can highlight those derived from the climate. Therefore, this work proposes the application of an Artificial Neural Network of Multilayer Perceptron type with Levenberg-Marquardt training algorithm, using temperature and demand as input variables. Moreover, another objective of this work is to investigate the relationship between variables, making use of the k-means clustering method on the input data. The results show that this clustering-based approach obtains predictions with low error rates. However, slightly better results were obtained when the data were not clusterized | 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 | CC0 1.0 Universal | * |
dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | por |
dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
dc.subject | Demanda de energia elétrica | por |
dc.subject | Previsão de séries temporais | por |
dc.subject | Redes neurais artificiais | por |
dc.subject | Clima | por |
dc.subject | Electric load forecasting | eng |
dc.subject | Time-series forecasting | eng |
dc.subject | Artificial neural networks | eng |
dc.subject | Climate | eng |
dc.title | Uma abordagem baseada em redes neurais artificiais e clusterização para previsão de curto prazo da demanda de energia elétrica | por |
dc.title.alternative | Approach based on artificial neural networks and clustering for short-term forecast of electricity demand | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Fernandes, Ricardo Augusto Souza | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0880243208789454 | por |
dc.description.resumo | A energia elétrica possui um papel crucial no desenvolvimento de um país, pois, a mesma influencia diretamente muitos setores da sociedade. Nesse sentido, a previsão da demanda de energia elétrica é de suma importância para a manutenção e crescimento dos sistemas elétricos de potência. Atualmente, existem diferentes abordagens utilizadas para tal previsão. Além disso, existem muitas variáveis que podem influenciar o desempenho desse processo. Dentre estas variáveis, pode-se destacar aquelas derivadas do clima. Portanto, este trabalho propõe a aplicação de uma Rede Neural Artificial do tipo Multilayer Perceptron com algoritmo de treinamento de Levenberg-Marquardt, utilizando-se de variáveis referentes a temperatura do ar e a demanda de energia elétrica. Conjuntamente, o trabalho
objetiva averiguar a relação entre as variáveis, fazendo uso do método de agrupamento k-means nos dados de entrada. Os resultados mostram que essa abordagem baseada em agrupamentos pode contribuir fornecendo previsões com baixas taxas de erro. Entretanto, obteve-se resultados ligeiramente melhores quando os dados não são agrupados. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.description.sponsorshipId | CAPES: Código do Financiamento 001 | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/3192696689626429 | por |