Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/65869| Tipo: | TCC |
| Título: | Previsão de cargas elétricas utilizando redes neurais artificiais MLP |
| Autor(es): | Sanabio, Rachel Maia Ribeiro de Barros |
| Orientador: | Carvalho, Paulo Cesar Marques de |
| Coorientador: | Carneiro, Tatiane Carolyne |
| Palavras-chave: | Redes neurais artificiais;Previsão;Cargas elétricas |
| Data do documento: | 2022 |
| Citação: | SANABIO, Rachel Maia Ribeiro de Barros. Previsão de cargas elétricas utilizando redes neurais artificiais MLP. 2022. 50 f. Monografia (Graduação em Engenharia Elétrica) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2022 |
| Resumo: | Este trabalho faz a comparação de duas Redes Neurais Artificiais para previsão de cargas elétricas futuras à partir de uma série histórica de consumo residencial e uma série histórica de consumo total de energia elétrica no Brasil, com uma rede projetada a partir de um Toolbox disponível no Software Matlab, e outra implementada através do mesmo software. Observando a importância do planejamento energético para concessionárias de energia, agências reguladoras e para o mercado livre de energia, buscando manter o Sistema Interligado Nacional (SIN) preparado para o crescimento do mercado energético. Fazendo uma breve introdução aos conceitos de Neurônio Artificial e Redes Neurais Artificiais (RNAs), também menciona uma breve linha do tempo sobre a evolução da tecnologia de RNAs. Depois, apresenta artigos com tema semelhante, mostrando a eficácia dos métodos usados pelos autores mencionados através da compilação dos dados dos artigos, citando o prazo usado para o horizonte de previsão de cada um deles e mostrando erro calculado, bem como a localidade referente aos dados estudados por cada um. Na metodologia, são caracterizadas as séries históricas. A primeira série histórica consiste de dezessete anos divididos em valores mensais, utilizando cento e oitenta meses como base de treinamento e fazendo a previsão e comparação com uma série de vinte e quatro meses futuros com a rede implementada por Toolbox, atingindo MAPE de 3,97% para o consumo residencial e MAPE de 2,9% para o consumo total; para a RNA implementada, a previsão gerada foi de quarenta e um meses fora de ordem cronológica, obtendo MAPE de 3,19% para a série de consumo residencial e 2,19% para o consumo total. A segunda aplicação obteve erros menores que a primeira, se mostrando mais eficaz, devido possivelmente a erro de aproximação estatística, chamado de overfitting, em que o modelo do padrão estatístico aplica-se bem a todo o modelo durante o treinamento da RNA, no entanto gera erros maiores quando gera a previsão. A RNA implementada tem melhores parâmetros de controle de entrada e saída do sinal, já que permite um melhor ajuste dos parâmetros de rede, como número de neurônios em cada camada. |
| Abstract: | This work compares two Artificial Neural Networks for forecasting future electrical loads from a historical series of residential consumption and a historical series of total consumption of electric energy in Brazil, with a network designed from a Toolbox available in the Software Matlab, and another implemented using the same software. Noting the importance of energy planning for energy utilities, regulatory agencies and the free energy market, seeking to keep the National Interconnected System (SIN) prepared for the growth of the energy market. Making a brief introduction to the concepts of Artificial Neuron and Artificial Neural Networks (ANNs), it also mentions a brief timeline on the evolution of ANNs technology. It then presents articles with a similar theme, showing the effectiveness of the methods used by the aforementioned authors through the compilation of data from the articles, citing the term used for the forecast horizon of each of them and showing calculated error, as well as the location referring to the data. studied by each. In the methodology, the historical series are characterized. The first historical series consists of seventeen years divided into monthly values, using one hundred and eighty months as a training base and making the forecast and comparison with a series of twenty-four future months with the network implemented by Toolbox, reaching MAPE of 3.97 % for residential consumption and MAPE of 2.9% for total consumption; for the implemented ANN, the forecast generated was forty-one months out of chronological order, obtaining MAPE of 3.19% for the residential consumption series and 2.19% for the total consumption. The second application had smaller errors than the first, proving to be more effective, possibly due to statistical approximation error, called overfitting, in which the statistical pattern model applies well to the entire model during ANN training, however generates larger errors when generating the forecast. The implemented ANN has better signal input and output control parameters, as it allows a better adjustment of network parameters, such as the number of neurons in each layer. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/65869 |
| Aparece nas coleções: | ENGENHARIA ELÉTRICA - Monografias |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2022_tcc_rmrbsanabio.pdf | 1,65 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.