Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Ferreira, Andréia B.A. | - |
Autor(es): dc.creator | Leite, Jonatas B. | - |
Autor(es): dc.creator | Salvadeo, Denis H.P. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T23:46:17Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T23:46:17Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.epsr.2024.111169 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/300514 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/300514 | - |
Descrição: dc.description | Demand forecasting is one of the biggest challenges facing the power system, given that anticipating future consumption is fundamental to guarantee an adequate supply, without wasting resources or overloading the power grid. Despite numerous techniques developed for this purpose, the unstable nature of historical data makes electricity demand time series highly complex, making forecasting a critical and challenging problem. This work develops and explores the predictive potential of the temporal fusion transformer (TFT), an innovative approach capable of performing temporal fusions and forecasts over different time horizons. This architecture features interpretability capabilities, allowing the understanding of which variables and patterns are most relevant to predictions. It can help identify problems, provide insights and improve system reliability. The efficiency of the proposed model is assessed using historical data on the overall load of the New Zealand Electrical Company, which is made up of two thermoelectric power stations and seven substations. The results highlight the TFT as a promising approach since it shows significant indicators in the forecasts, including the mean absolute percentage error of less than 1.5% along 48 h in advance. The obtained performance metrics underscore the accuracy and robustness of the TFT architecture. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Department of Electrical Engineering São Paulo State University (UNESP), 56 South Brazil Ave, São Paulo | - |
Descrição: dc.description | Institute of Geosciences and Exact Sciences São Paulo State University (UNESP), Av. 24 A, 1515, Bela Vista, São Paulo | - |
Descrição: dc.description | Department of Electrical Engineering São Paulo State University (UNESP), 56 South Brazil Ave, São Paulo | - |
Descrição: dc.description | Institute of Geosciences and Exact Sciences São Paulo State University (UNESP), Av. 24 A, 1515, Bela Vista, São Paulo | - |
Descrição: dc.description | CAPES: 001 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Electric Power Systems Research | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Artificial neural networks | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | Demand forecasting | - |
Palavras-chave: dc.subject | Transformers | - |
Título: dc.title | Power substation load forecasting using interpretable transformer-based temporal fusion neural networks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: