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.creator | Silva, Alexandre Pinto Alves da | - |
Autor(es): dc.creator | Rodrigues, Ubiratan de Paula | - |
Autor(es): dc.creator | Reis, Agnaldo José da Rocha | - |
Autor(es): dc.creator | Moulin, Luciano Souza | - |
Autor(es): dc.creator | Nascimento, Paulo Cesar do | - |
Data de aceite: dc.date.accessioned | 2019-11-06T13:24:31Z | - |
Data de disponibilização: dc.date.available | 2019-11-06T13:24:31Z | - |
Data de envio: dc.date.issued | 2012-07-24 | - |
Data de envio: dc.date.issued | 2012-07-24 | - |
Data de envio: dc.date.issued | 2003 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/123456789/1196 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/554753 | - |
Descrição: dc.description | The importance of Short-Term Load Forecasting (STLF) has been increasing lately. With deregulation and competition, energy price forecasting has become a big business. Bus load forecasting is essential to feed analytical methods utilized for determining energy prices. The variability and non-stationarity of loads are becoming worse due to the dynamics of energy tariffs. Besides, the number of nodal loads to be predicted does not allow frequent interventions from load forecasting experts. More autonomous load predictors are needed in the new competitive scenario. The application of neural network-based STLF has developed sophisticated practical systems over the years. However, the question of how to maximize the generalization ability of such machines, together with the choice of architecture, activation functions, training set data and size, etc. makes up a huge number of possible combinations for the final Neural Network (NN) design, whose optimal solution has not been figured yet. This paper describes a STLF system which uses a non-parametric model based on a linear model coupled with a polynomial network, identified by pruning/growing mechanisms. The load forecaster has special features of data preprocessing and confidence intervals calculations, which are also described. Results of load forecasts are presented for one year with forecasting horizons from 15 min. to 168 hours ahead | - |
Idioma: dc.language | en | - |
Título: dc.title | Artificial neural network-based short-term demand forecaster | - |
Aparece nas coleções: | Repositório Institucional - UFOP |
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: