Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Ferreira, Vitor Hugo | - |
Autor(es): dc.contributor | Hecksher, Suzana Dantas | - |
Autor(es): dc.contributor | Bergiante, Níssia Carvalho Rosa | - |
Autor(es): dc.creator | Mansur, Marcos Bonfim | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:08:08Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:08:08Z | - |
Data de envio: dc.date.issued | 2023-01-04 | - |
Data de envio: dc.date.issued | 2023-01-04 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/27481 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/764230 | - |
Descrição: dc.description | Previsões de demanda de energia elétrica em sistemas de potência são insumos indispensáveis para o planejamento da operação de tais sistemas e são exigidas pelo Operador Nacional do Sistema Elétrico (ONS) aos agentes do setor. São utilizadas para operações de curto e médio prazo na programação da geração de energia, manutenção de equipamentos, comissionamento de usinas e gerenciamento de compra e alocação de combustível. Nesse cenário, algoritmos de aprendizado de máquina como redes neurais se tornam um valioso instrumento para realizar tal tarefa devido às características não lineares desses algoritmos, que os tornam capazes de lidar com a não linearidade do problema em questão. A partir disso, este trabalho se propõe a desenvolver um modelo de rede neural recorrente que realiza previsões de demanda (carga) média semanal para as próximas 5 semanas operativas, tal qual como o ONS exige dos agentes. Para tal, desenvolve-se dois modelos, um que realiza previsão direta das 5 semanas seguintes e outro auto regressivo, que prevê uma semana por vez e utiliza a saída da rede como realimentação da entrada para a previsão seguinte. Então, compara-se a performance dos dois modelos desenvolvidos de maneira a elencar o melhor para a tarefa que se propõe a realizar. O código foi escrito na linguagem de programação Python utilizando os pacotes scikit-learn, numpy e pandas para manipulação dos dados, tensorflow para a implementação da rede neural e DVC para estruturação da pipeline de dados e tracking de experimento. Os dados utilizados foram a série histórica de carga média diária em MW médio divulgada publicamente pelo ONS. | - |
Descrição: dc.description | Energy load forecasts of electrical power systems are an indispensable resource for operation planning of such systems and are required by ONS (Brazil’s Nacional Operator of Electrical Systems) to the agentes of the energy market. The forecasts are used for short and mid-term scheduling of energy generation, equipment maintenance, generation plant commissioning and management of purchase and allocation of fuel. In this scenario, machine learning algorithms such as neural networks became a valuable tool for this task due to their non-linear properties, which make them able to deal efficiently with the non-linearity of the energy load series. Therefore, this paper dedicates itself to develop a RNN (recurrent neural network) based model to forecast the weekly average load of the next five ONS operative weeks, as ONS demands forms the agents mentioned. For such, two different models were developed and optimized, one RNN that does single step forecasting for the 5 weeks and another that does autoregressive forecasting, predicting the next week and feeding the prediction back to the model to infer the following time step. Then, the performance of both models are compared so it can be ranked the best model for the task at hand. The code for the project is written in Python and imports libs such as scikit-learn, numpy and pandas for data manipulation, tensorflow for the RNN implementation and DVC for structuring the data pipeline and experiment tracking. The training and validation energy load series used were obtained from data made public by ONS. | - |
Descrição: dc.description | 74 p. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Previsão de carga | - |
Palavras-chave: dc.subject | Aprendizado de Máquina | - |
Palavras-chave: dc.subject | Redes neurais recorrentes | - |
Palavras-chave: dc.subject | Séries temporais | - |
Palavras-chave: dc.subject | Energia elétrica | - |
Palavras-chave: dc.subject | Previsão de demanda | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Load forecasting | - |
Palavras-chave: dc.subject | Machine Learning | - |
Palavras-chave: dc.subject | Recurrent neural networks | - |
Palavras-chave: dc.subject | Time series | - |
Título: dc.title | Desenvolvimento de modelos de redes neurais recorrentes para previsão de demanda de energia elétrica | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: