Modelo Wavelet-ANFIS aplicado na previsão de carga de curto prazo de níveis de consumo desagregado

dc.contributor.advisorLotufo, Anna Diva Plasencia [UNESP]
dc.contributor.authorMaeda, Monara Pereira da Rosa
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2021-03-18T14:36:26Z
dc.date.available2021-03-18T14:36:26Z
dc.date.issued2021-01-22
dc.description.abstractO presente trabalho tem como objetivo desenvolver um modelo baseado em redes neurais artificiais e transformada wavelet para a previsão de consumo de energia elétrica de um consumidor de nível desagregado. O conjunto de dados utilizado pertence a um Centro de Pesquisa Brasileiro e foi adquirido por meio de um medidor inteligente instalado no prédio, em que as medições foram feitas em intervalos de 15 minutos. Primeiramente, a rede neural ANFIS foi treinada com diferentes funções de pertinência com os dados brutos de consumo de energia a fim de selecionar a arquitetura que possui o melhor desempenho entre as diferentes configurações permitidas. Em seguida, usando essa arquitetura, a transformada wavelet foi aplicada aos dados de consumo de energia para remover o ruído e suavizar as curvas. Para tanto, diferentes wavelets foram utilizadas para determinar aquelas que melhor se adequam à aplicação. As previsões foram avaliadas por análise visual de gráficos e cálculo do MAPE. Os resultados obtidos com o modelo proposto são superiores quando comparados aos gerados apenas com os dados brutos. Dentre as wavelets utilizadas, aquelas que apresentam números adequados de momentos nulos, simetria e suporte compacto produziram as melhores previsões.pt
dc.description.abstractThis work presents a model based on the Fast Wavelet Transform and ANFIS neural network for prediction the electric consumption habits of a disaggregated level consumer. The dataset employed belongs to a Brazilian Research Center and it was acquired by a smart meter installed in the building, where measurements were made in a 15-minutes interval. Firstly, the ANFIS neural network was trained with different membership functions with the raw energy consumption data in order to select the architecture that has the best performance among the different configurations allowed. Then, using such architecture, the Fast Wavelet Transform was applied to the energy consumption data to remove noise and smooth the curves. For this purpose, different wavelets were used to determine those that best suit the application. The forecasts were evaluated by visual analysis of graphs and by calculating the MAPE. Results obtained with the Fast Wavelet Transform are superior when compared to the ones generated using only the raw data. Among the wavelets used, those that have an appropriate number of vanishing moments, symmetric property and compact support produced the best predictions.pt
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.description.sponsorshipIdCAPES: 001
dc.identifier.capes33004099080P0
dc.identifier.urihttp://hdl.handle.net/11449/204123
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectLógica Fuzzypt
dc.subjectPrevisão de carga de curto prazopt
dc.subjectRedes neurais artificiaispt
dc.subjectTransformada Waveletpt
dc.subjectANFISpt
dc.subjectArtificial neural networkspt
dc.subjectShort-term load forecastpt
dc.subjectWavelet transformpt
dc.titleModelo Wavelet-ANFIS aplicado na previsão de carga de curto prazo de níveis de consumo desagregadopt
dc.title.alternativeWavelet-ANFIS model applied to short-term load forecasting of consumers in disaggregated levelpt
dc.typeTese de doutorado
unesp.campusUniversidade Estadual Paulista (Unesp), Faculdade de Engenharia, Ilha Solteirapt
unesp.embargoOnlinept
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramEngenharia Elétrica - FEISpt
unesp.knowledgeAreaAutomaçãopt
unesp.researchAreaSistemas inteligentespt

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
maeda_mpr_dr_ilha.pdf
Tamanho:
1.37 MB
Formato:
Adobe Portable Document Format
Descrição:
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
2.99 KB
Formato:
Item-specific license agreed upon to submission
Descrição: