[es] PREVISIÓN DE CARGAS A CORTO PLAZO - UNA EVALUACIÓN DE LA VIABILIDAD DEL USO DE REDES NEURALES
[pt] PREVISÃO DE CARGAS A CURTO PRAZO - UMA AVALIAÇÃO DA VIABILIDADE DO USO DE REDES NEURAIS ARTIFICIAIS;
[en] SHORT TERM LOAD FORECASTING - AN ATTEMPT TO USE ARTIFICIAL NEURAL NETWORKS
| dc.contributor | CARLOS EDUARDO PEDREIRA | |
| dc.contributor | REINALDO CASTRO SOUZA | |
| dc.contributor | REINALDO CASTRO SOUZA | |
| dc.creator | HENRIQUE STEINHERZ HIPPERT | |
| dc.date | 2001-05-03 | |
| dc.date.accessioned | 2022-09-21T21:39:52Z | |
| dc.date.available | 2022-09-21T21:39:52Z | |
| dc.identifier | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=1551@1 | |
| dc.identifier | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=1551@2 | |
| dc.identifier | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=1551@4 | |
| dc.identifier | http://doi.org/10.17771/PUCRio.acad.1551 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12032/41637 | |
| dc.description | [pt] A previsão de perfis de carga elétrica (i.e., das séries de cargas a cada hora de um dia) tem sido freqüentemente tentada por meio de modelos baseados em redes neurais. Os resultados conseguidos por estes modelos, contudo, ainda não são considerados inteiramente convincentes. Há duas razões para ceticismo: em primeiro lugar, os modelos sugeridos geralmente se baseiam em redes que parecem ser complexas demais em relação aos dados que pretendem modelar (isto é, estes modelos parecem estar superparametrizados); em segundo lugar, estes modelos geralmente não são bem validados, pois os artigos que os propõem não comparam o desempenho das redes ao de modelos de referência. Nesta tese, examinamos estes dois pontos por meio de revisões críticas da literatura e de simulações, a fim de verificar se é realmente viável a aplicação de redes neurais à previsão de perfis de carga. Nas simulações, construímos modelos bastante complexos de redes e verificamos empiricamente sua validade, pela comparação de seu desempenho preditivo fora da amostra de treino ao desempenho de vários outros modelos de previsão. Os resultados mostram que as redes, mesmo quando muito complexas, conseguem previsões de perfis mais acuradas do que os modelos tradicionais, o que sugere que elas poderão trazer uma grande contribuição para a solução do problema de previsão de cargas. | |
| dc.description | [en] Load profile forecasting (i.e., the forecasting of series of hourly loads) has been often attempted by means of models based on neural networks. However, the papers that propose such models are not considered entirely convincing, for at least two reasons. First, the models they propose are usually based on neural networks that seem to be too large in relation to the sample they intend to model (that is, the networks seem to overfit their data). Secondly, most of the models are not properly validated, since the papers do not compare their performances to that of any standard forecasting method. In this thesis, we examine these two points, by means of literature reviews and of simulations, in order to investigate the feasibility of the application of neural networks to the problem of profile forecasting. We build some very complex models based on neural networks, and validate them empirically by comparing their predictive performance out-of-sample, over actual data, to the performance of several other forecasting methods. The results show that neural networks, even when very complex, are able to forecast profiles more accurately than the traditional models, which suggests that they may yet bring large contributions to the solution of the load forecasting problem. | |
| dc.description | [es] La previsión de los perfiles de carga elétrica (i.e., series de cargas medidas a cada hora de un día) ha sido abordada con frecuencia a través de modelos basados en redes neurales. Los resultados obtenidos por estos modelos, todavía no son considerados enteramente convincentes. Existen dos razones para este escepticismo: en primer lugar, los modelos sugeridos generalmente se basan en redes que parecen ser demasiado complejas en relación a los datos que pretenden modelar (quiere decir, estos modelos parecen estar superparametrizados); en segundo lugar, estos modelos generalmente no son bien evaluados, pués los artículos que los proponen no comparan el desempeño de las redes al de los modelos de referencia. En esta tesis, examinamos estos dos puntos por medio de revisiones críticas de la literatura y de simulaciones, con el objetivo de verificar si es realmente viable la aplicación de redes neurales a la previsión de perfiles de carga. En las simulaciones, construímos modelos de redes bastante complejos y verificamos empíricamente su validez, comparando su desempeño predictivo fuera de la muestra de entrenamiento con el desempeño de varios otros modelos de previsión. Los resultados muestran que las redes, incluso cuando muy complejas, consiguen previsiones de perfiles más precisas que los modelos tradicionales, lo que sugiere que ellas poderián traer una gran contribución para la solución del problema de previsión de cargas. | |
| dc.language | pt | |
| dc.publisher | MAXWELL | |
| dc.subject | [pt] REDE NEURAL | |
| dc.subject | [pt] PREVISAO DE CARGA | |
| dc.subject | [en] NEURAL NETWORKS | |
| dc.subject | [en] LOAD FORECASTING | |
| dc.subject | [es] REDES NEURALES | |
| dc.subject | [es] PREVISION DE CARGA | |
| dc.title | [es] PREVISIÓN DE CARGAS A CORTO PLAZO - UNA EVALUACIÓN DE LA VIABILIDAD DEL USO DE REDES NEURALES | |
| dc.title | [pt] PREVISÃO DE CARGAS A CURTO PRAZO - UMA AVALIAÇÃO DA VIABILIDADE DO USO DE REDES NEURAIS ARTIFICIAIS | |
| dc.title | [en] SHORT TERM LOAD FORECASTING - AN ATTEMPT TO USE ARTIFICIAL NEURAL NETWORKS | |
| dc.type | TEXTO |
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
|
There are no files associated with this item. |
|||