• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
https://doi.org/10.11606/T.3.2020.tde-07022020-113308
Document
Author
Full name
Haroldo Luiz Moretti do Amaral
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2019
Supervisor
Committee
Souza, André Nunes de (President)
Feltrin, Antonio Padilha
Manassero Junior, Giovanni
Ramos, Caio César Oba
Sueta, Helio Eiji
Title in Portuguese
Desenvolvimento de uma nova metodologia para previsão do consumo de energia elétrica de curto prazo utilizando redes neurais artificiais e decomposição  de séries temporais.
Keywords in Portuguese
Análise de séries temporais
Consumo de energia elétrica (Previsão)
Decomposição de série temporal
Eficiência energética
Previsão do consumo de energia elétrica
Redes inteligentes
Redes neurais
Abstract in Portuguese
Os consumidores residenciais estão cada vez mais ganhando acesso a novas tecnologias de medição e operação remota, com a disseminação de redes inteligentes. Essas oportunidades trouxeram melhorias em termos de qualidade de serviço e o estabelecimento de novos níveis de economia financeira. Estudos recentes demonstraram que um aumento significativo na eficiência energética está relacionado às mudanças nos hábitos de consumo, induzidas por novas tecnologias que dão acesso às informações sobre a qualidade e a quantidade da energia consumida. Nesse contexto, a previsão de consumo de energia de curto prazo é uma ferramenta de conscientização baseada no fornecimento de informações úteis prontas para ajudar na busca dos mais eficientes padrões de consumo e economia de energia. Esta tese apresenta o desenvolvimento de uma nova metodologia para a previsão do consumo de energia residencial, utilizando redes neurais artificiais e decomposição de séries temporais. Vários testes foram realizados para obter a melhor configuração para o problema de previsão do consumo de eletricidade. Os testes também foram realizados comparativamente com os métodos combinados disponíveis, permitindo uma avaliação dos resultados obtidos. Os resultados demonstrados por essa metodologia atingiram um baixo erro percentual médio e um erro percentual absoluto médio baixo no horizonte de previsão, que são as métricas mais utilizadas nesse tipo de estudo.
Title in English
Development of a new methodology for forecasting short-term electricity consumption using artificial neural networks and time series decomposition.
Keywords in English
Artificial neural networks
Energy efficiency
Forecast of electricity consumption
Smart grids
Time series decomposition
Abstract in English
Residential consumers are increasingly gaining access to new measurement technologies and remote operation with the spread of smart grids. These opportunities have brought improvements in the quality of service and the establishment of new levels of financial savings. Recent studies have shown that a significant increase in energy efficiency is related to changes in consumption habits induced by new technologies that provide access to information on the quality and quantity of energy consumed. In this context, short-term energy consumption forecasting is an awareness tool based on providing useful information ready to assist in the pursuit of the most efficient energy consumption and saving patterns. This thesis presents the development of a new methodology for the prediction of residential energy consumption, using artificial networks and time series decomposition. Several tests were performed to obtain the best configuration for the electricity consumption forecasting problem. The tests were also performed compared to the available combined methods, allowing an evaluation of the obtained results. The results demonstrated by this methodology reached a low average percentage error and a low average absolute percentage error in the forecast horizon, which are the most used metrics in this type of study.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2020-02-07
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2020. All rights reserved.