Hourly Load Forecasting Using Artificial Neural Networks
DOWNLOAD
Download Hourly Load Forecasting Using Artificial Neural Networks PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Hourly Load Forecasting Using Artificial Neural Networks book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages. If the content not found or just blank you must refresh this page
Hourly Load Forecasting Using Artificial Neural Networks
DOWNLOAD
Author : Alireza Khotanzad
language : en
Publisher:
Release Date : 1995
Hourly Load Forecasting Using Artificial Neural Networks written by Alireza Khotanzad and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 1995 with Electric power consumption categories.
Short Term Load Forecasting Using Artificial Neural Networks
DOWNLOAD
Author : Iskandar Kfoury
language : en
Publisher:
Release Date : 2015
Short Term Load Forecasting Using Artificial Neural Networks written by Iskandar Kfoury and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 2015 with Dissertations, Academic categories.
Artificial Neural Network Based Load Forecasting System Using Trust Tech
DOWNLOAD
Author : Nga-Kit Chan
language : en
Publisher:
Release Date : 2006
Artificial Neural Network Based Load Forecasting System Using Trust Tech written by Nga-Kit Chan and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 2006 with categories.
Short Term Electric Load Forecasting By Using Multi Layer Feed Forward Neural Network
DOWNLOAD
Author : Marvin Herbert Wibisono
language : en
Publisher:
Release Date : 2004
Short Term Electric Load Forecasting By Using Multi Layer Feed Forward Neural Network written by Marvin Herbert Wibisono and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 2004 with categories.
Neural Networks In Load Forecasting In Electric Energy Systems
DOWNLOAD
Author :
language : pt-BR
Publisher:
Release Date : 1908
Neural Networks In Load Forecasting In Electric Energy Systems written by and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 1908 with categories.
Esta dissertação investiga a utilização de Redes Neurais Artificiais (RNAs) na área de previsão de carga elétrica. Nesta investigação foram utilizados dados reais de energia relativos ao sistema elétrico brasileiro. O trabalho consiste de quatro partes principais: um estudo sobre o problema de previsão de carga no contexto de sistemas elétricos de potência; o estudo e a modelagem das RNAs para previsão de carga; o desenvolvimento do ambiente de simulação; e o estudo de casos. O estudo sobre o problema de previsão de carga envolveu uma investigação sobre a importância da previsão de demanda de energia na área de sistemas elétricos de potência. Enfatizou-se a classificação dos diversos tipos de previsão de acordo com o seu horizonte, curto e longo prazo, bem como a análise das variáveis mais relevantes para a modelagem da carga elétrica. O estudo também consistiu da análise de vários projetos na área de previsão de carga, apresentando as metodologias mais utilizadas. O estudo e a modelagem de RNAs na previsão de carga envolveu um extenso estudo bibliográfico de diversas metodologias. Foram estudadas as arquiteturas e os algoritmos de aprendizado mais empregados. Constatou-se uma predominância da utilização do algoritmo de retropropagação (Backpropagation) nas aplicações de previsão de carga elétrica horária para curto prazo. A partir desse estudo, e utilizando o algoritmo de retropropagação, foram propostas diversas arquiteturas de RNAs de acordo com o tipo de previsão desejada. O desenvolvimento do ambiente de simulação foi implementado em linguagem C em estações de trabalho SUN. O pacote computacional engloba basicamente 3 módulos: um módulo de pré-processamento da série de carga para preparar os dados de entrada; um módulo de treinamento da Rede Neural para o aprendizado do comportamento da série; e um módulo de execução da Rede Neural para a previsão dos valores futuros da série. A construção de uma interface amigável para a execução do sistema de previsão, bem como a obtenção de um sistema portátil foram as metas principais para o desenvolvimento do simulador. O estudo de casos consistiu de um conjunto de implementações com o objetivo de testar o desempenho de um sistema de previsão baseado em Redes Neurais para dois horizontes distintos: previsão horária e previsão mensal. No primeiro caso, foram utilizados dados de energia da CEMIG (Estado de Minas Gerais) e LIGHT (Estado do Rio de Janeiro). No segundo caso, foram utilizados dados de energia de 32 companhias do setor elétrico brasileiro. Destaca-se que a previsão mensal faz parte de um projeto de interesse da ELETROBRÁS, contratado pelo CEPEL. Para ambos os casos, investigou-se a influência do horizonte de previsão e da época do ano no desempenho do sistema de previsão. Além disso, foram estudadas as variações do desempenho das Redes Neurais de acordo com a empresa de energia elétrica utilizada. A avaliação do desempenho foi feita através da análise das seguintes estatísticas de erro: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) e U de Theil. O desempenho das RNAs foi comparado com o de outras técnicas de previsão, como os métodos de Holt-Winters e Box & Jenkins, obtendo-se resultados, em muitos casos, superiores.
Short Term Load Forecasting An Attempt To Use Artificial Neural Networks
DOWNLOAD
Author :
language : pt-BR
Publisher:
Release Date : 2001
Short Term Load Forecasting An Attempt To Use Artificial Neural Networks written by and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 2001 with categories.
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.
Artificial Neural Networks Fuzzy Logic And Neuro Fuzzy System In The Role Of Short Term Load Forecast
DOWNLOAD
Author :
language : pt-BR
Publisher:
Release Date : 1908
Artificial Neural Networks Fuzzy Logic And Neuro Fuzzy System In The Role Of Short Term Load Forecast written by and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 1908 with categories.
Esta dissertação investiga o desempenho de técnicas de inteligência computacional na previsão de carga em curto prazo. O objetivo deste trabalho foi propor e avaliar sistemas de redes neurais, lógica nebulosa, neuro-fuzzy e híbridos para previsão de carga em curto prazo, utilizando como entradas variáveis que influenciam o comportamento da carga, tais como: temperatura, índice de conforto e perfil de consumo. Este trabalho envolve 4 etapas principais: um estudo sobre previsão de carga e sobre as variáveis que influenciam o comportamento da carga; um estudo da aplicação de técnicas de inteligência computacional em previsão de carga; a definição de sistemas de redes neurais, lógica fuzzy e neuro-fuzzy em previsão de carga; e estudo de casos. No estudo sobre previsão de carga, foi observada a influência de algumas variáveis no comportamento da curva de carga de uma empresa de energia elétrica. Entre estas variáveis se encontram alguns dados meteorológicos (Temperatura, Umidade, Luminosidade, Índice de conforto, etc.), além de informações sobre o perfil de consumo de carga das empresas. Também foi observado o comportamento da série de carga com relação ao dia da semana, sua sazonalidade e a correlação entre o valor atual e valores passados. Foi realizado um levantamento bibliográfico sobre a aplicação de técnicas de inteligência computacional na previsão de carga. Os modelos de redes neurais, são os mais explorados até o momento. Os modelos de lógica fuzzy começaram a ser utilizados mais recentemente. Modelos neuro-fuzzy são mais recentes que os demais, não existindo portanto, muita bibliografia a respeito. Os projetos de aplicação dos três modelos foram classificados quanto à sua arquitetura, desempenho, erros medidos, entradas utilizadas e horizonte da previsão. Foram propostos e implementados 4 sistemas de previsão de carga: lógica fuzzy, redes neurais, sistema neuro-fuzzy hierárquico e um sistema híbrido neural/neuro-fuzzy. Os sistemas foram especializados para cada dia da semana, pelo fato do comportamento da carga ser distinto entre estes dias. Para os sistemas neural, neuro-fuzzy e híbrido os dados também foram separados em inverno e verão, pois o perfil de consumo de carga é diferente nestas estações. O sistema com lógica fuzzy foi modelado para realizar previsões de curtíssimo prazo (10 em 10 minutos), utilizando para isto o histórico de carga, hora do dia e intervalo de dez minutos dentro da hora do dia. As regras do sistema foram geradas automaticamente a partir do histórico de carga e os conjuntos nebulosos foram pré-definidos. O sistema com redes neurais teve sua arquitetura definida através de experimentos, utilizando-se apenas dados de carga, hora do dia e mês como entradas. O modelo de rede escolhido foi com retropropagação do erro (backpropagation). Foram realizados testes incluindo outras entradas como temperatura e perfil de consumo. Para o sistema neuro-fuzzy foi escolhido um sistema neuro-fuzzy hierárquico, que define automaticamente sua estrutura e as regras a partir do histórico dos dados. Em uma última etapa, foi estudado um sistema híbrido neural/ neuro-fuzzy, no qual a previsão da rede neural é uma entrada do sistema neuro-fuzzy. Para os três últimos modelos as previsões realizadas foram em curto prazo, com um horizonte de uma hora Os sistemas propostos foram testados em estudos de casos e os resultados comparados entre si e com os resultados obtidos em outros projetos na área. Os dados de carga utilizados no sistema com lógica fuzzy foram da CEMIG, no período de 1994 a 1996, em intervalos de 10 minutos, para previsões em curtíssimo prazo. Os resultados obtidos podem ser considerados bons em comparação com um sistema de redes neurais utilizando os mesmos dados. Para os demais modelos foram utilizados os seguintes dados: dados horários de carga da Light e da CPFL, no período de 1996 a 1998; dados de temperatura (horária para região de atuação da Light e diária para a região da CPFL) no período de 1996 a 1998; a codificação do mês e hora do dia; e um perfil de carga por classe de consumo, para realizar previsões de curto prazo (1 hora, 24 passos a frente). Os dados foram separados em inverno e verão, além de dia da semana, o que torna os modelos bastante especializados. Os resultados obtidos pelos modelos foram da ordem de 0,0 % para o sistema com lógica fuzzy, 0,0 % para redes neurais, 0,0 % para o sistema neuro-fuzzy e 0,0 % para o sistema híbrido. Este trabalho verificou a aplicabilidade das técnicas de inteligência computacional na previsão de carga, demostrando que um estudo preliminar das séries a serem previstas e a sua relação com outras variáveis tem forte influência sobre as previsões.
Short Term Electrical Load Forecasting For An Institutional Industrial Power System Using An Artificial Neural Network
DOWNLOAD
Author : Eric Lynn Taylor
language : en
Publisher:
Release Date : 2013
Short Term Electrical Load Forecasting For An Institutional Industrial Power System Using An Artificial Neural Network written by Eric Lynn Taylor and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 2013 with categories.
For optimal power system operation, electrical generation must follow electrical load demand. The generation, transmission, and distribution utilities require some means to forecast the electrical load so they can utilize their electrical infrastructure efficiently, securely, and economically. The short-term load forecast (STLF) represents the electric load forecast for a time interval of a few hours to a few days. This thesis will define STLF as a 24-hour-ahead load forecast whose results will provide an hourly electric load forecast in kilowatts (kW) for the future 24 hours (a 24-hour load profile). This thesis will use the method of Artificial Neural Networks (ANN) to create a STLF algorithm for the U.S. Department of Energy’s Oak Ridge National Laboratory (ORNL). ORNL’s power system can be described as an institutional/industrial-type electrical load. The ANN is a mathematical tool that mimics the thought processes of the human brain. The ANN can be created and trained to receive historical load and future weather forecasts as input and produce a load forecast as its output. Most ANNs in the literature are used to forecast the next day 24-hour load profile for a transmission-level system with resulting load forecast errors ranging from approximately 1 % to 3 %. This research will show that an ANN can be used to forecast the smaller, more chaotic load profile of an institutional/industrial-type power system and results in a similar forecast error range. In addition, the operating bounds of the ORNL electric load will be analyzed along with the weather profiles for the site. Correlations between load and weather and load and calendar descriptors, such as day of week and month, will be used as predictor inputs to the ANN to optimize is size and accuracy.
Short Term Hourly Load Forecasting Model A New Approach Hibrid Model
DOWNLOAD
Author :
language : pt-BR
Publisher:
Release Date : 2002
Short Term Hourly Load Forecasting Model A New Approach Hibrid Model written by and has been published by this book supported file pdf, txt, epub, kindle and other format this book has been release on 2002 with categories.
Quando ocorre algum tipo de falta em uma Linha de Transmissão (LT), sua localização exata é essencial para uma rápida recomposição do Sistema Elétrico. Métodos que utilizam tensão e corrente de apenas um terminal contêmsimplificações que podem acarretar erros. Esta dissertação investiga a aplicação de Redes Neurais Artificiais (RNA) na obtenção de uma nova forma de identificar o tipo do curto-circuito e determinar a sua localização, utilizando dados obtidos em somente um terminal. O trabalho consiste de 4 partes principais: estudo bibliográfico da área de Redes Neurais; simulações de faltas para a obtenção de padrões; definição e implementação dos modelos de Redes Neurais paraidentificação e localização da falta; e estudos de casos. Na fase do estudo bibliográfico sobre RNA, foi verificado que as topologias de redes mais usuais são as Feed Forward, que podem ter uma ou mais camadas de Elementos Processadores (EP), sendo as redes com múltiplas camadas (Multi-Layer) a configuração mais completa. Para treinamento da rede, o algoritmo de aprendizado mais utilizado é o Back Propagation. Como fruto deste estudobibliográfico é apresentado neste trabalho um resumo sobre RNA. Nas simulações de faltas para obtenção dos padrões de treinamento e teste, foi utilizado um sistema automático que, através da combinação de vários parâmetros do sistema elétrico, gera situações diferentes de falta. Este sistemautiliza como base o programa Alternative Transient Program ATP. Neste trabalho o sistema elétrico está representado por uma LT de 345 KV, com fontes equivalentes representando um sistema real de Furnas Centrais Elétricas. Todos o sinais de tensão e corrente utilizados são representados por fasores de 60 Hz, obtidos através da Transformada Discreta de Fourier (TDF). Os modelos de RNAs para identificação e localização de falta foram implementados com sub-rotinas de redes neurais do programa MATLAB ver. 6.0, representados por Redes Perceptron Multicamadas (Multi Layer Perceptron), treinadas com algoritmo Back Propagation com taxa de aprendizado adaptativa e o termo momentum fixo. Um modelo único de RNA identifica quais as fases (A, B, C e T) envolvidas, classificando o tipo de falta, que pode ser: Monofásica;Bifásica; Bifásica-Terra ou Trifásica. Para a localização da falta, foram definidas 4 arquiteturas de RNA, uma para cada tipo de falta. A ativação de cada topologia de RNA para localização é definida em função do tipo de falta classificada no modelo de identificação com RNA. Na etapa de estudo de casos testou-se o desempenho de cada modelo de RNA utilizando casos de testes em outras situações de falta, diferentes dos conjuntos de treinamento. A RNA de identificação de falta foi avaliada para situações de faltas envolvendo outras LTs, com diferentes níveis de tensão. Os resultados das 4 RNAs de localização da falta foram comparados com os resultados obtidos utilizando o método tradicional, tanto para os casos simulados quanto para algumas situações reais de falta. A utilização de RNAs para a identificação e a localização de falta mostrouse bastante eficiente para os casos analisados, comprovando a aplicabilidade dasredes neurais nesse problema.
Recurrent Neural Networks For Short Term Load Forecasting
DOWNLOAD
Author : Filippo Maria Bianchi
language : en
Publisher: Springer
Release Date : 2017-11-09
Recurrent Neural Networks For Short Term Load Forecasting written by Filippo Maria Bianchi and has been published by Springer this book supported file pdf, txt, epub, kindle and other format this book has been release on 2017-11-09 with Computers categories.
The key component in forecasting demand and consumption of resources in a supply network is an accurate prediction of real-valued time series. Indeed, both service interruptions and resource waste can be reduced with the implementation of an effective forecasting system. Significant research has thus been devoted to the design and development of methodologies for short term load forecasting over the past decades. A class of mathematical models, called Recurrent Neural Networks, are nowadays gaining renewed interest among researchers and they are replacing many practical implementations of the forecasting systems, previously based on static methods. Despite the undeniable expressive power of these architectures, their recurrent nature complicates their understanding and poses challenges in the training procedures. Recently, new important families of recurrent architectures have emerged and their applicability in the context of load forecasting has not been investigated completely yet. This work performs a comparative study on the problem of Short-Term Load Forecast, by using different classes of state-of-the-art Recurrent Neural Networks. The authors test the reviewed models first on controlled synthetic tasks and then on different real datasets, covering important practical cases of study. The text also provides a general overview of the most important architectures and defines guidelines for configuring the recurrent networks to predict real-valued time series.
