HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD
Ano de defesa: | 2010 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
|
Programa de Pós-Graduação: |
PPG EM ENGENHARIA ELÉTRICA
|
Departamento: |
Não Informado pela instituição
|
País: |
BR
|
Link de acesso: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@2 |
Resumo: | A previsão de curto prazo, que envolve dados de alta frequência, é essencial para a confiabilidade e eficiência da operação do setor elétrico, fazendo com que a alocação da carga seja feita de forma eficiente, além de indicar possíveis distorções nos próximos períodos (dias, horas, ou frações de hora). A fim de garantir a operação energética, diversas abordagens têm sido empregadas com vistas à previsão de carga de energia a curto prazo. Dentre elas, pode-se citar os modelos híbridos de Séries Temporais, Lógica Fuzzy e Redes Neurais e o Método Holt-Winters com múltiplos ciclos que é a principal ferramenta utilizada atualmente. O HPA (Hierarchical Profiling Approach) é um modelo que decompõe a variabilidade dos dados de séries temporais em três componentes: determinística, estocástica e ruído. A metodologia é capaz de tratar observações únicas, periódicas e aperiódicas, e ao mesmo tempo, serve como uma técnica de pré-branqueamento. Este trabalho tem por objetivo implementar o HPA e aplicá-lo a dados de carga de energia elétrica de 15 em 15 minutos pra um estado da região Sudeste do Brasil. Também serão analisadas as previsões de curto prazo geradas pelo modelo para a série considerada, visto que a habilidade preditiva do HPA ainda é desconhecida para séries brasileiras. As previsões forneceram Coeficiente U de Theil igual a 0,36 e um Erro Percentual Absoluto Médio (MAPE, Mean Absolute Percentage Error) de 5,46%, o qual é bem inferior ao valor fornecido pelo Modelo Ingênuo usado para comparação (15,08%). |
id |
PUC_RIO-1_1f86a8c07b9981169b0b99f48e736873 |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:16665 |
network_acronym_str |
PUC_RIO-1 |
network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository_id_str |
|
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisHPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD MODELO HPA PARA A MODELAGEM DE DADOS DE ALTA FREQUÊNCIA: APLICAÇÃO À PREVISÃO HORÁRIA DE CARGA ELÉTRICA2010-08-26REINALDO CASTRO SOUZA09951768687lattes.cnpq.brREINALDO CASTRO SOUZA09951768687lattes.cnpq.brRICARDO TANSCHEITJOSE FRANCISCO MOREIRA PESSANHAREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAJOSE FRANCISCO MOREIRA PESSANHASCHAIANE NOGUEIRA OUVERNEY BARROSOPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBRA previsão de curto prazo, que envolve dados de alta frequência, é essencial para a confiabilidade e eficiência da operação do setor elétrico, fazendo com que a alocação da carga seja feita de forma eficiente, além de indicar possíveis distorções nos próximos períodos (dias, horas, ou frações de hora). A fim de garantir a operação energética, diversas abordagens têm sido empregadas com vistas à previsão de carga de energia a curto prazo. Dentre elas, pode-se citar os modelos híbridos de Séries Temporais, Lógica Fuzzy e Redes Neurais e o Método Holt-Winters com múltiplos ciclos que é a principal ferramenta utilizada atualmente. O HPA (Hierarchical Profiling Approach) é um modelo que decompõe a variabilidade dos dados de séries temporais em três componentes: determinística, estocástica e ruído. A metodologia é capaz de tratar observações únicas, periódicas e aperiódicas, e ao mesmo tempo, serve como uma técnica de pré-branqueamento. Este trabalho tem por objetivo implementar o HPA e aplicá-lo a dados de carga de energia elétrica de 15 em 15 minutos pra um estado da região Sudeste do Brasil. Também serão analisadas as previsões de curto prazo geradas pelo modelo para a série considerada, visto que a habilidade preditiva do HPA ainda é desconhecida para séries brasileiras. As previsões forneceram Coeficiente U de Theil igual a 0,36 e um Erro Percentual Absoluto Médio (MAPE, Mean Absolute Percentage Error) de 5,46%, o qual é bem inferior ao valor fornecido pelo Modelo Ingênuo usado para comparação (15,08%).Short-term forecast, which involves high frequency data, is essential for a reliable and efficient electricity sector operation, enabling an efficient power load allocation and indicating possible distortions in the coming periods (days, hours, or hour fractions). To ensure the operation efficiency, several approaches have been employed in order to forecast the short-term load. Among them, one can mention the hybrid models of Time Series, Fuzzy Logic and Neural Networks and Holt-Winters Method with multiple cycles, which is the main tool used today. The HPA (Hierarchical Profiling Approach) model decomposes the variability of time series data into three components: deterministic, stochastic and noise. The model is capable of modeling single, periodic and aperiodic observations, and at the same time function as a pre-whitening technique. This work aims to implement the HPA and to apply it in 15 in 15 minutes load data of a Brazil’s southeastern state, since the predictive ability of the HPA is still not known for the Brazilian series. The short-term forecasts estimated for the series considered are analyzed and provided a Theil-U Coefficient equal to 0.36 and a Mean Absolute Percentage Error (MAPE) of 5.46%, which is smaller than the value given by the Naive Model (15.08%).COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIORhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2023-06-26T09:17:52ZRepositório InstitucionalPRI |
dc.title.en.fl_str_mv |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD |
dc.title.alternative.pt.fl_str_mv |
MODELO HPA PARA A MODELAGEM DE DADOS DE ALTA FREQUÊNCIA: APLICAÇÃO À PREVISÃO HORÁRIA DE CARGA ELÉTRICA |
title |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD |
spellingShingle |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD SCHAIANE NOGUEIRA OUVERNEY BARROSO |
title_short |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD |
title_full |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD |
title_fullStr |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD |
title_full_unstemmed |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD |
title_sort |
HPA MODEL FOR MODELING HIGH FREQUENCY DATA: APPLICATION TO FORECAST HOURLY ELECTRIC LOAD |
dc.creator.ID.none.fl_str_mv |
|
dc.creator.Lattes.none.fl_str_mv |
|
author |
SCHAIANE NOGUEIRA OUVERNEY BARROSO |
author_facet |
SCHAIANE NOGUEIRA OUVERNEY BARROSO |
author_role |
author |
dc.contributor.advisor2ID.none.fl_str_mv |
09951768687 |
dc.contributor.advisor1.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.advisor1ID.fl_str_mv |
09951768687 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br |
dc.contributor.advisor2.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.advisor2Lattes.fl_str_mv |
lattes.cnpq.br |
dc.contributor.referee1.fl_str_mv |
RICARDO TANSCHEIT |
dc.contributor.referee2.fl_str_mv |
JOSE FRANCISCO MOREIRA PESSANHA |
dc.contributor.referee3.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee4.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee5.fl_str_mv |
JOSE FRANCISCO MOREIRA PESSANHA |
dc.contributor.author.fl_str_mv |
SCHAIANE NOGUEIRA OUVERNEY BARROSO |
contributor_str_mv |
REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA RICARDO TANSCHEIT JOSE FRANCISCO MOREIRA PESSANHA REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA JOSE FRANCISCO MOREIRA PESSANHA |
description |
A previsão de curto prazo, que envolve dados de alta frequência, é essencial para a confiabilidade e eficiência da operação do setor elétrico, fazendo com que a alocação da carga seja feita de forma eficiente, além de indicar possíveis distorções nos próximos períodos (dias, horas, ou frações de hora). A fim de garantir a operação energética, diversas abordagens têm sido empregadas com vistas à previsão de carga de energia a curto prazo. Dentre elas, pode-se citar os modelos híbridos de Séries Temporais, Lógica Fuzzy e Redes Neurais e o Método Holt-Winters com múltiplos ciclos que é a principal ferramenta utilizada atualmente. O HPA (Hierarchical Profiling Approach) é um modelo que decompõe a variabilidade dos dados de séries temporais em três componentes: determinística, estocástica e ruído. A metodologia é capaz de tratar observações únicas, periódicas e aperiódicas, e ao mesmo tempo, serve como uma técnica de pré-branqueamento. Este trabalho tem por objetivo implementar o HPA e aplicá-lo a dados de carga de energia elétrica de 15 em 15 minutos pra um estado da região Sudeste do Brasil. Também serão analisadas as previsões de curto prazo geradas pelo modelo para a série considerada, visto que a habilidade preditiva do HPA ainda é desconhecida para séries brasileiras. As previsões forneceram Coeficiente U de Theil igual a 0,36 e um Erro Percentual Absoluto Médio (MAPE, Mean Absolute Percentage Error) de 5,46%, o qual é bem inferior ao valor fornecido pelo Modelo Ingênuo usado para comparação (15,08%). |
publishDate |
2010 |
dc.date.issued.fl_str_mv |
2010-08-26 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=16665@2 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.publisher.program.fl_str_mv |
PPG EM ENGENHARIA ELÉTRICA |
dc.publisher.initials.fl_str_mv |
PUC-Rio |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
instacron_str |
PUC_RIO |
institution |
PUC_RIO |
reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1776626311717978112 |