Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Mota, Camilla Nayara Santos [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Previsão de carga elétrica em nível desagregado
Redes neurais ARTMAP Fuzzy
Clusterização K-means
Suavização
Microrredes universitárias
Disaggregated load forecasting
Fuzzy ARTMAP neural networks
K-means clustering
Smoothing
University microgrids
Link de acesso: https://hdl.handle.net/11449/314124
https://orcid.org/0000-0001-6319-340X
Resumo: A previsão de carga elétrica em nível desagregado apresenta desafios relevantes devido à elevada variabilidade dos perfis de consumo, à ausência de variáveis contextuais e à presença de ruídos e padrões atípicos, especialmente em ambientes institucionais, onde o uso coletivo e irregular dos espaços, a sazonalidade acadêmica e a limitação de infraestrutura intensificam a complexidade da modelagem. Desenvolve-se uma metodologia híbrida para previsão horária de curto prazo, baseada na combinação entre redes neurais ARTMAP Fuzzy e o algoritmo de clusterização Kmeans, aplicada a dados reais de uma microrrede universitária. Utilizam-se séries temporais com resolução de 15 minutos, totalizando 96 registros por dia, no período de abril de 2012 a agosto de 2013. O processo de pré-processamento inclui a filtragem de dias não úteis, interpolação de dados ausentes, codificação cíclica das variáveis temporais e aplicação de suavização por média móvel ponderada. Os dados são segmentados por dia da semana, formando subconjuntos independentes de segunda a sexta-feira. Para cada previsão, calcula-se o perfil médio dos cinco dias úteis anteriores, que é comparado aos centróides obtidos pelo K-means. O cluster mais semelhante define o conjunto de treinamento da rede ARTMAP Fuzzy, com exclusão do diaalvo. A metodologia é validada por meio da previsão de todos os dias do conjunto amostral, assegurando capacidade de generalização e adaptação a diferentes padrões de carga. Os resultados demonstram reduções significativas nas métricas de erro (MAPE, RMSE e MAE), sobretudo em dias com maior oscilação, mesmo diante de dados incompletos e sem uso de variáveis exógenas. A estrutura modular adotada, aliada à segmentação temporal e à seleção orientada por clusters do conjunto de treinamento, contribui para a robustez da previsão, oferecendo uma solução eficaz e escalável para sistemas elétricos com baixa agregação e restrição de informações auxiliares.
id UNSP_1d876d8256eb177202a2f7a1d5aa3983
oai_identifier_str oai:repositorio.unesp.br:11449/314124
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregadoHybrid modeling with fuzzy artmap neural networks and k-means clustering applied to electrical load forecasting at a disaggregated levelPrevisão de carga elétrica em nível desagregadoRedes neurais ARTMAP FuzzyClusterização K-meansSuavizaçãoMicrorredes universitáriasDisaggregated load forecastingFuzzy ARTMAP neural networksK-means clusteringSmoothingUniversity microgridsA previsão de carga elétrica em nível desagregado apresenta desafios relevantes devido à elevada variabilidade dos perfis de consumo, à ausência de variáveis contextuais e à presença de ruídos e padrões atípicos, especialmente em ambientes institucionais, onde o uso coletivo e irregular dos espaços, a sazonalidade acadêmica e a limitação de infraestrutura intensificam a complexidade da modelagem. Desenvolve-se uma metodologia híbrida para previsão horária de curto prazo, baseada na combinação entre redes neurais ARTMAP Fuzzy e o algoritmo de clusterização Kmeans, aplicada a dados reais de uma microrrede universitária. Utilizam-se séries temporais com resolução de 15 minutos, totalizando 96 registros por dia, no período de abril de 2012 a agosto de 2013. O processo de pré-processamento inclui a filtragem de dias não úteis, interpolação de dados ausentes, codificação cíclica das variáveis temporais e aplicação de suavização por média móvel ponderada. Os dados são segmentados por dia da semana, formando subconjuntos independentes de segunda a sexta-feira. Para cada previsão, calcula-se o perfil médio dos cinco dias úteis anteriores, que é comparado aos centróides obtidos pelo K-means. O cluster mais semelhante define o conjunto de treinamento da rede ARTMAP Fuzzy, com exclusão do diaalvo. A metodologia é validada por meio da previsão de todos os dias do conjunto amostral, assegurando capacidade de generalização e adaptação a diferentes padrões de carga. Os resultados demonstram reduções significativas nas métricas de erro (MAPE, RMSE e MAE), sobretudo em dias com maior oscilação, mesmo diante de dados incompletos e sem uso de variáveis exógenas. A estrutura modular adotada, aliada à segmentação temporal e à seleção orientada por clusters do conjunto de treinamento, contribui para a robustez da previsão, oferecendo uma solução eficaz e escalável para sistemas elétricos com baixa agregação e restrição de informações auxiliares.Short-term load forecasting at disaggregated levels poses significant challenges due to the high variability of consumption patterns, the absence of contextual variables, and the presence of noise and atypical behaviors, particularly in institutional environments, where collective and irregular use of spaces, academic seasonality, and limited infrastructure intensify the complexity of modeling. This work develops a hybrid methodology for hourly load forecasting, based on the combination of Fuzzy ARTMAP neural networks and the K-means clustering algorithm, using real data from a university microgrid. The time series employed have a 15-minute resolution, totaling 96 records per day, covering the period from April 2012 to August 2013. The preprocessing procedure includes the removal of non-business days, interpolation of missing data, cyclic encoding of temporal variables, and smoothing using a weighted moving average. Data are segmented by weekday, forming independent subsets from Monday to Friday. For each prediction, the average profile of the five most recent weekdays is calculated and compared to the centroids generated by K-means. The most similar cluster defines the training set for the Fuzzy ARTMAP neural network, excluding the target day. The methodology is validated through the prediction of all available days in the dataset, ensuring generalization capacity and adaptability to different load patterns. The results demonstrate significant reductions in forecasting errors (MAPE, RMSE, and MAE), especially on days with higher variability, even under incomplete data conditions and without the use of exogenous variables. The modular structure adopted, combined with temporal segmentation and cluster-driven selection of the training set, contributes to the robustness of the forecasting process, offering an effective and scalable solution for low-aggregation electrical systems with limited auxiliary information.Universidade Estadual Paulista (Unesp)Lopes, Mara Lúcia Martins [UNESP]Universidade Estadual Paulista (Unesp)Mota, Camilla Nayara Santos [UNESP]2025-10-07T11:49:25Z2025-08-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfMOTA, Camilla Nayara Santos. Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado. 2025. 64 f. Tese (Doutorado em Engenharia Elétrica) - Faculdade de Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2025.https://hdl.handle.net/11449/31412433004099080P0https://orcid.org/0000-0001-6319-340Xporinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2025-10-08T04:00:23Zoai:repositorio.unesp.br:11449/314124Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462025-10-08T04:00:23Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
Hybrid modeling with fuzzy artmap neural networks and k-means clustering applied to electrical load forecasting at a disaggregated level
title Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
spellingShingle Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
Mota, Camilla Nayara Santos [UNESP]
Previsão de carga elétrica em nível desagregado
Redes neurais ARTMAP Fuzzy
Clusterização K-means
Suavização
Microrredes universitárias
Disaggregated load forecasting
Fuzzy ARTMAP neural networks
K-means clustering
Smoothing
University microgrids
title_short Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
title_full Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
title_fullStr Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
title_full_unstemmed Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
title_sort Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado
author Mota, Camilla Nayara Santos [UNESP]
author_facet Mota, Camilla Nayara Santos [UNESP]
author_role author
dc.contributor.none.fl_str_mv Lopes, Mara Lúcia Martins [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Mota, Camilla Nayara Santos [UNESP]
dc.subject.por.fl_str_mv Previsão de carga elétrica em nível desagregado
Redes neurais ARTMAP Fuzzy
Clusterização K-means
Suavização
Microrredes universitárias
Disaggregated load forecasting
Fuzzy ARTMAP neural networks
K-means clustering
Smoothing
University microgrids
topic Previsão de carga elétrica em nível desagregado
Redes neurais ARTMAP Fuzzy
Clusterização K-means
Suavização
Microrredes universitárias
Disaggregated load forecasting
Fuzzy ARTMAP neural networks
K-means clustering
Smoothing
University microgrids
description A previsão de carga elétrica em nível desagregado apresenta desafios relevantes devido à elevada variabilidade dos perfis de consumo, à ausência de variáveis contextuais e à presença de ruídos e padrões atípicos, especialmente em ambientes institucionais, onde o uso coletivo e irregular dos espaços, a sazonalidade acadêmica e a limitação de infraestrutura intensificam a complexidade da modelagem. Desenvolve-se uma metodologia híbrida para previsão horária de curto prazo, baseada na combinação entre redes neurais ARTMAP Fuzzy e o algoritmo de clusterização Kmeans, aplicada a dados reais de uma microrrede universitária. Utilizam-se séries temporais com resolução de 15 minutos, totalizando 96 registros por dia, no período de abril de 2012 a agosto de 2013. O processo de pré-processamento inclui a filtragem de dias não úteis, interpolação de dados ausentes, codificação cíclica das variáveis temporais e aplicação de suavização por média móvel ponderada. Os dados são segmentados por dia da semana, formando subconjuntos independentes de segunda a sexta-feira. Para cada previsão, calcula-se o perfil médio dos cinco dias úteis anteriores, que é comparado aos centróides obtidos pelo K-means. O cluster mais semelhante define o conjunto de treinamento da rede ARTMAP Fuzzy, com exclusão do diaalvo. A metodologia é validada por meio da previsão de todos os dias do conjunto amostral, assegurando capacidade de generalização e adaptação a diferentes padrões de carga. Os resultados demonstram reduções significativas nas métricas de erro (MAPE, RMSE e MAE), sobretudo em dias com maior oscilação, mesmo diante de dados incompletos e sem uso de variáveis exógenas. A estrutura modular adotada, aliada à segmentação temporal e à seleção orientada por clusters do conjunto de treinamento, contribui para a robustez da previsão, oferecendo uma solução eficaz e escalável para sistemas elétricos com baixa agregação e restrição de informações auxiliares.
publishDate 2025
dc.date.none.fl_str_mv 2025-10-07T11:49:25Z
2025-08-08
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv MOTA, Camilla Nayara Santos. Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado. 2025. 64 f. Tese (Doutorado em Engenharia Elétrica) - Faculdade de Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2025.
https://hdl.handle.net/11449/314124
33004099080P0
https://orcid.org/0000-0001-6319-340X
identifier_str_mv MOTA, Camilla Nayara Santos. Modelagem híbrida com redes neurais fuzzy artmap e clusterização k-means aplicada à previsão de carga elétrica em nível desagregado. 2025. 64 f. Tese (Doutorado em Engenharia Elétrica) - Faculdade de Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2025.
33004099080P0
url https://hdl.handle.net/11449/314124
https://orcid.org/0000-0001-6319-340X
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954996505772032

Registros relacionados