PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação
| Orientador(a) (dc.contributor.advisor) | Barbosa, Jorge Luis Victória | |
| Coorientador(a) (dc.contributor.advisor-co1) | Pereira, Paulo Ricardo da Silva | |
| Lattes Coorientador(a) (dc.contributor.advisor-co1Lattes) | http://lattes.cnpq.br/7305998794162381 | pt_BR |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/6754464380129137 | pt_BR |
| Autor(a) (dc.contributor.author) | Costa, Ricardo dos Santos | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/0868349582279593 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2023-02-17T18:07:23Z | |
| dc.date.available (dc.date.available) | 2023-02-17T18:07:23Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2022-10-05 | |
| Abstract (dc.description.abstract) | The growing demand for electricity and requirements imposed by regulatory agencies have led the conventional electricity distribution system to evolve into the context of smart grids. Data acquisition and analysis are central issues for the evolution of the distribution system. Machine learning technologies are gaining ground in applied studies, making this an emerging topic. The related studies do not address the preparation and analysis of data before application in artificial intelligence models. In this context, this work presents a model capable of performing the pre-processing, classification, and prediction of electrical quantities. Compared with related works, there is an indication that this is the first study that addresses the pre-processing and grouping of data by similarity to increase the effectiveness of artificial intelligence models. The Fuzzy C-Means method for data classification allows outliers to be found more assertively. The Grubbs method identifies critical operating points of the system. The regression stage presents predictions made with LSTM neural networks up to fourtime steps ahead with a percentage absolute average error of 0.16% using a real database of an electric power distribution utility. | en |
| Resumo (dc.description.resumo) | O crescente aumento da demanda por energia elétrica em conjunto com exigências impostas pelos órgãos reguladores têm levado o sistema de distribuição de energia elétrica convencional a evoluir para o contexto de redes inteligentes. A aquisição e análise de dados são questões centrais para a evolução do sistema de distribuição. As tecnologias de aprendizado de máquina estão ganhando espaço nos estudos aplicados, tornando esse um tema emergente, porém os estudos relacionados não abordam a preparação e análise dos dados antes da aplicação nos modelos de inteligência artificial. Nesse cenário esse trabalho responde à questão de pesquisa de como seria um modelo capaz de efetuar o pré-processamento de dados, classificá-los e realizar predições de grandezas elétricas. Em comparação com trabalhos relacionados há indicação que esse é o primeiro estudo que aborda o préprocessamento e agrupamento de dados por similaridade visando aumentar a eficácia dos modelos de inteligência artificial. Aplicando o método Fuzzy C-Means para classificação de dados são percebidos outliers que não eram encontrados antes da criação de clusters, também são percebidos pontos críticos de operação do sistema com o método de Grubbs. A etapa de regressão apresenta predições realizadas com redes neurais LSTM com até quatro passos de tempo a frente com erro médio absoluto percentual de 0,16% utilizando uma base de dados real de uma concessionária de distribuição de energia elétrica. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | Nenhuma | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/12180 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Engenharia Elétrica | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Pré-processamento de dados | pt_BR |
| Assunto (dc.subject) | Classificação | pt_BR |
| Assunto (dc.subject) | Predição de grandezas elétricas | pt_BR |
| Assunto (dc.subject) | Aprendizado de máquina | pt_BR |
| Assunto (dc.subject) | Data pre-processing | en |
| Assunto (dc.subject) | Classification | en |
| Assunto (dc.subject) | Prediction of electrical quantities | en |
| Assunto (dc.subject) | Machine learning | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Engenharias::Engenharia Elétrica | pt_BR |
| Título (dc.title) | PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Ricardo dos Santos Costa_PROTEGIDO.pdf
- Tamanho:
- 3.34 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- pcr_modelo
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: