Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/BUOS-8CUJ8C
Type: Dissertação de Mestrado
Title: Detecção de determinismo e modelagem preditiva de séries temporais de consumo de energia elétrica
Authors: Tales Argolo Jesus
First Advisor: Eduardo Mazoni Andrade Marcal Mendes
Abstract: A previsão de séries temporais de consumo de energia elétrica a longo prazo é tarefa de grande relevância numcontexto que envolve questões relacionadas ao planejamento do mercado energético de um país ou região. Estimativas confiáveis do consumo de energia possibilitam a definição de estratégias que venham a facilitar a ampliação e acapacitação do sistema energético que atende a uma determinada população dentro de um determinado contexto climático, cultural, político, socio-econômico, etc. Opresente trabalho demestrado trata da aplicação dametodologia conhecida como Análise de Dados Sub-Rogados em uma tentativa de detectar determinismo nas sériesde consumo de energia elétrica do Estado deMinas Gerais (Brasil) e do Estado de New England (Estados Unidos da América), bem como da utilização de ferramentas de modelagem matemática existentes em Identificação de Sistemas com a finalidade de se realizarem previsões de tais séries a longo prazo, num horizonte de previsão máximode 60 meses. Ainda na etapa de análise de dados é apresentada uma metodologia para decomposição de séries temporais chamada de Análise Espectral Singular, a qual se mostrou eficiente na extração de características das séries como as suas componentes de tendência.Três foram as ferramentas matemáticas escolhidas para a construção dos modelos preditivos: (i) modelos auto-regressivos múltiplos; (ii) redes neurais artificiais do tipo perceptron multicamada; (iii) e redes neuro-fuzzy do tipo linear local. Além delas, definiu-se um preditor trivial a partir do conhecimento prévio dos comportamentos de tendência e sazonalidade das séries a fim de se ter em mãos uma espécie de modelo mais simples porém útil para a validação das referidas ferramentas utilizadas para lidar com o problema de previsão.No que diz respeito à detecção de determinismo, a aplicação do teste de dados subrogados revelou a existência de informação dinâmica intra-ciclo e entre ciclos na série de consumo de New England, enquanto que no caso da série da CEMIG tal detecção sóse patentou no caso das séries de alguns setores de baixo peso no consumo geral e nas séries agrupadas por unidades de tempo menores do que um mês. Tal verificação se refletiu na etapa de construção de modelos, em que a similitude entre as previsões e osvalores reais de consumo foi mais evidente para série de New England do que para as séries da CEMIG. Em termos de medidas de erro, para as séries de New England e de baixa tensão da CEMIG, omelhormodelo estimado emcada uma das três categorias de modelos aplicados neste trabalho conduziram a medidas de erro percentual absoluto médio (MAPE) sempre abaixo de 3%, considerando-se horizontes de previsão de 60 e 24 meses, respectivamente. Na série de consumo total da CEMIG, oMAPE obtido em um horizonte de 24 meses com os modelos ARM foi inferior a 5%. O único caso em que o preditor trivial superou as outras estratégias preditivas foi no caso da série de consumode baixa tensão da CEMIG, justamente uma das séries para as quais não foi verificada a existência de determinismo intra-ciclo e entre-ciclos via análise de dados sub-rogados, de sorte que um mero ajuste de tendência e sazonalidade à guisa de mapeamento de padrões foi suficiente para a obtenção de um resultado de previsão bastante acurado (MAPE de 1,99% para um horizonte de 24 meses).Mais do que chegar a resultados satisfatórios em termos de minimização das medidas de erro de previsão, este trabalho ratificou o conhecido fato de que a complexidade dos modelos nem sempre está relacionada com a sua capacidade em reproduzir com fidelidade os comportamentos apresentados pelos sistemas que existemnomundo real.
Abstract: Long-term load forecasting is a task of great relevance in the context of energy market planning of a country or a region. Reliable forecasts of energy consumption make possible the definition of strategies that can promote the expansion of the electrical systemthat supplies a population into an specific climatic, cultural, political and socialeconomic context. The presentworkdealswith the application of Surrogate Data Analysis in an attempt to detect determinism in the energy consumption time series of Minas Gerais State (Brazil) and New England State (United States of America), and also with the use of mathematical modelling tools typical in Systems Identification to perform long-term load forecasting of such time series, considering a maximum prediction horizon of 60 months. In the stage of data analysis it is also presented a methodology to decomposetime series called Singular Spectral Analysis, which has been shown to be efficient in the extraction of time series characteristics, such as the trend components. Three were the mathematical tools chosen to construct the predictive models: (i) multiple auto-regressive-like models; (ii) multi-layer perceptron artificial neural networks; and (iii) local linear neuro-fuzzy networks. Besides them, it was also defined a trivial predictor, based on the previous knowledge of the series trend and seasonalitiybehavior, with the objective of using it as a tool to validate the methods used to deal with the forecasting problem. As far as determinism detection is concerned, the application of the surrogate data test has revealed the existence of inter-cycle and intra-cycle dynamics in i) the timeseries of the electricity consumption of the state ofNewEngland, ii) in those time series of specific sectors of little impact in the total electricity consumption of the state of Minas Gerais and iii) in the aggregated time series of the same state when the sampling time is smaller than one month. Such results have reflected in the modelling stage by revealing that the similarity among the predictions and the real consumption valueswas more evident when working with the New England time series than with CEMIG time series. In terms of error measures, for both the New England and the low voltage CEMIG time series, the best model in each of the three categories of models used in this work resulted in mean absolute percentual errors (MAPE) smaller than 3%, when considering 60 and 24 month prediction horizon. In the case of CEMIG total consumption time series, the MAPE was smaller than 5% for a 24 month prediction horizon when ARM models are used. The only situation in which the trivial predictor was superior than the other prediction strategies was for CEMIG low voltage time series, in which the existence of intra-cycle and inter-cycle determinism via surrogate data analysis was not verified. In such a case a simple trend and seasonality fitting wassufficient to obtain very accurate prediction results (MAPE smaller than 1,99% to a 24 months prediction horizon).
Subject: Engenharia elétrica
language: Português
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
Rights: Acesso Aberto
URI: http://hdl.handle.net/1843/BUOS-8CUJ8C
Issue Date: 31-Oct-2008
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
tales_argolo_jesus.pdf1.65 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.