Skip navigation
User training | Reference and search service

Library catalog

Retrievo
EDS
b-on
More
resources
Content aggregators
Please use this identifier to cite or link to this item:

acessibilidade

http://hdl.handle.net/10071/10927
acessibilidade
Title: Previsão de consumo de energia elétrica em contexto de smart grids
Authors: Lima, Carlos Manuel Nunes
Orientador: Cardoso, Elsa Alexandra Cabral da Rocha
Keywords: Consumo energia
Análise preditiva
K-Means
Clustering
Aprendizagem automática
ANN
Energy consumption
Predictive analytics
Machine learning
Issue Date: 2015
Citation: LIMA, Carlos Manuel Nunes - Previsão de consumo de energia elétrica em contexto de smart grids [Em linha]. Lisboa: ISCTE-IUL, 2015. Dissertação de mestrado. [Consult. Dia Mês Ano] Disponível em www:<http://hdl.handle.net/10071/10927>.
Abstract: Num contexto de modernização e acelerados avanços tecnológicos no sector das Energy & Utilities, o conceito das Smart Grids surge associado às novas capacidades de gestão de redes energéticas inteligentes, através da integração de mecanismos automatizados de comunicação que possibilitam alcançar uma visão global do estado da rede energética e da totalidade dos seus componentes. As Utilities passam assim a ter disponíveis volumes massivos de informação, passíveis de análise e capazes de suportar a estratégia de otimização de todo o ciclo de produção, distribuição e comercialização de energia. Dessa forma, e para responder aos objetivos deste trabalho, foram utilizados dados provenientes dos contadores inteligentes, colocados em cada local de consumo, de forma a perceber perfis de consumo de clientes e criar modelos de previsão de consumo de energia no curto prazo. Os perfis de consumo dos clientes foram estudados e através de uma análise de Clustering foi possível identificar clientes com padrões de consumo semelhantes ao longo do tempo e agrupa-los em grupos de semelhança. O consumo de cada um dos grupos identificados foi seguidamente agregado e foram utilizadas redes neuronais para prever o seu consumo para um horizonte temporal de curto prazo (próximas 24 horas). Em termos de resultados obtidos foi possível perceber que a metodologia utilizada conseguiu alcançar resultados muito positivos quando comparados os valores reais de consumo com os valores que o algoritmo de previsão teve a capacidade de prever, tendo taxas de acerto superiores a 90%. As principais contribuições deste trabalho prendem-se com o desenho que uma metodologia de previsão utilizando várias técnicas de aprendizagem automática bem como um contributo ligado ao meio profissional, na medida em que foi ganho conhecimento que será útil no desenvolvimento da oferta da Novabase na área de Energy & Utilities.
In a context of modernization and accelerated technological advances in the Energy & Utilities sector, the concept of Smart Grids appear associated with new intelligent energy network management capabilities through the integration of automated communication mechanisms that enable achieving an overview of network status and of all energy network components. The Utilities will have available massive amounts of information to analysis and to give support the optimization strategy of the entire production cycle, distribution and commercialization of energy. Thus, and to achieve the objectives of this research were used data from smart meters, placed at each place of consumption, in order to understand customer consumption profiles and create power consumption forecasting models in the short term. Customer consumption profiles were studied and by a clustering analysis was possible to identify customers with similar consumption patterns over time and bundles them into similarity groups. The consumption of each of the identified groups was then added and neural networks are used to predict the consumption of each group for a short-term time horizon (next 24 hours). In terms of results it was observed that the methodology has achieved very positive results when comparing the actual consumption values with the values that the prediction algorithm has the ability to predict, with accuracy rates of over 90 %. The main contributions of this work are related to the design a prediction methodology using various machine learning techniques and a contribution linked to the professional world, allowing gain knowledge that will be useful in the Development of Novabase Area Energy & Utilities
Peer reviewed: Sim
URI: http://hdl.handle.net/10071/10927
Thesis identifier: 201133881
Designation: Mestrado em Engenharia Informática
Appears in Collections:T&D-DM - Dissertações de mestrado

Files in This Item:
acessibilidade
File Description SizeFormat 
PredictiveAnalytics_a28452_CarlosLima.pdf3.02 MBAdobe PDFView/Open


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Currículo DeGóis 

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