Banca de DEFESA: DIEGO BARBOSA ARIZE SANTOS
Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : DIEGO BARBOSA ARIZE SANTOS
DATA : 14/10/2019
HORA: 14:00
LOCAL: SALA 12 - IME
TÍTULO:
UM ESTUDO SOBRE A PREDIÇÃO DE ENERGIA UTILIZANDO DADOS INCERTOS DE SMART GRIDS
PALAVRAS-CHAVES:
SÉRIES TEMPORAIS, SISTEMAS FUZZY, SMART GRIDS
PÁGINAS: 75
RESUMO:
O gerenciamento da geração de energia e seu consumo é geralmente uma tarefa difícil para as redes de energia elétrica, uma vez que os dados obtidos com esse sistema estão atrelados à incerteza ocasionada pela sazonalidade e diversas interferências externas. Sendo assim, a construção de Smart Grids, ou seja, redes elétricas inteligentes, vem sendo uma ideia constantemente adotada em diversas cidades. Em Smart Grids, a combinação de Inteligência Computacional com a rede elétrica busca melhorar o equilíbrio entre geração de energia e seu consumo. As redes inteligentes exigem controladores poderosos para manter tal equilíbrio. Esses controladores precisam estar cientes das cargas futuras e a previsão desses dados deve ser muito precisa para fornecer suporte à decisão de forma eficiente. Como os dados de geração e consumo de energia do Smart Grid variam ao longo do tempo, em uma distribuição de séries temporais, os métodos de previsão de séries temporais podem produzir previsões para apoiar tais controladores no processo de tomada de decisão. No entanto, a previsão de dados vinculados à natureza incerta dos mesmos pode ter alguns distúrbios ocasionando a má distribuição de energia. Para superar essas questões, neste trabalho, investigamos métodos de previsão de séries temporais, mapeados em uma revisão sistemática da literatura, com o objetivo de fornecer previsões mais precisas, mesmo para esses dados incertos. Buscando um método apropriado para isso, apresentamos um estudo comparativo sobre diferentes métodos de previsão de séries temporais para avaliar qual deles alcançaria melhor precisão nas predições de distribuição de energia. Os métodos comparados foram: Rede Neural Adaptativa Fuzzy (ANFIS), Redes Neurais Recorrentes (RNN), Regressores de Vetores de Suporte (SVR), \textit{Random Forest} e \textit{SARIMAX}. O algoritmo ANFIS superou as demais abordagens, fornecendo resultados mais precisos. A partir desses resultados, propomos a combinação da abordagem de fuzzificação do ANFIS com os métodos de predição comparados para melhorar o desempenho destes na predição sob dados incertos de energia.
MEMBROS DA BANCA:
Presidente - 2115505 - TATIANE NOGUEIRA RIOS
Interno - 2810986 - MARCOS ENNES BARRETO
Externo à Instituição - MATHEUS GIOVANNI PIRES - UEFS