ABSTRACT. This paper proposes a method (denoted by WD-ANN) that combines the Artificial Neural Networks (ANN) and the Wavelet Decomposition (WD) to generate short-term global horizontal solar radiation forecasting, which is an essential information for evaluating the electrical power generated from the conversion of solar energy into electrical energy. The WD-ANN method consists of two basic steps: firstly, it is performed the decomposition of level p of the time series of interest, generating p + 1 wavelet orthonormal components; secondly, the p + 1 wavelet orthonormal components (generated in the step 1) are inserted simultaneously into an ANN in order to generate short-term forecasting. The results showed that the proposed method (WD-ANN) improved substantially the performance over the (traditional) ANN method.
Este artigo propõe uma metodologia híbrida para a previsão das séries temporais de deslocamentos relativos em um bloco da barragem da usina hidrelétrica de Itaipu, que integra os seguintes métodos numéricos: decomposição wavelet, support vector Machine e combinação linear de previsões. Todos os resultados estatísticos alcançados pela metodologia proposta foram mais acurados do que outras técnicas tradicionais (usadas aqui como benchmark), encorajando a sua adoção para tal finalidade. Deslocamentos relativos. Decomposição wavelet. Support vector regression. Combinação linear de previsões. This article proposes a hybrid methodology for forecasting relative displacements in a dam block at the Itaipu hydroelectric plant, which integrates the following numerical methods: wavelet decomposition, support vector machine and linear forecast combination. All the statistical results achieved by the proposed method are more accurate than other traditional techniques (used here as a benchmark), encouraging its adoption for this purpose. Relative displacements. Wavelet decomposition. Support vector regression. Forecasts.
ResumoSingular Spectrum Analysis (SSA) é uma técnica não-paramétrica que permite decompor uma série temporal em sinal e ruído. Neste artigo, os modelos Box & Jenkins e Holt-Winters são testados com e sem a abordagem SSA para a modelagem de uma série temporal de consumo residencial mensal de energia elétrica de uma concessionária do Rio de Janeiro. Três diferentes metodologias são utilizadas na abordagem SSA: Análise de Componentes principais (ACP), ACP associado com Análise de Cluster e Análise Gráfica dos Vetores Singulares. MAPE, MAE, RMSE e R 2 são estatísticas usadas para testar o poder preditivo dos modelos. Os resultados mostram um maior poder preditivo do modelo quando aplicado a séries filtradas em conjunto com a técnica SSA. Palavras Chave: SSA, ARIMA, Holt-Winters, consumo de energia.
AbstractSingular Spectrum Analysis (SSA) is a non-parametric technique to decompose a time series into signal and noise. In this article, the Box-Jenkins and Holt-Winters models are tested with and without SSA approach for modeling a time series of monthly residential electricity consumption from a dealership in Rio de Janeiro. Three different methodologies are used in the SSA approach: Analysis of Main Components (ACP), ACP associated with Cluster Analysis and Graphical Analysis of Singular Vectors. MAPE, MAE, RMSE and R2 statistics are used to test the predictive power of the models. The results show a greater predictive power of the model when applied in conjunction with the filtered technique SSA series.
In the prediction of (stochastic) time series, it has been common to suppose that an individual predictive method-for instance, an Auto-Regressive Integrated Moving Average (ARIMA) model-produces residuals like a white noise process. However, mainly due to the structures of auto-dependence not mapped by a given individual predictive method, this assumption might be easily violated, in practice, as pointed out by Firmino et al. (2015). In order to correct it
Direitos para esta edição cedidos à Atena Editora pelos autores. Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição-Não-Comercial-NãoDerivativos 4.0 Internacional (CC BY-NC-ND 4.0).O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores, inclusive não representam necessariamente a posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais. Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares, membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação com base em critérios de neutralidade e imparcialidade acadêmica.A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do processo de publicação, evitando plágio, dados ou resultados fraudulentos e impedindo que interesses financeiros comprometam os padrões éticos da publicação. Situações suspeitas de má conduta científica serão investigadas sob o mais alto padrão de rigor acadêmico e ético.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.