Day-Ahead Wind Energy Forecasting Using Feed Forward Neural Network

Makwana, Ankitkumar M.; Gandhi, P. R.

doi:10.1007/978-981-10-6977-2_20

Cited by 2 publications

(1 citation statement)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Gokgõz e Filiz [22], apresentam modelos de redes neurais artificiais para o mercado de eletricidade diário na Turquia usando o gradiente descendente, o gradiente descendente com impulso, Broydan, Fletcher, Goldfarb e Shanno (BFGS) e o algoritmo Levenberg-Marquardt com número diferente de neurônios e funções de transferência. Makwana e Gandhi [23], utilizam as Redes Neurais Artificiais do tipo feedforward e algoritmo de ajustes dos pesos igual ao Levenberg-Marquardt para previsão de energia eólica. Os resultados da sua modelagem mostram uma melhor predição do que outros algoritmos de treinamento.…”

Section: Estado Da Arteunclassified

Aplicação Híbrida com Redes Neurais Profundas e Algoritmo Genético para Previsão de Séries Temporais do Sistema de Energia Elétrica Brasileira

Conte¹,

Conte²,

Oliveira³

2021

Anais Do 15. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

O cenário da energia elétrica no Brasil é influenciado por fatores complexos, além de possuir relações não lineares, o que dificulta sua previsibilidade. Para superar esse problema, propomos uma adaptação baseada na combinação de Redes Neurais Artificiais Profundas e Algoritmo Genético – AG para uso na previsão de algumas séries temporais do setor de energia elétrica brasileira. O AG usa um genótipo binário, de 53 bits, que busca o melhor número de camadas intermediárias, melhor número de células e modificações por Dropout para projetar a estrutura do Long Short Term Memory – LSTM e assim aprimorar a predição. Simulações foram realizadas para verificar o desempenho do método proposto em conjuntos de dados do mundo real: Preço de Liquidação das Diferenças e Velocidade do Vento de aerogeradores do Nordeste do Brasil. Verificou-se que a combinação do AG e LSTM tem melhores predições, em comparação com modelo Perceptron Multicamadas – MLP. Esses resultados mostram que, a abordagem é de grande utilidade para aprimorar e consolidar práticas voltadas para regulação de setor elétrico com o uso do PLD, e também para conversão da energia eólica para energia elétrica.

show abstract

Section: Estado Da Arteunclassified