Use este identificador para citar ou linkar para este item: repositorio.ufla.br/jspui/handle/1/12133
Título: Controlador de demanda de energia utilizando inteligência computacional
Título(s) alternativo(s): Energy demand controller using computational intelligence
Autor : Vieira, Mateus Coelho
Lattes: http://lattes.cnpq.br/4165632460345861
Primeiro orientador: Lacerda, Wilian Soares
Primeiro coorientador: Silva, Joaquim Paula da
Primeiro membro da banca: Ferreira, Danton Diego
Segundo membro da banca: Botega, Juliana Vilela Lourençoni
Palavras-chave: Energia elétrica – Consumo
Controladores elétricos
Electric power consumption
Electric controllers
Data da publicação: 26-Dez-2016
Agência(s) de fomento: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Referência: VIEIRA, M. C. Controlador de demanda de energia utilizando inteligência computacional. 2016. 135 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação)-Universidade Federal de Lavras, Lavras, 2016.
Resumo: Na atual situação mundial de escassez de recursos, a economia de energia elétrica tornou-se algo relevante. Sendo assim, a Universidade Federal de Lavras, com o objetivo de evitar a ultrapassagem da demanda de energia elétrica contratada, adquiriu um sistema controlador de demanda. O controlador de demanda em seu funcionamento deixou alguns aspectos a desejar, principalmente no que diz respeito à prioridade definida para o desligamento das cargas menos essenciais. Por essa razão, conduziu-se, este trabalho, com o objetivo de melhorar o desempenho do controlador de demanda, otimizando, de forma inteligente e dinâmica, a prioridade de desligamento das cargas. Para isso, foram utilizados conhecimentos de inteligência computacional para a criação de um sistema automatizado que aliado ao controlador de demanda possa obter um melhor desempenho. Sabendo-se que o controlador de demanda trabalha com o desligamento de cargas para não ultrapassagem da demanda, e que as cargas a serem desligadas são ares-condicionados, um sistema de classificação da prioridade de cada carga foi desenvolvido, bem como um sistema de previsão da demanda de energia elétrica para os próximos 15 minutos. A metodologia empregada foi baseada em Redes Neurais Artificiais para o desenvolvimento de dois sistemas computacionais trabalhando paralelamente. Quando analisados os resultados simulados do sistema desenvolvido, verifica-se que para o previsor de cargas, a média e desvio para o EMQ na fase de teste foi de 0,00006701 ± 0,00000262720; o coeficiente R² de treinamento obtido foi de 0,9634 ± 0,00289; e o R² de teste obtido foi de 0,987 ± 0,00152. Para a classificação, verificou o valor do EMQ na fase de treinamento em 0,0014436. Também foi observado o índice Kappa de acertos da sequência geral em 0,8239, conclui-se que o controlador de demanda obteve uma otimização do processo de desligamento das cargas.
Abstract: With the current global situation of resource scarcity, the economy of electric energy has become relevant. Thus, the Universidade Federal de Lavras, to avoid exceeding the demand for electric energy purchased, acquired a demand controlling system. The functioning of the demand controller left much to be desired, especially concerning the priority defined for shutting down the least essential charges. Because of this, this work aimed at improving the performance of the demand controller, intelligently and dynamically optimizing the priority of shutting down the charges. Thus, knowledge on computational intelligence was used to create an automated system that, allied to the demand controller, can obtain better performance. Understanding that the demand controller work by shutting down the charges in order not to exceed the demand, and that the charges to be shut down are air-conditioners, a charge priority classification system was developed, in addition to a electric energy prediction system for the next 15 minutes. The methodology employed was based on Artificial Neural Networks for developing two computational systems to work in parallel. When analyzing the simulated results, we verified that, for the charge predictor, the mean and deviation for the EMQ, in the testing phase, was of 0.00006701 ± 0.00000262720; the R 2 training coefficient was of 0.9634 ± 0.00289; and the test R 2 was of 0.987 ± 0.00152. For the classification, the value obtained for the EMQ in the training phase was of 0.0014436. We also verified that the Kappa hit index of the general sequence was of 0.8239. In conclusion, the demand controller was optimized for the process of shutting down charges.
metadata.teses.dc.description: Arquivo retido a pedido do autor até outubro de 2017.
URI: http://repositorio.ufla.br/jspui/handle/1/12133
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções:DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)

Arquivos associados a este item:
Não existem arquivos associados a este item.


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.