Evaluation of the influence of the bus-bar voltage profiles on demand forecasting by using neural networks

Authors

DOI:

https://doi.org/10.33448/rsd-v10i12.20917

Keywords:

Load forecasting; Very short-term; Neural networks; Load historical data; Voltage profile.

Abstract

The very short-term load forecasting allows operation engineers an economic and safe dispatch of the power system while dynamically contributes to the prices in the energy market. Several methodologies such as regression analysis, time series, machine learning approaches, deep learning methods, and artificial intelligence have been used to forecast load. However, several external factors become the forecasting a more complex task than it initially appears to be. For this reason, neural networks have been presented as a computational intelligence technique capable of dealing with the load forecasting problem with great precision. In this context, this work aims to evaluate the impact of voltage profiles of the power system bus on the load forecasting. For this, it was proposed to study three database arrangements ((1) normalized load historical data; (2) normalized load historical data and voltage profile in load bars; and, (3) normalized load historical data, voltage profile in load bus and seasonality of these loads) to train nine neural networks of the MLP type with two layers. The proposed approach is evaluated based on data obtained from the state estimator of a network of a large company in the northern region of Brazil. The results show that, according to the MSE and MAPE values obtained, all the neural networks evaluated achieve a forecasting of the load as expected. However, the best performance was achieved with the arrangement that considered a database that records a normalized load historical data and voltage profile in load bus.

Author Biography

Werbeston Douglas de Oliveira, Universidade Federal do Amapá

Departamento de Ciências Exatas e Tecnológicas—DCET,  Universidade Federal do Amapá

References

Adeli, H., & Yeh, C. (1989). Perceptron Learning in Engineering Design. Microcomputers in Civil Engineering. 4, 247-56. doi: 10.1111/j.1467-8667.1989.tb00026.x.

Almeida, V. (2013). Previsão de Carga através de Modelos Neuro-Fuzzy. 2013. 91 f. Bacharelado em Engenharia Elétrica - Universidade Federal do Rio de Janeiro - UFRJ.

Amral, N., Ozvern, C. & King, D. (2007). Short Term Load Forecasting using Multiple Linear Regression. In: IEEE INTERNATIONAL UNIVERSITIES POWER ENGINEERING CONFERENCE. 42., Brighton: IEEE. p. 1192-8.

Antunes, J. Previsão de Carga Multinodal usando a Rede Neural ART-ARTMAP Fuzzy. 2013. 101 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Estadual Paulista “Júlio de Mesquita Filho”- UNESP, Ilha Solteira, 2013.

Baliyan A., Gaurav K., Mishra S. K., A. (2015). Review of Short Term Load Forecasting using Artificial Neural Network Models, Procedia Computer Science, Volume 48, Pages 121-125, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2015.04.160.

Box, G., Jenkins, G. (1976). Time Series Analysis: Forecasting and Control. ed. rev. Califórnia: Holden-Day.

Brito, N., Souza, B., Melo Filho, A., Lima, R., Pamplona, F. (2006). Previsão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL. In: XVII SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA. Belo Horizonte.

Caires, K. V. L. ., & Simonelli, G. (2021). Previsão da demanda brasileira de biodiesel utilizando redes neurais artificiais . Research, Society and Development, 10(5), e17410513381. https://doi.org/10.33448/rsd-v10i5.13381.

Chafi Z. S., Afrakhte H. (2021). "Short-Term Load Forecasting Using Neural Network and Particle Swarm Optimization (PSO) Algorithm", Mathematical Problems in Engineering, vol. Article ID 5598267, 10 pages, 2021. https://doi.org/10.1155/2021/5598267

Chaika, P. Neural Networks. <https://www.poznavayka.org/en/science-and-technology/neural-networks/ >.

Cho, M., Hwang, J. Chen, C. (1995). Customer Short Term Load Forecasting by Using ARIMA Transfer Function Model. In: IEEE INTERNATIONAL CONFERENCE ON ENERGY MANAGEMENT AND POWER DELIVERY. Singapore: IEEE. p. 317-322.

Christiaanse, W. (1971). Short-Term Load Forecasting Using General Exponential Smoothing. In: IEEE TRANSACTIONS ON POWER APPARATUS AND SYSTEMS. IEEE. p. 900-911.

Ehlers, R. S. (2005). Análise de Séries Temporais. 2005. 118 f. Relatório Técnico (Departamento de Estatística). Universidade Federal do Paraná – UFPR, Curitiba.

Estrela, C. (2018). Metodologia Científica: Ciência, Ensino, Pesquisa. Editora Artes Médicas.

Ettaouil, M., GHANOU, Y. (2009). Neural Architectures Optimization and Genetic Algorithms. In: WSEAS TRANSACTIONS ON COMPUTER. 8. p. 526-537

Ferreira, A. (2020). Previsão De Carga Multinodal Utilizando Rede Neural ARTMAP Euclidiana. 2020. 76 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Estadual Paulista “Júlio de Mesquita Filho”- UNESP, Ilha Solteira.

Guirelli, C. R. (2006). Previsão da Carga de Curto Prazo de Áreas Elétricas através de Técnicas de Inteligência Artificial. 2006. 115 f. Tese (Doutorado em Engenharia) - Escola Politécnica, Universidade de São Paulo - USP, São Paulo.

Haykin, S. (1999). Redes Neurais: Princípios e Prática. 2 ed. Porto Alegre: Bookman.

Highley, D. D., Hilmes, T. J. (1993). Load Forecasting by ANN. In: IEEE COMPUTER APPLICATIONS IN POWER. 3. IEEE. p. 10-15.

Hong, T., Gui, M., Baran, M., Willis, H. (2010). Modeling and Forecasting Hourly Electric Load by Multiple Linear Regression with Interactions. In: IEEE PES GENERAL MEETING. Providence: IEEE. p. 1-8.

Kovàcs, Z. L. (1997). Redes Neurais Artificiais: Fundamentos e Aplicações. 2 ed. São Paulo: Collegium Cognitio.

Kundur, P. (1994). Power System Stability and Control. New York: McGraw-Hill.

Leal, A., Miguel, E., Baio, F., Neves, D., Leal, U. (2015). Redes Neurais Artificiais na Predição da Produtividade de Milho e Definição de Sítios de Manejo Diferenciado por Meio de Atributos do Solo. Bragantia, Campinas, v. 74, n. 4. p.436-444.

Morettin, P., Toloi, C. (2006). Análise de Séries Temporais. 2 ed. São Paulo: Blucher.

Oliveira, C. (2012). Previsão De Cargas Elétricas Através De Uma Rede Neural Híbrida Back-art Fuzzy. 2012. 74 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Estadual Paulista “Júlio de Mesquita Filho”- UNESP, Ilha Solteira.

Pereira A. S. et al. (2018). Metodologia da pesquisa científica. [free e-book]. Santa Maria/RS. Ed. UAB/NTE/UFSM.

Pessanha, J., Justino, T. (2013). Um Modelo para Previsão de Carga de Curto-prazo. Simpósio de excelência em gestão e tecnologia.

Pessoa, A. D., Sousa, G. C. L. de ., Araujo, R. da C. de ., & Anjos, G. J. M. dos . (2021). Modelo de rede neural artificial para previsão da capacidade de carga de estacas cravadas. Research, Society and Development, 10(1), e12210111526. https://doi.org/10.33448/rsd-v10i1.11526

Ramchoun, H., Idrissi, M., Ghanou, Y., Ettaouil, M. (2015). Multilayer Perceptron: Architecture Optimization and Training. International Journal of Interactive Multimedia and Artificial Intelligence, Vol. 4, Nº1.

Ranaweera D., Karady G., Farner R. (1997). Economic Impact Analysis of Load Forecasting. In: IEEE TRANSACTIONS ON POWER SYSTEMS. New York: IEEE. p. 1388-1392.

Shaikh, A. A project on Artificial Neural Network. Rizvi College of Engineering. https://www.slideshare.net/MohdArafatShaikh/artificial-neural-network-80825958

Silva, I. (2010). Previsão de Vento para Geração de Energia Elétrica. 2010. Dissertação (Mestrado em Engenharia Elétrica) - Pontifícia Universidade Católica do Rio de Janeiro - PUC-RIO, Rio de Janeiro.

Singh S., Hussain S., BazazM. A. (2017). "Short term load forecasting using artificial neural network," 2017 Fourth International Conference on Image Information Processing (ICIIP), pp. 1-5, doi: 10.1109/ICIIP.2017.8313703.

Taylor, J. (2012). Short-Term Load Forecasting with Exponentially Weighted Methods. In: IEEE TRANSACTIONS ON POWER SYSTEMS. IEEE. p. 458-464.

Vieira, R., Thomé, A. G. (2000). Avaliação de redes neurais aplicadas à previsão de índices de mercados de ações. Rio de Janeiro: NCE, Universidade Federal do Rio de Janeiro - UFRJ. Relatório Técnico. 6 p..

Zanini, A. (2004). Regulação Econômica no Setor Elétrico Brasileiro: Uma Metodologia para Definição de Fronteiras de Eficiência e Cálculo do Fator X para Empresas Distribuidoras de Energia Elétrica. 2004. 147 f. Tese (Doutorado em Engenharia Elétrica) - Pontifícia Universidade Católica do Rio de Janeiro - PUC-RIO, Rio de Janeiro.

Published

02/10/2021

How to Cite

FERNANDES, A. T. dos R. .; FONSECA, J. L. T. .; SILVA, I. L. P. da .; AGAMEZ ARIAS, P. D. M. .; RAMOS, R. A. . . .; OLIVEIRA, W. D. de . Evaluation of the influence of the bus-bar voltage profiles on demand forecasting by using neural networks. Research, Society and Development, [S. l.], v. 10, n. 12, p. e600101220917, 2021. DOI: 10.33448/rsd-v10i12.20917. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/20917. Acesso em: 28 feb. 2024.

Issue

Section

Engineerings