Avaliação da influência das tensões de barra na previsão de cargas via redes neurais
DOI:
https://doi.org/10.33448/rsd-v10i12.20917Palavras-chave:
Previsão de carga; Redes neurais; Tensão nas barras; Histórico de carga; Curtíssimo prazo.Resumo
A previsão de carga de curtíssimo prazo permite aos engenheiros de operação um despacho econômico e seguro do sistema elétrico, além de ajudar na composição dinâmica de preços no mercado de energia. Diversas metodologias como análise de regressão, series temporais, abordagens de aprendizado de máquina, métodos de aprendizado profundo e inteligência artificial tem sido usadas para prever a carga. Mas, diversos fatores externos tornam a previsão uma tarefa mais complexa do que aparenta ser inicialmente. Assim, as redes neurais artificiais têm-se apresentado como uma técnica de inteligência computacional capaz de lidar com o problema da previsão de carga com grande precisão. Neste contexto, este trabalho visa avaliar o impacto do perfil de tensão das barras do sistema elétrico sobre a previsão da carga. Para isto, foi proposto estudar três arranjos de bases de dados ((1) dados normalizados do histórico de carga; (2) dados normalizados do histórico de carga e tensão nas barras de carga; e, (3) dados normalizados do histórico de carga, tensão nas barras de carga e sazonalidade destes) para treinar nove redes neurais do tipo MLP de duas camadas. A abordagem proposta é avaliada com base em dados exportados pelo estimador de estados da rede de uma grande empresa da região norte do Brasil. Os resultados indicam que, segundo os valores de MSE e MAPE obtidos, todas as redes neurais avaliadas atingem a previsão esperada. No entanto, o melhor desempenho foi alcançado com o arranjo que considerou uma base de dados a partir do histórico de carga normalizado e tensão nas barras de carga.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Amanda Thais dos Reis Fernandes; Jean Lucas Tourinho Fonseca; Iuri Leno Pereira da Silva; Piedy Del Mar Agamez Arias; Rodrigo Andrade Ramos; Werbeston Douglas de Oliveira
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
