Previsão de consumo de energia elétrica em contexto de smart grids

• Autor(a) principal: Lima, Carlos Manuel Nunes
• Data de Publicação: 2015
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10071/10927
• topic: Consumo energia; Análise preditiva; K-Means; Clustering; Aprendizagem automática; ANN; Energy consumption; Predictive analytics; Machine learning

Num contexto de modernização e acelerados avanços tecnológicos no sector das Energy & Utilities, o conceito das Smart Grids surge associado às novas capacidades de gestão de redes energéticas inteligentes, através da integração de mecanismos automatizados de comunicação que possibilitam alcançar uma visão global do estado da rede energética e da totalidade dos seus componentes. As Utilities passam assim a ter disponíveis volumes massivos de informação, passíveis de análise e capazes de suportar a estratégia de otimização de todo o ciclo de produção, distribuição e comercialização de energia. Dessa forma, e para responder aos objetivos deste trabalho, foram utilizados dados provenientes dos contadores inteligentes, colocados em cada local de consumo, de forma a perceber perfis de consumo de clientes e criar modelos de previsão de consumo de energia no curto prazo. Os perfis de consumo dos clientes foram estudados e através de uma análise de Clustering foi possível identificar clientes com padrões de consumo semelhantes ao longo do tempo e agrupa-los em grupos de semelhança. O consumo de cada um dos grupos identificados foi seguidamente agregado e foram utilizadas redes neuronais para prever o seu consumo para um horizonte temporal de curto prazo (próximas 24 horas). Em termos de resultados obtidos foi possível perceber que a metodologia utilizada conseguiu alcançar resultados muito positivos quando comparados os valores reais de consumo com os valores que o algoritmo de previsão teve a capacidade de prever, tendo taxas de acerto superiores a 90%. As principais contribuições deste trabalho prendem-se com o desenho que uma metodologia de previsão utilizando várias técnicas de aprendizagem automática bem como um contributo ligado ao meio profissional, na medida em que foi ganho conhecimento que será útil no desenvolvimento da oferta da Novabase na área de Energy & Utilities.