Previsão de carga de curto prazo utilizando redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFEI (RIUNIFEI) |
Texto Completo: | https://repositorio.unifei.edu.br/jspui/handle/123456789/3166 |
Resumo: | Em sistemas elétricos de potência, um dos principais desafios enfrentados pelos operadores independentes dos sistemas (ISO) é garantir um equilíbrio confiável entre oferta e demanda de energia. Para isso, é necessário um planejamento adequado da operação do sistema. A Previsão de Carga de Curto Prazo (PCCP) é essencial nesse processo, uma vez que ela auxilia no planejamento das operações diárias, incluindo demanda e oferta correspondentes, definição de preços futuros de eletricidade e definição de reservas de geração. À medida que as tecnologias de redes inteligentes e as fontes intermitentes de energia renovável vem aumentando significativamente nos mercados de eletricidade, a tarefa de prever a carga se torna mais complexa e representa um desafio para os ISOs. Modelos não lineares baseados em técnicas de aprendizado de máquina tornaram-se bastante populares nos últimos anos, bem como o uso de modelos híbridos focados em problemas específicos. Este trabalho foca no desenvolvimento de modelos de redes neurais artificiais para resolver o problema de PCCP, dentre eles as redes neurais MultiLayer Perceptron (MLP) com diferentes números de camadas e as redes neurais recorrentes Long-Short Term Memory (LSTM) e Gated Recurrent Unit (GRU) em suas versões unidirecionais e bidirecionais. Além dos dados disponibilizados pelo ISO, informações de temperatura prevista obtidas do modelo Global Ensemble Forecast System (GEFS) foram utilizadas para tentar gerar previsões de carga mais precisas. Em geral, os resultados mostram que os modelos de redes neurais recorrentes produziram maior acurácia e resultados mais confiáveis do que os demais modelos, incluindo os modelos utilizados pelo operador brasileiro. Isso é enfatizado com a aplicação do teste Diebold-Mariano que realiza uma comparação pareada entre modelos. |
id |
UFEI_cf1827625d23b50a3dafc59b9f790a28 |
---|---|
oai_identifier_str |
oai:repositorio.unifei.edu.br:123456789/3166 |
network_acronym_str |
UFEI |
network_name_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
repository_id_str |
7044 |
spelling |
2022-03-042022-03-072022-03-07T11:15:33Z2022-03-07T11:15:33Zhttps://repositorio.unifei.edu.br/jspui/handle/123456789/3166Em sistemas elétricos de potência, um dos principais desafios enfrentados pelos operadores independentes dos sistemas (ISO) é garantir um equilíbrio confiável entre oferta e demanda de energia. Para isso, é necessário um planejamento adequado da operação do sistema. A Previsão de Carga de Curto Prazo (PCCP) é essencial nesse processo, uma vez que ela auxilia no planejamento das operações diárias, incluindo demanda e oferta correspondentes, definição de preços futuros de eletricidade e definição de reservas de geração. À medida que as tecnologias de redes inteligentes e as fontes intermitentes de energia renovável vem aumentando significativamente nos mercados de eletricidade, a tarefa de prever a carga se torna mais complexa e representa um desafio para os ISOs. Modelos não lineares baseados em técnicas de aprendizado de máquina tornaram-se bastante populares nos últimos anos, bem como o uso de modelos híbridos focados em problemas específicos. Este trabalho foca no desenvolvimento de modelos de redes neurais artificiais para resolver o problema de PCCP, dentre eles as redes neurais MultiLayer Perceptron (MLP) com diferentes números de camadas e as redes neurais recorrentes Long-Short Term Memory (LSTM) e Gated Recurrent Unit (GRU) em suas versões unidirecionais e bidirecionais. Além dos dados disponibilizados pelo ISO, informações de temperatura prevista obtidas do modelo Global Ensemble Forecast System (GEFS) foram utilizadas para tentar gerar previsões de carga mais precisas. Em geral, os resultados mostram que os modelos de redes neurais recorrentes produziram maior acurácia e resultados mais confiáveis do que os demais modelos, incluindo os modelos utilizados pelo operador brasileiro. Isso é enfatizado com a aplicação do teste Diebold-Mariano que realiza uma comparação pareada entre modelos.In electrical power systems, one of the main challenges faced by system operators (ISO) is ensuring a reliable balance between energy supply and demand. For this, a proper planning of the system operation is necessary. Short-Term Load Forecasting (PCCP) is essential in this process, as it assists in planning daily operations, including matching demand and supply, setting future electricity prices and defining generation reserves. As smart grid technologies and intermittent renewable energy sources have increased significantly in electricity markets, the task of forecasting the load has increased in complexity and poses a challenge for ISOs. Nonlinear models based on machine learning techniques have become quite popular in recent years, as has the use of hybrid models focused on specific problems. This work focuses on the development of artificial neural network models to solve the PCCP problem, among them the MultiLayer Perceptron (MLP) networks with different numbers of layers and the Long-Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) recurrent networks in its unidirectional and bidirectional versions. In addition to the data provided by ISO, predicted temperature information obtained from the Global Ensemble Forecast System (GEFS) model was used to try to generate more accurate load forecasts. In general terms, the results show that the recurrent models produce greater accuracy and more reliable results than the other models, including the models used by the Brazilian ISO. This is emphasized with the application of the Diebold-Mariano in a paired comparison test between models.porUniversidade Federal de ItajubáPrograma de Pós-Graduação: Mestrado - Engenharia ElétricaUNIFEIBrasilIESTI - Instituto de Engenharia de Sistemas e Tecnologia da InformaçãoCNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICAPrevisão de carga de curto prazoPlanejamento de sistemas elétricosMachine learningRedes neurais artificiaisModelo climático globalPrevisão de carga de curto prazo utilizando redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisLIMA, José Wanderley Marangonhttp://lattes.cnpq.br/4830182825385638QUEIROZ, Anderson Rodrigo dehttp://lattes.cnpq.br/4336239163436184http://lattes.cnpq.br/2597067215661346MORAIS, Lucas Barros ScianniMORAIS, Lucas Barros Scianni. Previsão de carga de curto prazo utilizando redes neurais artificiais. 2022. 64 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2022.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEILICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3166/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALDissertação_2022042.pdfDissertação_2022042.pdfapplication/pdf1904000https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3166/1/Disserta%c3%a7%c3%a3o_2022042.pdf544ee7e56d203aeb5c3ab7196ab55d61MD51123456789/31662022-03-07 08:15:36.325oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442022-03-07T11:15:36Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.pt_BR.fl_str_mv |
Previsão de carga de curto prazo utilizando redes neurais artificiais |
title |
Previsão de carga de curto prazo utilizando redes neurais artificiais |
spellingShingle |
Previsão de carga de curto prazo utilizando redes neurais artificiais MORAIS, Lucas Barros Scianni CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA Previsão de carga de curto prazo Planejamento de sistemas elétricos Machine learning Redes neurais artificiais Modelo climático global |
title_short |
Previsão de carga de curto prazo utilizando redes neurais artificiais |
title_full |
Previsão de carga de curto prazo utilizando redes neurais artificiais |
title_fullStr |
Previsão de carga de curto prazo utilizando redes neurais artificiais |
title_full_unstemmed |
Previsão de carga de curto prazo utilizando redes neurais artificiais |
title_sort |
Previsão de carga de curto prazo utilizando redes neurais artificiais |
author |
MORAIS, Lucas Barros Scianni |
author_facet |
MORAIS, Lucas Barros Scianni |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
LIMA, José Wanderley Marangon |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/4830182825385638 |
dc.contributor.advisor-co1.fl_str_mv |
QUEIROZ, Anderson Rodrigo de |
dc.contributor.advisor-co1ID.fl_str_mv |
http://lattes.cnpq.br/4336239163436184 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/2597067215661346 |
dc.contributor.author.fl_str_mv |
MORAIS, Lucas Barros Scianni |
contributor_str_mv |
LIMA, José Wanderley Marangon QUEIROZ, Anderson Rodrigo de |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA Previsão de carga de curto prazo Planejamento de sistemas elétricos Machine learning Redes neurais artificiais Modelo climático global |
dc.subject.por.fl_str_mv |
Previsão de carga de curto prazo Planejamento de sistemas elétricos Machine learning Redes neurais artificiais Modelo climático global |
description |
Em sistemas elétricos de potência, um dos principais desafios enfrentados pelos operadores independentes dos sistemas (ISO) é garantir um equilíbrio confiável entre oferta e demanda de energia. Para isso, é necessário um planejamento adequado da operação do sistema. A Previsão de Carga de Curto Prazo (PCCP) é essencial nesse processo, uma vez que ela auxilia no planejamento das operações diárias, incluindo demanda e oferta correspondentes, definição de preços futuros de eletricidade e definição de reservas de geração. À medida que as tecnologias de redes inteligentes e as fontes intermitentes de energia renovável vem aumentando significativamente nos mercados de eletricidade, a tarefa de prever a carga se torna mais complexa e representa um desafio para os ISOs. Modelos não lineares baseados em técnicas de aprendizado de máquina tornaram-se bastante populares nos últimos anos, bem como o uso de modelos híbridos focados em problemas específicos. Este trabalho foca no desenvolvimento de modelos de redes neurais artificiais para resolver o problema de PCCP, dentre eles as redes neurais MultiLayer Perceptron (MLP) com diferentes números de camadas e as redes neurais recorrentes Long-Short Term Memory (LSTM) e Gated Recurrent Unit (GRU) em suas versões unidirecionais e bidirecionais. Além dos dados disponibilizados pelo ISO, informações de temperatura prevista obtidas do modelo Global Ensemble Forecast System (GEFS) foram utilizadas para tentar gerar previsões de carga mais precisas. Em geral, os resultados mostram que os modelos de redes neurais recorrentes produziram maior acurácia e resultados mais confiáveis do que os demais modelos, incluindo os modelos utilizados pelo operador brasileiro. Isso é enfatizado com a aplicação do teste Diebold-Mariano que realiza uma comparação pareada entre modelos. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-03-04 |
dc.date.available.fl_str_mv |
2022-03-07 2022-03-07T11:15:33Z |
dc.date.accessioned.fl_str_mv |
2022-03-07T11:15:33Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3166 |
url |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3166 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.references.pt_BR.fl_str_mv |
MORAIS, Lucas Barros Scianni. Previsão de carga de curto prazo utilizando redes neurais artificiais. 2022. 64 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2022. |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação: Mestrado - Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UNIFEI |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFEI (RIUNIFEI) instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
collection |
Repositório Institucional da UNIFEI (RIUNIFEI) |
bitstream.url.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3166/2/license.txt https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3166/1/Disserta%c3%a7%c3%a3o_2022042.pdf |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 544ee7e56d203aeb5c3ab7196ab55d61 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br |
_version_ |
1801863209871736832 |