Previsão de cargas elétricas em curto prazo via redes neurais perceptron multicamadas

• Autor(a) principal: Valentim, Mariana
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/251528
• topic: Perceptron Multicamadas; Previsão de Cargas Elétricas; Previsão de Demanda; Rede Neural Artificial; Artificial Neural Network; Demand Forecast; Load Forecast; Multilayer Perceptron

A previsão de cargas elétricas é um procedimento de suma importância para os sistemas elétricos de potência e consiste na estimativa do consumo de energia elétrica futuro. Ela é vital para determinar quando e quanto de capacidade de geração e de transmissão deve-se dispor para atender a carga prevista sem interrupções no fornecimento. Ademais, a previsão de demanda ou previsão de carga de longo, médio, curto e curtíssimo prazo é um insumo para diversos outros estudos em sistemas elétricos de potência como: planejamento e operação dos sistemas elétricos, despacho econômico, fluxo de potência, análise de estabilidade e outros. Logo, a previsão da demanda deve ser precisa para que o sistema elétrico de potência opere de forma segura e confiável. Assim, neste estudo propõe-se um sistema previsor de cargas elétricas de curto prazo baseado na rede neural artificial perceptron multicamadas com entrada dos atrasadas no tempo ou time delay neural network – TDNN. O sistema foi testado em um banco de dados real e a eficiência do método preditor foi avaliado via métrica mean average percentage error (MAPE). Neste estudo, a Rede Neural Artificial de Perceptron Multicamadas (RNA-PMC) foi utilizada para prever séries temporais de cargas elétricas em kilowatt-hora (kWh). A RNA-PMC foi treinada com o algoritmo de aprendizagem retropropagação (backpropagation) e empregou a arquitetura de rede neural time delay neural network (TDNN) para prever as séries temporais reais de cargas elétricas em kWh. A aplicação desse método em dois estudos de caso resultou em sucesso na previsão, com Erro Percentual Absoluto Médio (MAPE) de 0,546% e 5,476%, respectivamente, destacando a eficácia da RNA-PMC na predição precisa de padrões em séries temporais de consumo elétrico.