PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação

• Autor(a) principal: Costa, Ricardo dos Santos
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
• Texto Completo: http://www.repositorio.jesuita.org.br/handle/UNISINOS/12180
• topic: ACCNPQ::Engenharias::Engenharia Elétrica; Pré-processamento de dados; Classificação; Predição de grandezas elétricas; Aprendizado de máquina; Data pre-processing; Classification; Prediction of electrical quantities; Machine learning

O crescente aumento da demanda por energia elétrica em conjunto com exigências impostas pelos órgãos reguladores têm levado o sistema de distribuição de energia elétrica convencional a evoluir para o contexto de redes inteligentes. A aquisição e análise de dados são questões centrais para a evolução do sistema de distribuição. As tecnologias de aprendizado de máquina estão ganhando espaço nos estudos aplicados, tornando esse um tema emergente, porém os estudos relacionados não abordam a preparação e análise dos dados antes da aplicação nos modelos de inteligência artificial. Nesse cenário esse trabalho responde à questão de pesquisa de como seria um modelo capaz de efetuar o pré-processamento de dados, classificá-los e realizar predições de grandezas elétricas. Em comparação com trabalhos relacionados há indicação que esse é o primeiro estudo que aborda o préprocessamento e agrupamento de dados por similaridade visando aumentar a eficácia dos modelos de inteligência artificial. Aplicando o método Fuzzy C-Means para classificação de dados são percebidos outliers que não eram encontrados antes da criação de clusters, também são percebidos pontos críticos de operação do sistema com o método de Grubbs. A etapa de regressão apresenta predições realizadas com redes neurais LSTM com até quatro passos de tempo a frente com erro médio absoluto percentual de 0,16% utilizando uma base de dados real de uma concessionária de distribuição de energia elétrica.