Previsão de carga em sistemas de distribuição de energia elétrica utilizando redes neurais artificiais.

• Autor(a) principal: Yasuoka, Jorge
• Data de Publicação: 2002
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-02102024-153841/
• topic: Distribuição de energia elétrica; Electrical energy distribution; Neural networks; Redes neurais

O conhecimento do comportamento futuro da carga é de fundamental importância em muitos dos problemas encontrados nos sistemas de distribuição de energia elétrica, sendo um dos principais assuntos discutidos na área de operação das companhias concessionárias. O problema consiste em determinar valores de demanda futuros com uma antecedência que varia de alguns minutos a algumas horas adiante. De posse desta informação, o operador do sistema tem a possibilidade de controlar o carregamento de transformadores numa subestação, assim como ajustar a taxa de aumento do sistema de geração e importação de energia durante os períodos de picos de demanda. Redes Neurais Artificiais (RNAs) têm sido aplicadas com sucesso no problema da previsão de carga, especialmente em curtos intervalos de tempo, que varia de poucos minutos a algumas horas à frente. Este trabalho apresenta a aplicação de uma metodologia baseada em RNA para prever valores de carga em transformadores e alimentadores primários de subestações. Foram considerados dois horizontes de previsão, um de intervalos de 15 minutos e outro de 24 horas à frente. Duas ferramentas computacionais foram desenvolvidas. A primeira é capaz de treinar RNAs, em modo offline, baseada em dados históricos de carga extraídos de um sistema de aquisição de dados. A segunda ferramenta é capaz de executar processamentos em tempo real utilizando as RNAs treinadas. Ambas as ferramentas são baseadas no modelo de RNA chamado Multi-Layer Perceptron (MLP). A ferramenta de processamento online está atualmente em funcionamento numa subestação de distribuição real. Diversos estudos foram desenvolvidos utilizando ambas as ferramentas e dados históricos extraídos de uma subestação de distribuição. Os resultados obtidos são muito encorajadores, pois apresentam valores baixos de erro. ) A utilização das ferramentas em curvas de carga substancialmente diferentes daquelas utilizadas no treinamento da rede MLP também produziu bons resultados.