This work proposes a predictor system (multinodal forecasting) considering several points of an electrical network, such as substations, transformers, and feeders, based on an adaptive resonance theory (ART) neural network family. It is a problem similar to global forecasting, with the main difference being the strategy to align the input and output of the data with several parallel neural modules. Considering that multinodal prediction is more complex compared to global prediction, the multinodal prediction will use a fuzzy-ARTMAP neural network and a global load participation factor. The advantages of this approach are as follows: (1) the processing time is equivalent to the processing required for global forecasting (i.e., the additional time processing is quite low); and (2) Fuzzy-ARTMAP neural networks converge significantly faster than backpropagation neural networks (improved benchmark in precision). The preference for neural networks of the ART family is due to the characteristic stability and plasticity that these architectures have to provide results in a fast and precise way. To test the proposed forecast system, the results are presented for nine substations from the database of an electrical company.
Resumo. Apresenta-se, neste artigo, uma metodologia para a previsão de carga multimodal baseada na teoria de redes neurais artificiais. A rede neural usadaé uma arquitetura multicamadas feedforward com o treinamento realizado usando-se o algoritmo backpropagation (BP). O algoritmo BPé considerado, pela literatura especializada, como um método benchmark em termos de precisão. Porém, possui baixa convergência, ou não convergência, em razão, principalmente, da existência de pontos de mínimos locais e a ocorrência de paralisia no ajuste de pesos. Por conseguinte, implementam-se melhorias no desempenho da técnica de treinamento por meio da adaptação da taxa de treinamento baseado num controlador fuzzy e a adaptação dos principais parâmetros da função de ativação (sigmoide): inclinação e deslocamento. Este conjunto de ações tem proporcionado uma sensível melhoria dos resultados auferidos, principalmente, aumentando a velocidade convergência do processo de treinamento compreendendo uma redução drástica de casos de ocorrência de paralisia e o escape de pontos mínimos locais. A realização da previsão multimodal tem-se tornado viável com a inclusão do conceito definido como "fator de participação da carga global". Neste caso, a previsãoé constituída por dois módulos: (1) previsão global e (2) a previsão local. Visandoà análise de desempenho da arquitetura proposta, apresenta-se uma aplicação (previsão de carga multimodal 24hà frente) considerando-se uma base de dados (Centralised Dataset -CDS) disponibilizada pelo Electricity Comission da Nova Zelândia.Palavras-chave. Redes Neurais, Backpropagation, Lógica Fuzzy, Previsão de carga, Fator de Participação. IntroduçãoA carga dos sistemas de energia elétrica constitui-se numa rotina de grande importância, pois a totalidade dos estudos realizados (fluxo de potência, diagnóstico da estabilidade estática e dinâmica, análise de sensibilidade etc.), que envolvem o planejamento e a operação,é dependente do conhecimento da demanda a ser atendida pelas companhias 1
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.