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.
Minimizar o custo total de geração e operação é uma alternativa de extrema importância para atender os sistemas elétricos de potência. Assim, realizar a previsão de cargas elétricas é uma tarefa relevante para o planejamento e operação dos sistemas elétricos, pois é através da previsão que outras tarefas são executas, como o despacho econômico, análise de estabilidade, fluxo de potência, entre outras. Fornecer uma previsão com boa precisão garante o fornecimento de energia de forma continua ao consumidor, além de reduzir o custo de geração. Neste trabalho é utilizada uma rede neural ARTMAP Fuzzy com Treinamento Continuado para realizar a previsão de cargas elétricas. A inclusão do treinamento continuado na rede neural ARTMAP Fuzzy representa uma melhoria na obtenção da qualidade dos resultados (redução do tempo de processamento e maior precisão), se comparada à rede neural com treinamento convencional. Apresentam-se resultados da previsão de carga, considerando-se os dados históricos de uma companhia do setor elétrico brasileiro para três horizontes de previsões distintos.
A utilização de técnicas híbridas para previsão de séries temporais vem sendo cada vez mais aplicada para solucionar diversos tipos de problemas, como convergência, precisão entre outros. Neste trabalho é desenvolvida uma metodologia híbrida, utilizando os modelos de regressão ARIMA de Box & Jenkins e uma rede neural ARTMAP Fuzzy, com a finalidade de melhorar a precisão dos resultados com relação à previsão de cargas elétricas em curto prazo. Apresentam-se resultados para uma série temporal de demanda de energia elétrica de uma companhia do setor elétrico brasileiro.
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.