Aplicação da transformada wavelet discreta na previsão de carga a curto prazo via redes neurais

Abstract

A importância da previsão de carga a curto prazo tem crescido ultimamente. Com a desregulamentação do setor elétrico e a competição advinda desse processo, a previsão do preço de energia se transformou em uma atividade bastante atraente. A previsão das cargas das diversas barras é essencial para alimentar os métodos analíticos utilizados na determinação dos preços da energia. A variabilidade e a não estacionariedade das cargas estão ficando cada vez mais acentuadas devido à dinâmica das tarifas de energia. Além disso, o número de pontos de carga a serem previstos não permite intervenções freqüentes dos especialistas em previsão. Portanto, previsores de carga mais autônomos são necessários nesse novo cenário competitivo. Este artigo propõe uma nova técnica para a previsão de carga a curto prazo baseada na transformada wavelet discreta. O objetivo principal é desenvolver um previsor neural de carga mais robusto. Dois anos completos de dados de carga de uma concessionária de energia elétrica norte-americana foram utilizados para testar a metodologia proposta.<br>The importance of short-term load forecasting has been increasing lately. With deregulation and competition, energy price forecasting has become a big business. Bus-load forecasting is essential to feed analytical methods utilized for determining energy prices. The variability and non-stationarity of loads are becoming worse due to the dynamics of energy prices. Besides, the number of nodal loads to be predicted does not allow frequent interventions from load forecasting experts. More autonomous load predictors are needed in the new competitive scenario. This paper proposes a novel wavelet transform-based technique for short-term load forecasting via neural networks. Its main goal is to develop more robust load forecasters. Two whole years of load data from a North-American electric utility has been used in order to test the proposed methodology

Estudo comparativo entre algoritmos das transformadas discretas de Fourier e Wavelet

“…Em que os parâmetros a e b da equação (5) são funções de m, sendo a = e b = e k, uma variável inteira relacionada ao tamanho de uma dada amostra do sinal de entrada [29];…”