Avaliação da influência das tensões de barra na previsão de cargas via redes neurais

Abstract

A previsão de carga de curtíssimo prazo permite aos engenheiros de operação um despacho econômico e seguro do sistema elétrico, além de ajudar na composição dinâmica de preços no mercado de energia. Diversas metodologias como análise de regressão, series temporais, abordagens de aprendizado de máquina, métodos de aprendizado profundo e inteligência artificial tem sido usadas para prever a carga. Mas, diversos fatores externos tornam a previsão uma tarefa mais complexa do que aparenta ser inicialmente. Assim, as redes neurais artificiais têm-se apresentado como uma técnica de inteligência computacional capaz de lidar com o problema da previsão de carga com grande precisão. Neste contexto, este trabalho visa avaliar o impacto do perfil de tensão das barras do sistema elétrico sobre a previsão da carga. Para isto, foi proposto estudar três arranjos de bases de dados ((1) dados normalizados do histórico de carga; (2) dados normalizados do histórico de carga e tensão nas barras de carga; e, (3) dados normalizados do histórico de carga, tensão nas barras de carga e sazonalidade destes) para treinar nove redes neurais do tipo MLP de duas camadas. A abordagem proposta é avaliada com base em dados exportados pelo estimador de estados da rede de uma grande empresa da região norte do Brasil. Os resultados indicam que, segundo os valores de MSE e MAPE obtidos, todas as redes neurais avaliadas atingem a previsão esperada. No entanto, o melhor desempenho foi alcançado com o arranjo que considerou uma base de dados a partir do histórico de carga normalizado e tensão nas barras de carga.

Machine learning applied to the prediction of rockfall slope probability

“…Silva et al (2021) used artificial neural networks and linear regression to build a tool for predicting the spatio-temporal distribution of viruses transmitted by Aedes aegypti. Fernandes et al (2021) compared different artificial neural networks architectures to evaluate their behavior into predicting charges in an electrical system. Pessoa et al (2021) used artificial neural networks to predict the load capacity of foundation.…”