dc.creator | Hammerschmitt, Bruno Knevitz | |
dc.date.accessioned | 2022-02-22T17:53:09Z | |
dc.date.available | 2022-02-22T17:53:09Z | |
dc.date.issued | 2019-07-29 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/23709 | |
dc.description.abstract | The Brazilian Electrical System has a diversified electric power generation matrix, nevertheless
it is mainly composed by hydrothermal generation. In this sense, the operational planning of
this system can be detailed as a large-scale optimization problem, where is necessary to use
resources in a rational way, by operations dynamic, stochastic, interconnected and non-linear.
The electric energy generation is susceptible to climatic variations, since the precipitations
reduction causes a decrease in the hydroelectric plants reservoirs and consequently a falling in
the electric energy production. The use of wind energy has been growing in recent years as an
alternative to solve an eminent energy crisis. However, this power source requires adequate
planning in order for the electric system operate in a safe a reliable way, due to its intermittent
behavior and low predictability. In order to overcome the limitations of the energy sources
mentioned above, it is necessary to guarantee the power service by reliable energy sources, like
thermal generation, which is considered as a source of reliable energy because it does not suffer
external influences. Among the thermal sources that compose the Brazilian Electric power
generation matrix, Natural Gas has become the main fuel due to it being less aggressive to the
environment compared to the others fossil fuels and by the proven national supply, which
characterizes it as a reference for expansion in short time. Thus, this study proposes a shortterm
modeling and simulation structure to predict the electric power production capacity for the
southern subsystem generation park, analyzing the generation forecasting and emphasizing the
complementarity of energy imposed on thermal generation, taking into account operation
historical series. For the electric power generation forecasting modeling, a Multilayer
Perceptron Artificial Neural Networks (MLP ANNs) structure was employed, due to its ability
to learning by complex non-linear relationships between input and output variables from a data.
In addition, to generate multicenary (critical, ideal and optimistic), the Monte Carlo Method
(MCM) was used. The prediction results obtained by MLP ANN for the rates the MAE and
RMSE respectively 3.22% and 4.01% to hydropower generation, and the 5.36% and 6.31% to
wind generation. In addition, with results of MLP ANN and MCM combination proved that it
is possible to quantify the energy availability of the south subsystem generation parks through
in the adverse conditions, emphasizing the importance of the prediction model to improve the
planning and operation of an electric system. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Previsão de geração de energia | por |
dc.subject | Redes neurais artificiais | por |
dc.subject | Monte Carlo | por |
dc.subject | Geração térmica | por |
dc.subject | Gás natural | por |
dc.subject | Power generation forecasting | eng |
dc.subject | Artificial neural networks | eng |
dc.subject | Thermal generation | eng |
dc.subject | Natural gas | eng |
dc.title | Planejamento de geração de energia complementar térmica associada a energias renováveis utilizando inteligência artificial | por |
dc.title.alternative | Planning of thermal complementary energy generation associated with renewable energies using artificial intelligence | eng |
dc.type | Dissertação | por |
dc.description.resumo | O sistema elétrico brasileiro possui uma matriz de geração de energia elétrica diversificada,
porém é composto principalmente por geração hidrotérmica. Nesse sentido, o planejamento
operacional de um sistema como este pode ser detalhado como um problema de otimização em
grande escala, em que é necessário fazer o uso dos recursos de maneira racional, através de
operações dinâmicas, estocásticas, interligadas e não-lineares. A geração de energia elétrica é
susceptível à variações climáticas, uma vez que a redução de precipitação causa a redução dos
níveis dos reservatórios das usinas hidrelétricas e, consequentemente, uma diminuição no
potencial de geração de energia. Nos últimos anos, a geração eólica de energia tem crescido,
emergindo como uma alternativa para evitar uma possível crise energética. No entanto, esta
fonte de energia requer um planejamento adequado para operação do sistema de maneira segura
e confiável, pelo fato de ser uma fonte geradora intermitente, além de ser considerada de baixa
previsibilidade. Nesse sentido, a fim de contornar as limitações das fontes de energia já citadas,
faz-se necessário garantir o atendimento de potência por fontes de energia confiáveis, como a
geração térmica, pois esta não sofre influências externas, como dependência de fenômenos
naturais (chuva, vento, iluminação solar). Dentre as fontes térmicas que compõem a matriz de
geração de energia elétrica brasileira, o Gás Natural tem se tornado o principal combustível por
ser menos agressivo ao meio ambiente em comparação com outros combustíveis, e pela oferta
nacional comprovada, que o caracteriza como referência de expansão a curto prazo. Assim, este
estudo propõe uma estrutura de modelagem e simulação a curto prazo para prever a capacidade
de produção de energia elétrica para o parque de geração do Subsistema Sul do Brasil (SSB),
analisando a previsão de geração e dando destaque na complementariedade de energia imposta
a geração térmica, levando em conta séries históricas de operação. Para a modelagem da
previsão de geração de energia elétrica, foi empregada uma estrutura de Redes Neurais
Artificiais Perceptron Multicamadas (RNA PM), devido a sua capacidade de aprendizado de
relações não lineares complexas entre variáveis de entrada e saída a partir de um banco de
dados. Além disso, para gerar multicenários (crítico, ideal e otimista), o Método de Monte Carlo
(MMC) foi utilizado. Os resultados de previsão obtidos via RNA PM teve para MAE e RMSE
respectivamente as taxas de 3,22% e 4,01% para geração hídrica, e de 5,36% e 6,31% para
geração eólica. Além disso, com resultados entre a junção das RNA PM e MMC foi possível
quantificar a disponibilidade de energia dos parques de geração do SSB frente a condições
adversas, ressaltando a importância do modelo de previsão para auxílio no planejamento e
operação de um sistema elétrico. | por |
dc.contributor.advisor1 | Abaide, Alzenira da Rosa | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/2427825596072142 | por |
dc.contributor.referee1 | Guarda, Fernando Guilherme Kaehler | |
dc.contributor.referee2 | Figueiredo, Rodrigo Marques de | |
dc.creator.Lattes | http://lattes.cnpq.br/4865207592578956 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Engenharia Elétrica | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |