Análise do efeito da temperatura na previsão de curto prazo da demanda de energia elétrica através de redes neurais
Resumen
A previsão de demanda de energia elétrica é uma atividade de grande importância
e de caráter decisivo para a operação dos sistemas elétricos de potência. No horizonte de
curto prazo, as previsões de consumo de energia ocorrem a partir de minutos, horas e até
uma semana a frente e são analisados fatores climáticos que podem influenciar a demanda,
com isso obter o melhor perfil instantâneo da carga. Diversas técnicas são aplicadas para
previsão de carga, dentre estas, têm-se as redes neurais artificiais, que são sistemas de
inteligência computacional não lineares que operam como as redes neurais do cérebro humano
e reproduzem características humanas, como generalização, associação, aprendizado
e abstração de informações. Na arquitetura feedforward, a rede perceptron de multicamadas
com o algoritmo de treinamento Backpropagation, possui aplicabilidade na previsão
de séries temporais e reconhecimento de padrões. Neste contexto, este trabalho propõe
a utilização de redes neurais artificiais (RNA), para realizar a previsão de demanda no
curto prazo empregando dados reais de consumo(kWh), demanda(kW) e temperatura(C),
que demostram as características da curva de demanda. Para tanto, elaborou-se testes
de previsão utilizando redes perceptron de múltiplas camadas, aplicando o algoritmo de
treinamento scaled conjugate gradient backpropagation (SCGB). A RNA é desenvolvida
no software MATLABR, com a ferramenta Neural Network Toolbox (nntool) aplicada
para criar, treinar e apresentar dados para análise de 24 horas á frente. Para o sistema
de previsão testado, os resultados demostraram a eficiência da RNA criada, e curvas de
previsão adequadas com valores de erros MSE e MAPE satisfatórios.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: