Previsão de carga de curto prazo utilizando redes neurais artificiais

• Ano de defesa: 2022
• Autor(a) principal: MORAIS, Lucas Barros Scianni
• Orientador(a): LIMA, José Wanderley Marangon
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• País: Brasil
• Palavras-chave em Português: Previsão de carga de curto prazo; Planejamento de sistemas elétricos; Machine learning; Redes neurais artificiais; Modelo climático global
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3166

Em sistemas elétricos de potência, um dos principais desafios enfrentados pelos operadores independentes dos sistemas (ISO) é garantir um equilíbrio confiável entre oferta e demanda de energia. Para isso, é necessário um planejamento adequado da operação do sistema. A Previsão de Carga de Curto Prazo (PCCP) é essencial nesse processo, uma vez que ela auxilia no planejamento das operações diárias, incluindo demanda e oferta correspondentes, definição de preços futuros de eletricidade e definição de reservas de geração. À medida que as tecnologias de redes inteligentes e as fontes intermitentes de energia renovável vem aumentando significativamente nos mercados de eletricidade, a tarefa de prever a carga se torna mais complexa e representa um desafio para os ISOs. Modelos não lineares baseados em técnicas de aprendizado de máquina tornaram-se bastante populares nos últimos anos, bem como o uso de modelos híbridos focados em problemas específicos. Este trabalho foca no desenvolvimento de modelos de redes neurais artificiais para resolver o problema de PCCP, dentre eles as redes neurais MultiLayer Perceptron (MLP) com diferentes números de camadas e as redes neurais recorrentes Long-Short Term Memory (LSTM) e Gated Recurrent Unit (GRU) em suas versões unidirecionais e bidirecionais. Além dos dados disponibilizados pelo ISO, informações de temperatura prevista obtidas do modelo Global Ensemble Forecast System (GEFS) foram utilizadas para tentar gerar previsões de carga mais precisas. Em geral, os resultados mostram que os modelos de redes neurais recorrentes produziram maior acurácia e resultados mais confiáveis do que os demais modelos, incluindo os modelos utilizados pelo operador brasileiro. Isso é enfatizado com a aplicação do teste Diebold-Mariano que realiza uma comparação pareada entre modelos.