Previsão de carga multinodal formulada via rede neural baseada na Teoria da Ressonância Adaptativa com treinamento direto e reverso

• Ano de defesa: 2019
• Autor(a) principal: Amorim, Aline Jardim
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Fator de participação global de carga; Previsão multimodal; Rede de neurais artificiais; ARTMAP-Fuzzy; Treinamentos direto e reverso; Ajuste Pro Rata das curvas de carga; Global load participation factor; Multinodal forecasting; Artificial neural network
• Link de acesso: http://hdl.handle.net/11449/183467

Nesta pesquisa de doutorado, propõe-se o desenvolvimento de um sistema previsor de carga multinodal, via Redes Neurais Artificiais (RNAs). Trata-se da previsão que envolve vários pontos da rede elétrica, e.g., subestações de sistemas de distribuição, alimentadores, transformadores etc., bem como as barras dos sistemas de transmissão de grande porte. Na literatura especializada, há a prevalência de oferta de propostas visando à previsão da carga total (ou global) correspondente ao somatório de todo o consumo demandado no sistema, considerando-se um horizonte, por exemplo, 24 horas à frente. Nesta pesquisa, dar-se-á ênfase à previsão de carga multinodal. Visando realizar esta previsão, há necessidade de se dispor de um procedimento especializado que produza resultados que atendam os requisitos do setor elétrico (precisão desejada, confiabilidade e rapidez). Estes requisitos são os objetivos desta pesquisa, cujo modelo desenvolvido constitui-se num sistema neural inspirado na arquitetura neural da família ART (Adaptive Resonance Theory), mais especificamente, a RNA supervisionada ARTMAP-Fuzzy, a qual congrega a teoria da ressonância adaptativa e a teoria dos conjuntos fuzzy. O emprego da teoria dos conjuntos fuzzy confere, às RNAs da família ART, a aptidão de processar informações analógicas, binárias, assim como combinações dessas informações. A opção por esta RNA é em razão do seu atributo de ser estável e plástica. A estabilidade está associada à capacidade de produzir sempre uma solução. A plasticidade (dotação do treinamento incremental) é uma propriedade pouco observada na maioria das redes neurais disponíveis na literatura técnico-científica. É algo semelhante o que ocorre com os humanos, ou seja, à medida que novas informações são disponibilizadas, tornamos cada vez mais, por hipótese, mais “inteligentes”. Conhecer a carga elétrica, com precisão e com a adequada antecedência, é uma necessidade primordial, ou seja, considera-se que a partir do conhecimento da carga é que são conduzidos os estudos sobre os modos operativos do sistema e as estratégias que devem ser realizadas visando atendê-la de forma contínua, econômica (tanto para as empresas, assim como para os consumidores) e de qualidade (tensão, frequência e forma de ondas adequadas). Neste contexto, são apresentados três tipos de construções dos dados de entrada da RNA com as respectivas simulações (experimentos) com vistas a oferecer alternativas para a previsão multinodal, em especial, contemplando um estudo sobre agregação (junção) de barras especiais do sistema, assim como o emprego da Correção Pro Rata (CPR) das curvas de cargas. Adicionalmente, será apresentada uma nova formulação (quarta proposta) da RNA ARTMAP-Fuzzy dotada de uma forma de treinamento designada “treinamento reverso (TR)”. Trata-se uma proposta “inaugural” que, nos primeiros resultados colhidos, tem-se mostrado promissora. Também, serão apresentados os respectivos resultados das simulações. Visando testar o método proposto, apresenta-se uma aplicação considerando uma base histórica de uma companhia do setor elétrico internacional.