Evaluación de la influencia de los voltajes de barra en el pronóstico de la demanda mediante el uso de redes neuronales
DOI:
https://doi.org/10.33448/rsd-v10i12.20917Palabras clave:
Pronóstico de demanda; Muy cirto plazo redes neuronales; Histórico de carga; Perfiles de tensión.Resumen
El pronóstico de demanda de muy corto plazo permite a los ingenieros de operación un despacho económico y seguro del sistema eléctrico, además de ayudar en la composición dinámica de los precios en el mercado de energía. Varias metodologías como análisis de regresión, series temporales, enfoques de aprendizaje de máquina, métodos de aprendizaje profundo e inteligencia artificial han sido usadas para pronosticar la demanda. Sin embargo, varios factores externos tornan el pronóstico una tarea más compleja de lo que inicialmente aparenta ser. Es por ello, que las redes neuronales se han presentados como una técnica de inteligencia computacional capaz de lidiar con el problema de la previsión de carga con una grande precisión. En este contexto, este trabajo pretende evaluar el impacto de los perfiles de tensión de las barras del sistema eléctrico sobre el pronóstico de la demanda. Para ello, fue propuesto estudiar tres arreglos de bases de datos ((1) datos normalizados del histórico de carga; (2) datos normalizados del histórico de carga y tensión en las barras de carga; e, (3) datos normalizados del histórico de carga, tensión en las barras de carga y estacionalidad de estas) para entrenar nueve redes neuronales del tipo MLP con dos capas. El enfoque propuesto es evaluado con base en datos exportados por el estimador de estado de una red de una gran empresa de la región norte de Brasil. Los resultados indican que, según los valores de MSE y MAPE obtenidos, todas las redes neuronales evaluadas consiguen el pronóstico esperado. No obstante, el mejor desempeño fue alcanzado con el arreglo que consideró una base de datos a partir del histórico de carga normalizado y la tensión en las barras de carga.
Citas
Adeli, H., & Yeh, C. (1989). Perceptron Learning in Engineering Design. Microcomputers in Civil Engineering. 4, 247-56. doi: 10.1111/j.1467-8667.1989.tb00026.x.
Almeida, V. (2013). Previsão de Carga através de Modelos Neuro-Fuzzy. 2013. 91 f. Bacharelado em Engenharia Elétrica - Universidade Federal do Rio de Janeiro - UFRJ.
Amral, N., Ozvern, C. & King, D. (2007). Short Term Load Forecasting using Multiple Linear Regression. In: IEEE INTERNATIONAL UNIVERSITIES POWER ENGINEERING CONFERENCE. 42., Brighton: IEEE. p. 1192-8.
Antunes, J. Previsão de Carga Multinodal usando a Rede Neural ART-ARTMAP Fuzzy. 2013. 101 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Estadual Paulista “Júlio de Mesquita Filho”- UNESP, Ilha Solteira, 2013.
Baliyan A., Gaurav K., Mishra S. K., A. (2015). Review of Short Term Load Forecasting using Artificial Neural Network Models, Procedia Computer Science, Volume 48, Pages 121-125, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2015.04.160.
Box, G., Jenkins, G. (1976). Time Series Analysis: Forecasting and Control. ed. rev. Califórnia: Holden-Day.
Brito, N., Souza, B., Melo Filho, A., Lima, R., Pamplona, F. (2006). Previsão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL. In: XVII SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA. Belo Horizonte.
Caires, K. V. L. ., & Simonelli, G. (2021). Previsão da demanda brasileira de biodiesel utilizando redes neurais artificiais . Research, Society and Development, 10(5), e17410513381. https://doi.org/10.33448/rsd-v10i5.13381.
Chafi Z. S., Afrakhte H. (2021). "Short-Term Load Forecasting Using Neural Network and Particle Swarm Optimization (PSO) Algorithm", Mathematical Problems in Engineering, vol. Article ID 5598267, 10 pages, 2021. https://doi.org/10.1155/2021/5598267
Chaika, P. Neural Networks. <https://www.poznavayka.org/en/science-and-technology/neural-networks/ >.
Cho, M., Hwang, J. Chen, C. (1995). Customer Short Term Load Forecasting by Using ARIMA Transfer Function Model. In: IEEE INTERNATIONAL CONFERENCE ON ENERGY MANAGEMENT AND POWER DELIVERY. Singapore: IEEE. p. 317-322.
Christiaanse, W. (1971). Short-Term Load Forecasting Using General Exponential Smoothing. In: IEEE TRANSACTIONS ON POWER APPARATUS AND SYSTEMS. IEEE. p. 900-911.
Ehlers, R. S. (2005). Análise de Séries Temporais. 2005. 118 f. Relatório Técnico (Departamento de Estatística). Universidade Federal do Paraná – UFPR, Curitiba.
Estrela, C. (2018). Metodologia Científica: Ciência, Ensino, Pesquisa. Editora Artes Médicas.
Ettaouil, M., GHANOU, Y. (2009). Neural Architectures Optimization and Genetic Algorithms. In: WSEAS TRANSACTIONS ON COMPUTER. 8. p. 526-537
Ferreira, A. (2020). Previsão De Carga Multinodal Utilizando Rede Neural ARTMAP Euclidiana. 2020. 76 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Estadual Paulista “Júlio de Mesquita Filho”- UNESP, Ilha Solteira.
Guirelli, C. R. (2006). Previsão da Carga de Curto Prazo de Áreas Elétricas através de Técnicas de Inteligência Artificial. 2006. 115 f. Tese (Doutorado em Engenharia) - Escola Politécnica, Universidade de São Paulo - USP, São Paulo.
Haykin, S. (1999). Redes Neurais: Princípios e Prática. 2 ed. Porto Alegre: Bookman.
Highley, D. D., Hilmes, T. J. (1993). Load Forecasting by ANN. In: IEEE COMPUTER APPLICATIONS IN POWER. 3. IEEE. p. 10-15.
Hong, T., Gui, M., Baran, M., Willis, H. (2010). Modeling and Forecasting Hourly Electric Load by Multiple Linear Regression with Interactions. In: IEEE PES GENERAL MEETING. Providence: IEEE. p. 1-8.
Kovàcs, Z. L. (1997). Redes Neurais Artificiais: Fundamentos e Aplicações. 2 ed. São Paulo: Collegium Cognitio.
Kundur, P. (1994). Power System Stability and Control. New York: McGraw-Hill.
Leal, A., Miguel, E., Baio, F., Neves, D., Leal, U. (2015). Redes Neurais Artificiais na Predição da Produtividade de Milho e Definição de Sítios de Manejo Diferenciado por Meio de Atributos do Solo. Bragantia, Campinas, v. 74, n. 4. p.436-444.
Morettin, P., Toloi, C. (2006). Análise de Séries Temporais. 2 ed. São Paulo: Blucher.
Oliveira, C. (2012). Previsão De Cargas Elétricas Através De Uma Rede Neural Híbrida Back-art Fuzzy. 2012. 74 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Estadual Paulista “Júlio de Mesquita Filho”- UNESP, Ilha Solteira.
Pereira A. S. et al. (2018). Metodologia da pesquisa científica. [free e-book]. Santa Maria/RS. Ed. UAB/NTE/UFSM.
Pessanha, J., Justino, T. (2013). Um Modelo para Previsão de Carga de Curto-prazo. Simpósio de excelência em gestão e tecnologia.
Pessoa, A. D., Sousa, G. C. L. de ., Araujo, R. da C. de ., & Anjos, G. J. M. dos . (2021). Modelo de rede neural artificial para previsão da capacidade de carga de estacas cravadas. Research, Society and Development, 10(1), e12210111526. https://doi.org/10.33448/rsd-v10i1.11526
Ramchoun, H., Idrissi, M., Ghanou, Y., Ettaouil, M. (2015). Multilayer Perceptron: Architecture Optimization and Training. International Journal of Interactive Multimedia and Artificial Intelligence, Vol. 4, Nº1.
Ranaweera D., Karady G., Farner R. (1997). Economic Impact Analysis of Load Forecasting. In: IEEE TRANSACTIONS ON POWER SYSTEMS. New York: IEEE. p. 1388-1392.
Shaikh, A. A project on Artificial Neural Network. Rizvi College of Engineering. https://www.slideshare.net/MohdArafatShaikh/artificial-neural-network-80825958
Silva, I. (2010). Previsão de Vento para Geração de Energia Elétrica. 2010. Dissertação (Mestrado em Engenharia Elétrica) - Pontifícia Universidade Católica do Rio de Janeiro - PUC-RIO, Rio de Janeiro.
Singh S., Hussain S., BazazM. A. (2017). "Short term load forecasting using artificial neural network," 2017 Fourth International Conference on Image Information Processing (ICIIP), pp. 1-5, doi: 10.1109/ICIIP.2017.8313703.
Taylor, J. (2012). Short-Term Load Forecasting with Exponentially Weighted Methods. In: IEEE TRANSACTIONS ON POWER SYSTEMS. IEEE. p. 458-464.
Vieira, R., Thomé, A. G. (2000). Avaliação de redes neurais aplicadas à previsão de índices de mercados de ações. Rio de Janeiro: NCE, Universidade Federal do Rio de Janeiro - UFRJ. Relatório Técnico. 6 p..
Zanini, A. (2004). Regulação Econômica no Setor Elétrico Brasileiro: Uma Metodologia para Definição de Fronteiras de Eficiência e Cálculo do Fator X para Empresas Distribuidoras de Energia Elétrica. 2004. 147 f. Tese (Doutorado em Engenharia Elétrica) - Pontifícia Universidade Católica do Rio de Janeiro - PUC-RIO, Rio de Janeiro.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Amanda Thais dos Reis Fernandes; Jean Lucas Tourinho Fonseca; Iuri Leno Pereira da Silva; Piedy Del Mar Agamez Arias; Rodrigo Andrade Ramos; Werbeston Douglas de Oliveira
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
