Inteligência artificial aplicada ao fluxo de carga continuado na estimativa das perdas totais de potência ativa e reativa

Abstract

A obtenção das perdas totais de potência ativa e reativa em sistemas elétricos de potência depende, de modo geral, da solução prévia do fluxo de carga, uma vez que essas perdas estão diretamente associadas às tensões nodais e aos fluxos de potência nas linhas de transmissão. Entretanto, a aplicação repetitiva desses métodos torna-se computacionalmente onerosa, sobretudo em estudos de contingência, análises em larga escala e aplicações que demandam respostas rápidas. Diante desse contexto, esta dissertação investiga a aplicação de técnicas baseadas em redes neurais artificiais para a estimativa e previsão das perdas totais de potência ativa e reativa em sistemas elétricos de potência, sob diferentes condições operativas, incluindo situações de contingência. Embora o fluxo de carga seja empregado na etapa de geração do banco de dados, ele é dispensado na fase de aplicação dos modelos neurais, resultando em significativa redução do esforço computacional. A metodologia explora a capacidade das redes neurais em modelar relações não lineares entre variáveis elétricas do sistema e as perdas totais de potência, eliminando a necessidade de procedimentos iterativos convencionais. Inicialmente, avalia-se a viabilidade da estimativa direta das perdas em condições normais de operação. Em seguida, o desempenho dos modelos é analisado em cenários de contingência, verificando sua robustez frente a alterações topológicas e operacionais. Adicionalmente, diferentes arquiteturas de redes neurais, Percéptron Multicamadas, Redes de Função de Base Radial e Redes de Regressão Generalizada, são comparadas quanto à precisão, capacidade de generalização e eficiência computacional. Os resultados demonstram que as redes neurais artificiais apresentam elevado desempenho na estimativa das perdas totais de potência ativa e reativa, mesmo sob condições adversas, destacando-se as arquiteturas RBF e GRNN pela maior eficiência e estabilidade. Esses achados evidenciam o potencial das técnicas neurais como ferramentas alternativas e promissoras para aplicações em planejamento e operação de sistemas elétricos de potência.

In general, the determination of total active and reactive power losses in electrical power systems requires the prior solution of the power flow problem, since these losses are directly dependent on nodal voltages and power flows in transmission lines. However, the repeated application of conventional power flow methods entails a high computational burden, particularly in contingency analyses, large-scale studies, and applications that require fast responses. In this context, this dissertation investigates the application of artificial neural network–based techniques for the estimation and prediction of total active and reactive power losses in electrical power systems under different operating conditions, including contingency scenarios. Although the power flow solution is employed during the database generation stage, it is no longer required during the model application phase, resulting in a significant reduction in computational effort. The proposed methodology exploits the ability of neural networks to model nonlinear relationships between electrical system variables and total power losses, thereby eliminating the need for conventional iterative procedures. Initially, the feasibility of direct loss estimation under normal operating conditions is assessed. Subsequently, the performance of the proposed models is evaluated under contingency scenarios, verifying their robustness against topological and operational changes. In addition, different neural network architectures, Multilayer Perceptron, Radial Basis Function Networks, and Generalized Regression Neural Networks, are compared in terms of accuracy, generalization capability, and computational efficiency. The results indicate that artificial neural networks achieve high performance in estimating total active and reactive power losses, even under adverse operating conditions. In particular, the RBF and GRNN architectures exhibit superior efficiency and stability, highlighting the potential of neural-based approaches as alternative and promising tools for planning and operation studies in electrical power systems.