Previsão de demanda de carregamento para veículos elétricos a curto prazo utilizando Rede Neural Artificial

Abstract

Veículos elétricos vêm se tornando cada vez mais presentes no nosso cotidiano e a sua implantação e crescimento apresentam novos desafios ao sistema de energia elétrica, devido à alta necessidade de cargas armazenadas pelo carregamento. A previsão da demanda de cargas gerada pelo carregamento desses veículos utilizando redes neurais artificiais demonstra ser uma ferramenta muito eficiente para resolução desse tipo de problema. Foi proposto nesse trabalho o uso de uma rede do tipo feedforward com multicamadas usando o treinamento de regularização bayesiana. Nessa pesquisa, utiliza-se banco de dados reais para o processo de treinamento e teste, com intuito de gerar um resultado de previsão realista. Foram utilizados três bancos de dados separados em dois ambientes distintos, um para estação de carregamento e outro de carregamento de veículos residenciais. A metodologia proposta apresentou bons resultados, tendo potencial para ser aplicada na prática em todos os ambientes estudados. Foi observado também que no ambiente de estação de carregamento a previsão apresentou uma dificuldade em relação a ambiente de carregamentos residenciais, por se tratar de um ambiente com um tipo de carregamento mais imprevisível.

Electric vehicles are becoming increasingly present in our daily lives and their implementation and growth present great new challenges to the electric power system, due to the high need for charges stored by charging. The load forecasting, generated by loading these vehicles, using artificial neural networks proves to be a very efficient tool for solving this type of problem. This work proposes the use of a feedforward network with multilayers using Bayesian regularization training. In this research, real databases are used for the training and testing process, in order to generate a realistic forecasting result. Three separate databases were used in two different environments, one for the charging station and the other for the loading of residential vehicles. The proposed methodology presented good results and pertinent to the theme, with potential to be applied in practice in all studied environments. It was also observed that, in the charging station environment, the forecast presented a difficulty in relation to the residential loading environment, as it is an environment with a more unstable loading type.