Previsão de carga residencial incluindo carregamento de veículos elétricos usando redes neurais artificiais

Abstract

A crescente integração de veículos elétricos (VEs) à rede elétrica impõe desafios significativos ao planejamento e operação do setor, particularmente no que tange à demanda residencial de energia. Este trabalho investiga a aplicação e o desempenho de Redes Neurais Artificiais (RNAs) do tipo Perceptron Multicamadas (MLP) com treinamento por Retropopagação para a previsão de curto prazo da demanda elétrica residencial combinada ao carregamento não coordenado de VEs. Utilizou-se um conjunto de dados públicos representativo do consumo residencial e de carregamento de VEs, que foi processado com ferramentas da linguagem Python e suas bibliotecas para ciência de dados e aprendizado de máquina. O estudo envolveu a exploração de diferentes configurações de neurônios nas camadas ocultas, funções de ativação como ReLU e Sigmoide, e técnicas de regularização como Batch Normalization e Dropout, com a avaliação do desempenho realizada por meio de métricas estatísticas como MAPE, RMSE e R². Os resultados demonstraram a capacidade dos modelos MLP em aprender os padrões complexos da demanda combinada do consumo residencial com a introdução de veículos elétricos, identificando-se uma arquitetura otimizada, com 9, 6 e 2 neurônios nas camadas ocultas, utilizando ativação ReLU e Batch Normalization, que alcançou um MAPE de aproximadamente 5,76% para o cenário Re+L1. A análise experimental revelou a importância da seleção criteriosa da arquitetura e das técnicas de regularização para a obtenção de um modelo com boa capacidade de generalização. O estudo contribui para a compreensão da aplicabilidade de RNAs na previsão de cenários de demanda residencial com VEs, fornecendo uma análise do processo de refinamento e dos fatores que influenciam o desempenho preditivo, e reforça a relevância de tais abordagens para investigações futuras no contexto da eletrificação do transporte.

The increasing integration of electric vehicles (EVs) into the power grid poses significant challenges to the sector's planning and operation, particularly concerning residential energy demand. This work investigates the application and performance of Multilayer Perceptron (MLP) Artificial Neural Networks (ANNs), trained with Backpropagation, for the short-term forecasting of residential electricity demand combined with uncoordinated EV charging. A public dataset representative of residential consumption and EV charging was used, which was processed with tools from the Python language and its libraries for data science and machine learning. The study involved exploring different hidden layer neuron configurations, activation functions such as ReLU and Sigmoid, and regularization techniques like Batch Normalization and Dropout, with performance evaluation conducted using statistical metrics such as MAPE, RMSE, and R². The results demonstrated the capability of MLP models to learn the complex patterns of the combined demand from residential consumption with the introduction of electric vehicles. An optimized architecture was identified—with 9, 6, and 2 neurons in the hidden layers, using ReLU activation and Batch Normalization—which achieved a MAPE of approximately 5.76% for the Re+L1 scenario. The experimental analysis revealed the importance of a careful selection of the architecture and regularization techniques to obtain a model with good generalization capacity. The study contributes to the understanding of ANN applicability in forecasting residential demand scenarios with EVs, providing an analysis of the refinement process and the factors that influence predictive performance, and reinforces the relevance of such approaches for future investigations in the context of transport electrification.