Uma nova abordagem para aprimoramento da previsão da demanda total de carregamento residencial e estação de carregamento de veículos elétricos utilizando aprendizado profundo

Abstract

Este trabalho tem como objetivo investigar, aprimorar e sugerir melhorias na previsão de curto prazo da demanda total gerada pelo carregamento descontrolado de Veículos Elétricos Plugáveis (VEPs) de nível 1 e 2 em residências e estação de carregamento com 2 e 6 portas de 350 kW de potência, utilizando uma rede neural artificial (RNA) multicamada perceptron recorrente (MLPR) de aprendizado profundo. O treinamento foi realizado com o algoritmo backpropagation através do tempo (BPAT), com regularização bayesiana (RB), formando um treinamento supervisionado híbrido bayesiano. Para aprimorar a previsão, além do treinamento híbrido e do aprendizado profundo, foram aplicadas três técnicas de pré processamento: transformada wavelet (TW), análise de espectro singular (AES) e o filtro digital Savitsky-Golay (SG). As técnicas adotadas resultaram em uma melhora significativa no desempenho do treinamento, dos testes e das previsões, quando comparadas ao treinamento com backpropagation (BP) original e sem o uso de pré-processamento, ajustando melhor as cargas previstas em relação às reais. O método proposto reduziu o erro percentual absoluto médio (MAPE), apresentando previsões mais exatas, acertivas e seguras, o que facilita o planejamento e a gestão das cargas dos VEPs. O estudo demonstra a robustez, a eficiência energética e a aplicabilidade em cenários de grande escala, fornecendo dados importantes para planejar novas taxas de inclusão dos VEPs no sistema elétrico, permitindo otimizar o gerenciamento destas cargas, significativamente para o desenvolvimento de novas estratégias e aprimoramentos na previsão de cargas dos VEPs. Os resultados oferecem informações relevantes e acertivas para o planejamento do sistema de energia elétrica atual e futuro, o que precisa acompanhar o avanço da mobilidade elétrica em nível global. As previsões de demandas agregadas com as cargas residenciais e a demanda comercial mostraramse relevantes e realistas, podendo ser aplicadas em cenários do mundo real.

This work aims to investigate, improve, and suggest improvements in the short-term forecast of total demand generated by the uncontrolled charging of Level 1 and 2 Plug-in Electric Vehicles (PEVs) in homes and charging stations with 2 and 6 ports of 350 kW power, using a multilayer recurrent perceptron (MLPR) artificial neural network for deep learning. Training was performed with the backpropagation through time (BPAT) algorithm, with Bayesian regularization (RB), forming a supervised Bayesian hybrid training. To improve the forecast, in addition to hybrid training and deep learning, three preprocessing techniques were applied: wavelet transform (TW), singular spectrum analysis (SSA), and the Savitsky-Golay digital filter (SG). The techniques adopted resulted in a significant improvement in training, testing, and forecasting performance when compared to the original backpropagation (BP) training without preprocessing, better adjusting the predicted loads to the actual loads. The proposed method reduced the mean absolute percentage error (MAPE), presenting more accurate, reliable, and safe forecasts, which facilitates the planning and management of EV loads. The study demonstrates the robustness, energy efficiency, and applicability in large-scale scenarios, providing important data for planning new EV inclusion rates in the electrical system, allowing for optimization of the management of these loads, significantly for the development of new strategies and improvements in EV load forecasting. The results offer relevant and accurate information for the planning of the current and future electrical power system, which needs to keep pace with the advancement of electric mobility globally. The forecasts of aggregated demand, including residential and commercial loads, proved to be relevant and realistic, and can be applied to real-world scenarios.