Previsão de cargas elétricas em curto prazo via redes neurais perceptron multicamadas

Abstract

A previsão de cargas elétricas é um procedimento de suma importância para os sistemas elétricos de potência e consiste na estimativa do consumo de energia elétrica futuro. Ela é vital para determinar quando e quanto de capacidade de geração e de transmissão deve-se dispor para atender a carga prevista sem interrupções no fornecimento. Ademais, a previsão de demanda ou previsão de carga de longo, médio, curto e curtíssimo prazo é um insumo para diversos outros estudos em sistemas elétricos de potência como: planejamento e operação dos sistemas elétricos, despacho econômico, fluxo de potência, análise de estabilidade e outros. Logo, a previsão da demanda deve ser precisa para que o sistema elétrico de potência opere de forma segura e confiável. Assim, neste estudo propõe-se um sistema previsor de cargas elétricas de curto prazo baseado na rede neural artificial perceptron multicamadas com entrada dos atrasadas no tempo ou time delay neural network – TDNN. O sistema foi testado em um banco de dados real e a eficiência do método preditor foi avaliado via métrica mean average percentage error (MAPE). Neste estudo, a Rede Neural Artificial de Perceptron Multicamadas (RNA-PMC) foi utilizada para prever séries temporais de cargas elétricas em kilowatt-hora (kWh). A RNA-PMC foi treinada com o algoritmo de aprendizagem retropropagação (backpropagation) e empregou a arquitetura de rede neural time delay neural network (TDNN) para prever as séries temporais reais de cargas elétricas em kWh. A aplicação desse método em dois estudos de caso resultou em sucesso na previsão, com Erro Percentual Absoluto Médio (MAPE) de 0,546% e 5,476%, respectivamente, destacando a eficácia da RNA-PMC na predição precisa de padrões em séries temporais de consumo elétrico.

Electrical load forecasting is an extremely important procedure for electrical power systems and consists of estimating future electrical energy consumption. It is vital to determine when and how much generation and transmission capacity should be available to meet the expected load without adequate interruptions. Furthermore, demand forecasting or long-, medium-, short-and very short-term load forecasting is an input for several other studies in electrical power systems such as: planning and operation of electrical systems, economic dispatch, power flow, power analysis, stability and others. Therefore, demand forecasting must be accurate for the electrical power system to operate safely and reliably. Therefore, this study proposes a shortterm electrical load forecasting system based on the multilayer perceptron artificial neural network with time delay neural network input – TDNN. The system was tested on a real database and the efficiency of the predictor method was evaluated using the mean percentage error (MAPE) metric. In this study, the Multilayer Perceptron Artificial Neural Network (MLP-ANN) was employed to predict time series of electrical loads measured in kilowatt-hours (kWh). The MLP-ANN was trained using the backpropagation learning algorithm and employed the time delay neural network (TDNN) architecture to forecast the actual time series of electrical loads in kWh. The application of this method in two case studies resulted in successful prediction, with Mean Absolute Percentage Error (MAPE) values of 0.546% and 5.476%, respectively, highlighting the effectiveness of the MLP-ANN in accurately predicting patterns in time series of electrical consumption.