Previsão de carga multinodal formulada via rede neural baseada na Teoria da Ressonância Adaptativa com treinamento direto e reverso
Carregando...
Arquivos
Data
2019-07-05
Autores
Amorim, Aline Jardim
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Resumo
Nesta pesquisa de doutorado, propõe-se o desenvolvimento de um sistema previsor de carga multinodal, via Redes Neurais Artificiais (RNAs). Trata-se da previsão que envolve vários pontos da rede elétrica, e.g., subestações de sistemas de distribuição, alimentadores, transformadores etc., bem como as barras dos sistemas de transmissão de grande porte. Na literatura especializada, há a prevalência de oferta de propostas visando à previsão da carga total (ou global) correspondente ao somatório de todo o consumo demandado no sistema, considerando-se um horizonte, por exemplo, 24 horas à frente. Nesta pesquisa, dar-se-á ênfase à previsão de carga multinodal. Visando realizar esta previsão, há necessidade de se dispor de um procedimento especializado que produza resultados que atendam os requisitos do setor elétrico (precisão desejada, confiabilidade e rapidez). Estes requisitos são os objetivos desta pesquisa, cujo modelo desenvolvido constitui-se num sistema neural inspirado na arquitetura neural da família ART (Adaptive Resonance Theory), mais especificamente, a RNA supervisionada ARTMAP-Fuzzy, a qual congrega a teoria da ressonância adaptativa e a teoria dos conjuntos fuzzy. O emprego da teoria dos conjuntos fuzzy confere, às RNAs da família ART, a aptidão de processar informações analógicas, binárias, assim como combinações dessas informações. A opção por esta RNA é em razão do seu atributo de ser estável e plástica. A estabilidade está associada à capacidade de produzir sempre uma solução. A plasticidade (dotação do treinamento incremental) é uma propriedade pouco observada na maioria das redes neurais disponíveis na literatura técnico-científica. É algo semelhante o que ocorre com os humanos, ou seja, à medida que novas informações são disponibilizadas, tornamos cada vez mais, por hipótese, mais “inteligentes”. Conhecer a carga elétrica, com precisão e com a adequada antecedência, é uma necessidade primordial, ou seja, considera-se que a partir do conhecimento da carga é que são conduzidos os estudos sobre os modos operativos do sistema e as estratégias que devem ser realizadas visando atendê-la de forma contínua, econômica (tanto para as empresas, assim como para os consumidores) e de qualidade (tensão, frequência e forma de ondas adequadas). Neste contexto, são apresentados três tipos de construções dos dados de entrada da RNA com as respectivas simulações (experimentos) com vistas a oferecer alternativas para a previsão multinodal, em especial, contemplando um estudo sobre agregação (junção) de barras especiais do sistema, assim como o emprego da Correção Pro Rata (CPR) das curvas de cargas. Adicionalmente, será apresentada uma nova formulação (quarta proposta) da RNA ARTMAP-Fuzzy dotada de uma forma de treinamento designada “treinamento reverso (TR)”. Trata-se uma proposta “inaugural” que, nos primeiros resultados colhidos, tem-se mostrado promissora. Também, serão apresentados os respectivos resultados das simulações. Visando testar o método proposto, apresenta-se uma aplicação considerando uma base histórica de uma companhia do setor elétrico internacional.
This research proposes to develop a multinodal load forecasting system by Artificial Neural Networks. This is a prediction for several points of the electrical network, e.g. distribution substations, feeders, transformers, etc., as well as busses of huge transmission systems. The literature offers proposals for total load forecasting (or global) corresponding to the sum of all demanded consumption considering a horizon of 24h ahead. This research emphasizes multinodal load forecasting. To perform this prediction, it is necessary to have a specialized procedure that provides results attending the requests of the electrical system (desired precision, reliability and velocity). These requests are the objective of this research, whose developed model is based on ART (Adaptive Resonance Theory) family, specifically the supervised Fuzzy ARTMAP neural network that uses the adaptive resonance theory and fuzzy logic theory. The option of this neural network is due to the attribute to be stable and plastic. The stability is associated to the capacity to produce always a solution. The plasticity (incremental training) is a propriety that is not observed in most of the neural network available on the literature. This is similar to what occurs with humans, as new information comes, the human being is more intelligent. Knowing the electrical load with precision and in advance is a primordial need. The studies about the operational modes of the system and the strategies used to attend continuously, economically (for consumers and providers) and with quality (voltage, frequency and adequate waveforms) are effectuated with the knowledge of the load. This proposal presents three different types of input data for the ANN (Artificial Neural Network) with the respective simulations to provide alternatives for the multinodal forecasting. It is also provided an aggregation study of the special buses as well as the use of a Pro Rata correction of the load curves. Besides, a new formulation (fourth proposal) of the Fuzzy ARTMAP ANN called reverse training (TR) is presented. This is a first proposal and according to the first results is promising. The simulation results are presented as well. The data used are from an abroad company.
This research proposes to develop a multinodal load forecasting system by Artificial Neural Networks. This is a prediction for several points of the electrical network, e.g. distribution substations, feeders, transformers, etc., as well as busses of huge transmission systems. The literature offers proposals for total load forecasting (or global) corresponding to the sum of all demanded consumption considering a horizon of 24h ahead. This research emphasizes multinodal load forecasting. To perform this prediction, it is necessary to have a specialized procedure that provides results attending the requests of the electrical system (desired precision, reliability and velocity). These requests are the objective of this research, whose developed model is based on ART (Adaptive Resonance Theory) family, specifically the supervised Fuzzy ARTMAP neural network that uses the adaptive resonance theory and fuzzy logic theory. The option of this neural network is due to the attribute to be stable and plastic. The stability is associated to the capacity to produce always a solution. The plasticity (incremental training) is a propriety that is not observed in most of the neural network available on the literature. This is similar to what occurs with humans, as new information comes, the human being is more intelligent. Knowing the electrical load with precision and in advance is a primordial need. The studies about the operational modes of the system and the strategies used to attend continuously, economically (for consumers and providers) and with quality (voltage, frequency and adequate waveforms) are effectuated with the knowledge of the load. This proposal presents three different types of input data for the ANN (Artificial Neural Network) with the respective simulations to provide alternatives for the multinodal forecasting. It is also provided an aggregation study of the special buses as well as the use of a Pro Rata correction of the load curves. Besides, a new formulation (fourth proposal) of the Fuzzy ARTMAP ANN called reverse training (TR) is presented. This is a first proposal and according to the first results is promising. The simulation results are presented as well. The data used are from an abroad company.
Descrição
Palavras-chave
Fator de participação global de carga, Previsão multimodal, Rede de neurais artificiais, ARTMAP-Fuzzy, Treinamentos direto e reverso, Ajuste Pro Rata das curvas de carga, Global load participation factor, Multinodal forecasting, Artificial neural network