Modelo previsor diário para cargas em diferentes níveis de desagregação baseado nas técnicas de machine learning
Carregando...
Data
2023-06-19
Autores
Orientador
Minussi, Carlos Roberto 
Coorientador
Pós-graduação
Engenharia Elétrica - FEIS 33004099080P0
Engenharia Elétrica - FEIS
Engenharia Elétrica - FEIS
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
A previsão de carga elétrica é fundamental para o gerenciamento dos sistemas de energia, especialmente em um contexto de desregulamentação do setor. Gerenciar esses sistemas levando em consideração diferentes perspectivas, como a operação, a manutenção e o planejamento se tornam tarefas desafiadoras devido à evolução tecnológica e às demandas variáveis dos usuários. Esses desafios exigem uma abordagem complexa para garantir o fornecimento adequado de energia. Neste trabalho propõe-se o desenvolvimento de um sistema previsor flexível para cargas elétricas desagregadas no horizonte do dia seguinte via métodos de Machine Learning (ML). Por conseguinte, há necessidade da aplicação de um procedimento especializado que produza resultados satisfatórios. Neste sentido são abordadas três metodologias baseadas em dois métodos de ML, os quais se alinham às redes neurais ARTMAP Fuzzy modificada (plasticidade, estabilidade e rapidez) e às Support Vector Machine (SVM) de regressão. Portanto, a primeira proposta está desenvolvida utilizando o método SVM_ARTMAP Fuzzy (Kernel Linear, Gaussiano e Otimizado). Para a segunda, utiliza-se um modelo híbrido de treinamento em paralelo baseado no método WPT-SVM_ARTMAP Fuzzy. Finalmente a terceira, utiliza-se o método WPT-MMQ_ARTMAP Fuzzy. Essas duas últimas propostas são treinadas utilizando dados via filtro Wavelet. Para fins de comparação, implementou-se o método ARTMAP Fuzzy como o benchmark 1, adicionalmente, o método MMQ-ARTMAP Fuzzy como o benchmark 2. Nas metodologias apresentadas são consideradas o impacto da escolha dos inputs nas redes, uma modelagem matemática aplicada à tarefa de identificação de dias atípicos, por último, uma análise de correlação com dados meteorológicos. A aplicação do treinamento em paralelo e a análise dos inputs resultaram em uma melhoria significativa na capacidade preditiva da terceira metodologia, ampliando sua capacidade de generalização.
Resumo (português)
Electrical load forecasting is fundamental for the management of energy systems, especially in a context of deregulation of the sector. Managing these systems taking into account different perspectives such as operation, maintenance and planning become challenging tasks due to technological evolution and the electrical loads of users. These challenges require a complex approach to ensure adequate energy supply. This work proposes the development of a flexible forecaster system for disaggregated electrical loads on the horizon of the next day via Machine Learning (ML) methods. There is therefore a need for a specialized procedure to produce satisfactory results. In this sense, three methodologies based on two ML methods are approached, which align with the modified Fuzzy ARTMAP neural networks (plasticity, stability and speed) and the regression Support Vector Machine (SVM). Therefore, the first proposal is developed using the Fuzzy SVM_ARTMAP method (Linear, Gaussian and Optimized Kernel). For the second, a hybrid model of parallel training based on the Fuzzy WPT-SVM_ARTMAP method is used. Finally, the third method uses the Fuzzy WPT-MMQ_ARTMAP method. These last two proposals are trained using data via Wavelet filter. For comparison purposes, the Fuzzy ARTMAP method was implemented as benchmark 1, additionally, the Fuzzy MMQ-ARTMAP method as benchmark 2. In the methodologies presented are considered the impact of the choice of inputs in the networks, a mathematical modeling applied to the task of identification of atypical days, finally, a correlation analysis with meteorological data. The application of parallel training and the analysis of inputs resulted in a significant improvement in the predictive capacity of the third methodology, expanding its generalization capacity.
Descrição
Idioma
Português