Previsão de cargas não residenciais mistas por redes neurais ARTMAP Fuzzy

Carregando...
Imagem de Miniatura

Data

2019-03-11

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (Unesp)

Resumo

Os sistemas de energia elétrica estão passando por transformações. Aos poucos, técnicas de sistemas de informação estão sendo incorporadas aos sistemas atuais de energia. Basicamente este é o conceito de smart grid. Esta incorporação visa aumentar a eficiência dos sistemas de energia elétrica, pois os diversos agentes envolvidos em todo o sistema terão à disposição informações mais completas, precisas e de forma praticamente instantânea. Como consequência, haverá um aumento significativo de dados disponíveis para serem empregados de variadas formas. Um exemplo do uso de dados é a previsão de demanda de energia elétrica. De uma forma geral, previsões servem como suporte para suprir demandas, estimar custos ou justificar investimentos futuros. No campo de previsão de demanda de cargas elétricas existem diversos modelos na literatura, a grande maioria se concentra em níveis mais agregados, que atendem a grandes consumidores em que o fornecimento de energia é feito, por exemplo, por uma subestação. Uma smart grid também coloca à disposição as informações de consumo de energia em níveis cada vez menos agregados, como uma residência ou um prédio comercial. Realizar previsões neste nível é um desafio, pois essas demandas são muito influenciadas pelo comportamento humano. Diferentemente dos níveis mais agregados, modelos de previsão para níveis menos agregados, ou desagregados, ainda são poucos. O objetivo deste trabalho é fazer a previsão de cargas elétricas não residenciais mistas em curto prazo utilizando dados de demanda de cargas de uma universidade brasileira. A metodologia escolhida inicialmente foi a rede neural ARTMAP Fuzzy e depois foi desenvolvida uma metodologia híbrida entre a rede neural ARTMAP Fuzzy e o Método dos Mínimos Quadrados. Os bancos de dados disponíveis para o estudo continham muitos dados ruidosos e outliers além disso, havia pouca variabilidade de entradas, neste caso, somente o tempo (em intervalos de 15 minutos), o dia da semana e a carga elétrica. Foram desenvolvidas algumas estratégias para realizar a previsão. Os primeiros resultados das previsões com rede neural ARTMAP Fuzzy não foram muito satisfatórios, então verificou-se que havia pouca variedade nos dados. Para contornar esse problema, foram introduzidas os de valores de cargas máxima, mínima e média referentes à cada intervalo de tempo e dia da semana com o objetivo de suprir a pouca variabilidade de entradas. Depois de observado o comportamento da rede neural ARTMAP Fuzzy neste cenário foi desenvolvida uma metodologia híbrida entre a rede neural ARTMAP Fuzzy e o método dos mínimos quadrados, denominada rede neural ARTMAP Fuzzy – MMQ. Os testes foram realizados com e sem outliers nos conjuntos de dados. Para efeito de comparação, os testes foram feitos com o método dos mínimos quadrados, a rede neural ARTMAP Fuzzy e a metodologia híbrida. Além disso, foram feitas análises com dois valores distintos parâmetro de vigilância da rede neural e os valores da escolha das categorias na metodologia híbrida. Dentre todos os testes a metodologia proposta apresentou os melhores resultados.
Electrical power systems are in transformation nowadays. Gradually, information system technology are being introduced to the energy systems. Basically, this is the concept of smart grid. This new concept aims to improve the efficiency of the energy systems, once the evolved agents will provide complete and precise information instantaneously. This way, a significant increase in data will be available to be employed in several forms. One example in using these data is electric energy demand forecasting. In general, predictions are support to provide electric load demand, estimate costs or justify future investments. Concerning electric load demand, there are several models in the literature, and the majority is concentrated in aggregated levels, attending large consumers, where, for example, the energy supply is provided by a substation. Considering the smart grid, there are consumption information in less aggregated levels as for example residences or commercial buildings. Therefore, realizing predictions in these levels (less aggregated) is a challenge, once the demand is influenced by the human behavior. The models for predicting loads in aggregated levels are common, in the contrary of less aggregated that are few. This work aims to predict short term mixed nonresidential electric loads using data from a Brazilian University. Firstly, Fuzzy ARTMAP Neural Network is chosen to execute the predictions, and afterwards a hybrid methodology containing Fuzzy ARTMAP and Square Minima Method. The dataset used for training contained several noises and outliers, besides few inputs were available, i.e. only time (15min), day of the week and the electric load. To overpass this problem, other information is added, like maximum load, minimum load and medium load referred to each time interval and day of week. The results obtained using the hybrid methodology with Fuzzy ARTMAP and Square Minima were better when compared to the original Fuzzy ARTMAP Neural Network. Analysis were also done varying the neural network parameters such as the vigilance and choice ones.

Descrição

Palavras-chave

Previsão de cargas elétricas em nível desagregado, Rede neural ARTMAP Fuzzy, Metodologia híbrida, Disaggregated electric load forecasting, Fuzzy ARTMAP Neural Network, Hybrid methodology

Como citar