Modelo Wavelet-ANFIS aplicado na previsão de carga de curto prazo de níveis de consumo desagregado

Abstract

O presente trabalho tem como objetivo desenvolver um modelo baseado em redes neurais artificiais e transformada wavelet para a previsão de consumo de energia elétrica de um consumidor de nível desagregado. O conjunto de dados utilizado pertence a um Centro de Pesquisa Brasileiro e foi adquirido por meio de um medidor inteligente instalado no prédio, em que as medições foram feitas em intervalos de 15 minutos. Primeiramente, a rede neural ANFIS foi treinada com diferentes funções de pertinência com os dados brutos de consumo de energia a fim de selecionar a arquitetura que possui o melhor desempenho entre as diferentes configurações permitidas. Em seguida, usando essa arquitetura, a transformada wavelet foi aplicada aos dados de consumo de energia para remover o ruído e suavizar as curvas. Para tanto, diferentes wavelets foram utilizadas para determinar aquelas que melhor se adequam à aplicação. As previsões foram avaliadas por análise visual de gráficos e cálculo do MAPE. Os resultados obtidos com o modelo proposto são superiores quando comparados aos gerados apenas com os dados brutos. Dentre as wavelets utilizadas, aquelas que apresentam números adequados de momentos nulos, simetria e suporte compacto produziram as melhores previsões.

This work presents a model based on the Fast Wavelet Transform and ANFIS neural network for prediction the electric consumption habits of a disaggregated level consumer. The dataset employed belongs to a Brazilian Research Center and it was acquired by a smart meter installed in the building, where measurements were made in a 15-minutes interval. Firstly, the ANFIS neural network was trained with different membership functions with the raw energy consumption data in order to select the architecture that has the best performance among the different configurations allowed. Then, using such architecture, the Fast Wavelet Transform was applied to the energy consumption data to remove noise and smooth the curves. For this purpose, different wavelets were used to determine those that best suit the application. The forecasts were evaluated by visual analysis of graphs and by calculating the MAPE. Results obtained with the Fast Wavelet Transform are superior when compared to the ones generated using only the raw data. Among the wavelets used, those that have an appropriate number of vanishing moments, symmetric property and compact support produced the best predictions.