Previsão de cargas multinodais realizada através da análise da previsão de cargas elétricas agregadas via rede neural ARTMAP Fuzzy

Abstract

Na contemporaneidade, a previsão de cargas é de suma importância para a otimização da geração e distribuição de energia elétrica, uma vez que a previsão garante maior confiabilidade e economia para esse processo, definindo quando e quanto de geração, transmissão e capacidade de distribuição devem ser dispostas para atender à carga esperada sem que haja interrupções em seu fornecimento. O presente trabalho tem por objetivo analisar diversas agregações de cargas elétricas em subestações de sistemas de distribuição de energia elétrica, visando à melhoria na previsão de cargas multinodais, (em vários pontos de interesse da rede elétrica) também conhecida como carga por barramento, a qual considera os diferentes tipos de consumidores (industriais, comerciais e residenciais). Para realizar a previsão multinodal, foi utilizada a rede neural ARTMAP Fuzzy, que é baseada na Teoria da Ressonância Adaptativa (ART), e que possui características essenciais para o funcionamento e a obtenção de resultados de uma rede neural artificial. Essas características são baseadas no Dilema da Estabilidade e Plasticidade, o qual é capaz de aprender novos conhecimentos (estabilidade), sem perder as informações previamente adquiridas (plasticidade), auxiliando assim em soluções rápidas e precisas. A metodologia foi desenvolvida em quatro partes, sendo elas: (i) realizar a previsão das cargas globais; (ii) prever os fatores de participação de cada subestação e em seguida realizar a previsão das cargas locais; (iii) estudar e identificar as possíveis agregações das cargas multinodais (subestações) realizadas, visando à melhoria da previsão de carga multinodal e carga global e (iv) por meio das agregações das subestações efetuadas, realizar a previsão de carga multinodal referente ao bloco de subestações agregadas, visando prever as cargas das subestações individuais. A metodologia foi desenvolvida no software MATLAB e foram utilizados dados referentes a um subsistema de distribuição de energia elétrica da Nova Zelândia, composto por nove Subestações, para prever cargas de 24 horas à frente. Como forma de avaliar os resultados obtidos pela previsão, foi utilizado o erro percentual médio absoluto - MAPE (Mean Absolute Percentage Error).

Currently, load forecasting is of paramount importance to optimize the generation and distribution of electric energy, since the forecast guarantees greater reliability and savings for this process, defining when and how much of generation, transmission and distribution capacity should be arranged to meet the expected load without interruptions in its supply. The present work aims to analyze several aggregations of electric loads in substations of electric power distribution systems aiming to improve the forecast of multinodal loads, (in several points of interest of the electric network) also known as load per bus, which considers the different types of consumers: industrial, commercial and residential. To perform the multinodal forecast, the neural network ARTMAP Fuzzy was used, which is based on the Adaptive Resonance Theory (ART), and which has essential characteristics for the functioning and results of an artificial neural network. These characteristics are based on the dilemma of stability and plasticity that guarantees fast and accurate solutions. The methodology was developed in four parts: (i) to forecast the global loads; (ii) to predict the participation factors of each substation and then perform the forecast of local loads; (iii) to study and identify the possible aggregations of multinodal loads (substations) carried out in order to improve the forecast of multinodal and global loads and (iv) through the aggregations of the substations carried out, forecast the multinodal load for the aggregated substations block in order to forecast the loads of the individual substations. The methodology was developed in the MATLAB software and data from a New Zealand electricity distribution subsystem, composed of nine substations, were used to forecast 24-hour ahead loads. As a way of evaluating the results obtained by the forecast, the mean absolute percentage error - MAPE (Mean Absolute Percentage Error) was used.