Previsão de cargas multinodais com o uso de Rede Neural ARTMAP Manhattan

Abstract

A eficiência e a qualidade da energia elétrica sempre foram sinônimos de crescimento e desenvolvimento em qualquer sociedade. Assim, essa energia fortalece uma nação em seus aspectos tecnológicos, social e econômico. Soluções provisórias na operação como sistema de implantação e mudança na estrutura do sistema de rede como, por exemplo, de barramentos são medidas de execução para ampliação da demanda de energia. É neste contexto que as Empresas Elétricas apresentam uma contribuição em uma ação de sistemas de interligações regionais. Para remediar essa energia é imprescindível o planejamento, investimento e as propostas suprindo a falta de energia. Na literatura há poucas informações relacionadas a previsão de cargas elétricas multinodais. Esse sistema beneficia diferentes níveis de sistemas, por exemplo, o barramento. Artigos publicados com excelentes resultados têm exposto a previsão de cargas elétricas a curto prazo para tomadas de decisões e, entre as técnicas de previsão proeminente, as redes neurais artificiais têm apresentado respostas significativas em relação a sua capacidade relevante e velocidade no aprendizado. Neste trabalho é proposto duas metodologias: um estudo para previsão de cargas multinodais, utilizando uma das redes neurais da família da Teoria da Ressonância Adaptativa, intitulada ARTMAP Euclidiana com Treinamento Reverso, sendo uma nova formulação e inovação para treinamento da rede e com o mesmo banco de dados históricos desta pesquisa inseriu-se uma nova estratégia a fim de favorecer o melhor neurônio vencedor por meio da clusterização na operação com o uso da equação da distância de Manhattan, batizada com o nome de ARTMAP Manhattan, uma rede equivalente a arquitetura da rede neural ARTMAP Euclidiana visando a melhoria nas previsões multinodais em Treinamento Direto. As medidas de desempenho utilizadas para avaliar as propostas deste trabalho foram MAPE, Erro Máximo, Erro Mínimo, MAE, RMSE. Com base nas análises gráficas e nas medidas de desempenho, tem-se que a rede neural ARTMAP Euclidiana com Treinamento Reverso tem aproveitamento aceitável e a rede neural ARTMAP Manhattan atinge resultados eficientes em relação ao Treinamento Direto para as previsões de cargas nodais.

The efficiency and quality of electric energy have always been synonymous with growth and development in any society, so this energy strengthens a nation in its technological, social, and economic aspects. Temporary solutions in the operation as an implementation system and changes in the structure of the network system such as implementations are measures of execution to increase the energy demand. It is in this context that the Electric Companies present a contribution to the action of regional interconnection systems. To remedy this energy planning, investment, and proposals to supply the energy shortage are essential. In the literature there is not much information related to the prediction of multinodal electrical loads, this system benefits different levels of systems, for example, the bus. Published articles with excellent results have exposed the short-term prediction of electrical charges necessary for decision making among the prominent prediction techniques, artificial neural networks have presented significant answers regarding their relevant capacity and speed in learning. In this survey, two methodologies are proposed: a study to predict multinodal loads, using one of the neural networks of the Adaptive Resonance Theory family entitled ARTMAP Euclidean with Reverse Training, with the new formulation and innovation for training data during simulations and with the same historical database of this research, a new strategy was inserted in order to favor the best winning neuron through clustering in the operation of the Manhattan distance equation, baptized with the name of ARTMAP Manhattan, a network equivalent to the architecture of the ARTMAP Euclidean neural network aiming to improve multinodal predictions in Direct Training. The performance measures to evaluate the proposals of this work were MAPE, Maximum Error, Minimum Error, MAE, RMSE, and the graphs show that the methodology of the ARTMAP Euclidean neural network with Reverse Training has acceptable use and the ARTMAP Manhattan neural network achieves efficient results compared to Direct Training for nodal loads predictions.