Please use this identifier to cite or link to this item: http://dspace.unipampa.edu.br:8080/jspui/handle/riu/971
metadata.dc.type: Trabalho de Conclusão de Curso
Title: Um modelo híbrido-adaptativo para previsão de demanda de energia elétrica baseada em técnicas de inteligência artificial
Authors: Silva, Carlos Vinicius Machado
metadata.dc.creator: Silva, Carlos Vinicius Machado
metadata.dc.contributor.advisor1: Sperandio, Mauricio
metadata.dc.description.resumo: Entre os desafios das empresas do setor elétrico de potência está o de manter a qualidade e a continuidade no fornecimento de energia elétrica. Para tanto, torna-se necessária a realização de estudos e o desenvolvimento de procedimentos e metodologias para otimizar e aprimorar os serviços prestados por estas empresas. Apresenta-se como uma dessas necessidades o conhecimento da demanda energética em estados futuros, que auxilia operadores, engenheiros e gestores na tomada de decisões. Nesse contexto, um modelo previsor de demanda de energia elétrica, tendo o curtíssimo prazo como horizonte de projeção e considerando a influência de variáveis climáticas, propicia e embasa as decisões da empresa onde é utilizado. Também pode permitir a identificação de possíveis situações de risco de operação do sistema. Para construção do modelo citado, pode-se empregar mais de uma técnica de inteligência artificial, além de contar com o auxílio de métodos probabilísticos, elaborando-se um modelo híbrido-adaptativo. Esse modelo previsor configura seus próprios parâmetros a fim de aprimorar o método, ajustando-se a diferentes cenários, minimizando a diferença entre o valor de demanda prevista e o valor real medido. Para tanto, utilizou-se mapas auto-organizáveis, que permitem a criação de um modelo probabilístico, conhecido como Cadeia de Markov, a partir dos dados históricos de variáveis climáticas. Também se agregaram técnicas de algoritmos genéticos para tornar a metodologia proposta adaptável a diferentes cenários, permitindo a definição dos parâmetros de entrada. As pesquisas que originaram este trabalho foram aplicadas em uma concessionária de energia elétrica do Rio Grande do Sul, interessada em realizar a previsão de demanda energética, considerando o curtíssimo prazo como horizonte de projeção. Assim, apresenta-se um método confiável e robusto na tomada de decisões, auxiliando o planejamento e trazendo benefícios econômicos, devido ao fato de propiciar dados confiáveis para os gestores.
Abstract: Among the challenges of electrical power sector companies, there is a need to maintain the quality and continuity on electrical power supply. For that, these companies must perform studies and develop procedures and methodologies to optimize and improve services rendered by them. One of these needs is the knowledge of power demand on future states, which helps operators, engineers, and decision-making managers. In this context, a redicting model of electrical power demand, having a very short term as the projection horizon and considering the influence of climate variables, contributes and supports decisions on the company where it is used. It may also allow identifying possible risk situations while operating the system. To build the previously cited model, companies may use more than one artificial intelligence technique, and also count on probabilistic methods, thus developing a hybrid-adaptive model. This predicting model configures its own parameters, in order to improve the method, adjusting itself to different scenarios, minimizing the difference between the value of the estimated demand and the real measured value. For this, we used self-organizing maps, which allow the creation of a probabilistic model, also known as Markov Chain, based on historical data from climate variables. We also added genetic algorithm techniques to make the proposed methodology adaptive to different scenarios, allowing the definition of input parameters. The research originating this work was applied on a power supplier company in Rio Grande do Sul, Brasil, which was interested in performing a power demand prediction, considering a very short term as its projection horizon. Thus, this method is reliable and robust for decision making, and helps on planning and brings economic benefits, since it provides reliable data for decision makers.
Keywords: Electrical engineering
Electricity
Artificial intelligence
Genetic algorithms
Energy demand
Publisher: Universidade Federal do Pampa
metadata.dc.rights: Attribution-NonCommercial-NoDerivs 3.0 Brazil
metadata.dc.rights.uri: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI: http://hdl.handle.net/riu/971
Issue Date: 22-Jun-2011
Appears in Collections:Engenharia Elétrica



This item is licensed under a Creative Commons License Creative Commons