Método híbrido para previsão de carga inspirado em redes de mapas acoplados

Orientadora: Profa. Dra. Maria Teresinha Arns SteinerCoorientador: Prof. Dr. Alexandre Rasi AokiTese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa : Curitiba, 26/09/2014Inclui referências: p. 113-125Área de concentração: Programação MatemáticaResumo: As previsões de carga são foco de interesse por parte das operadoras do sistema e das concessionárias de energia elétrica, pois com base nessas projeções é feita a tomada de decisões no âmbito de planejamento, operação e controle de sistemas de potência, ressaltando sua importância técnica e econômica. Ao longo dos anos, diversos métodos têm sido desenvolvidos e aplicados ao problema de previsão, alguns inclusive utilizando variáveis externas que influenciam indiretamente no comportamento das cargas, porém normalmente não considerando a topologia do sistema. Para unir a previsão por barramento à topologia da rede elétrica podem-se aplicar conceitos de sistemas dinâmicos como a modelagem por redes de mapas acoplados, um modelo que abrange sistemas espacialmente extensos que possuam dinâmica no tempo e espaço. Ao se modelar um sistema de potência por meio desta técnica, faz-se necessário adicionar variáveis que especifiquem as características da rede, como as conexões entre as barras. Neste trabalho foi desenvolvido um método híbrido para previsão de carga inspirado nos conceitos de Redes de Mapas Acoplados. Neste método, são realizadas previsões individuais para as barras através de técnicas de previsão de séries temporais, cujos resultados são acoplados de forma a considerar a topologia do sistema. Para testar o método proposto foram utilizados dois sistemas teste com dados reais, um com 11 e o outro com 14 barras. Os resultados mostraram que para sistemas maiores e com melhor qualidade nos dados históricos, o acoplamento das previsões retorna menores erros de previsão. Em sistemas com maior quantidade de erros a estratégia de acoplamento é prejudicada, pois se perde a influência que as barras exercem umas sobre as outras. Outro resultado interessante foi que em todas as vezes que uma técnica apresenta erro maior que a média de erros obtida com todos os métodos de previsão o acoplamento traz benefícios e reduz o erro de previsão da barra. Palavras Chaves: Redes de Mapas Acoplados. Previsão de Carga. Sistemas Híbridos. Inteligência Artificial.Abstract: Load forecasting is an interesting task focused by system operators and power utilities because their results are the basis to the decision-making in power systems planning, operation and control. Over the years, several methods have been developed and applied to load forecasting problem, some of them use external variables which influence the loads behavior in an indirect way, but usually without considering the system topology. The characteristics of power grid can be added to load forecasting by applying dynamic systems theory, such as coupled map lattices, a model which includes spatially extended systems with time and space dynamic. When modeling a power system by this technique, it is necessary to add to the problem variables which specify network topology, such as connections between buses. In this work, it was developed a hybrid method for load forecast inspired by the concepts of coupled map lattices. In this method, first the forecast for the buses are performed by a technique of time series forecast. Then the results are coupled using system topology. This methodology was tested using two test systems, one with 11 buses and another with 14 buses, including real data series. The results showed that for larger and better quality of historical data systems, the coupling of forecasts returns smaller prediction errors. In systems with more problems the coupling is worse, because the influences between the buses are lost. Another interesting result was that at all times that the erros of a technique is higher than the mean of the others methods, the coupling is good and reduces the bus prediction error. Keywords: Coupled Map Lattices. Load Forecasting. Hybrid Systems. Artificial Intelligence