PREVISÃO DE CARGA EM SISTEMAS ELÉTRICOS DE POTÊNCIA POR REDES NEURAIS

Esta dissertação investiga a utilização de Redes Neurais Artificiais (RNAs) na área de previsão de carga elétrica. Nesta investigação foram utilizados dados reais de energia relativos ao sistema elétrico brasileiro. O trabalho consiste de quatro partes principais: um estudo sobre o problema de previsão de carga no contexto de sistemas elétricos de potência; o estudo e a modelagem das RNAs para previsão de carga; o desenvolvimento do ambiente de simulação; e o estudo de casos. O estudo sobre o problema de previsão de carga envolveu uma investigação sobre a importância da previsão de demanda de energia na área de sistemas elétricos de potência. Enfatizou-se a classificação dos diversos tipos de previsão de acordo com o seu horizonte, curto e longo prazo, bem como a análise das variáveis mais relevantes para a modelagem da carga elétrica. O estudo também consistiu da análise de vários projetos na área de previsão de carga, apresentando as metodologias mais utilizadas. O estudo e a modelagem de RNAs na previsão de carga envolveu um extenso estudo bibliográfico de diversas metodologias. Foram estudadas as arquiteturas e os algoritmos de aprendizado mais empregados. Constatou-se uma predominância da utilização do algoritmo de retropropagação (Backpropagation) nas aplicações de previsão de carga elétrica horária para curto prazo. A partir desse estudo, e utilizando o algoritmo de retropropagação, foram propostas diversas arquiteturas de RNAs de acordo com o tipo de previsão desejada. O desenvolvimento do ambiente de simulação foi implementado em linguagem C em estações de trabalho SUN. O pacote computacional engloba basicamente 3 módulos: um módulo de pré-processamento da série de carga para preparar os dados de entrada; um módulo de treinamento da Rede Neural para o aprendizado do comportamento da série; e um módulo de execução da Rede Neural para a previsão dos valores futuros da série. A construção de uma interface amigável para a execução do sistema de previsão, bem como a obtenção de um sistema portátil foram as metas principais para o desenvolvimento do simulador. O estudo de casos consistiu de um conjunto de implementações com o objetivo de testar o desempenho de um sistema de previsão baseado em Redes Neurais para dois horizontes distintos: previsão horária e previsão mensal. No primeiro caso, foram utilizados dados de energia da CEMIG (Estado de Minas Gerais) e LIGHT (Estado do Rio de Janeiro). No segundo caso, foram utilizados dados de energia de 32 companhias do setor elétrico brasileiro. Destaca-se que a previsão mensal faz parte de um projeto de interesse da ELETROBRÁS, contratado pelo CEPEL. Para ambos os casos, investigou-se a influência do horizonte de previsão e da época do ano no desempenho do sistema de previsão. Além disso, foram estudadas as variações do desempenho das Redes Neurais de acordo com a empresa de energia elétrica utilizada. A avaliação do desempenho foi feita através da análise das seguintes estatísticas de erro: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) e U de Theil. O desempenho das RNAs foi comparado com o de outras técnicas de previsão, como os métodos de Holt-Winters e Box & Jenkins, obtendo-se resultados, em muitos casos, superiores.This dissertation investigates the application of Artificial Neural Networks (ANNs) in load forecasting. In this work we have used real load data from the Brazilian electrical system. The dissertation is divided in four main topics: a study of the importance of load forecasting to electric power systems; the investigation of the ANN modeling to this particular problem; the development of a neuro-simulador; and the case studies. It has been made an investigation of the objectives of load forecasting to power systems. The different kinds of load forecasting have been classified according to the leading time of the prediction (short and long term). The more important variables to model electric load were also investigated. This study analyses many projects in the area of load forecasting and presents the techniques that have been traditionally used to treat the problem. The ANNs modeling to load forecasting involved a deep investigation of works that have been published. The ANNs architectures and learning algorithms more commonly used were studied. It has been verified that the Backpropagation algorithm was the more commoly applied in the problem (particularly, in the problem of short term hourly load forecasting). Based on this investigation and using the backpropagation algorithm, many Neural Networks architetures were proposed according to the desired type of forecasting. The development of the neuro-simulator has been made in C language, using SUN workstations. The software is divided in 3 modules: a load series pre-processing module, to prepare the input data; a training module to the load series behavior learning; and an execution module, in which the Neural Network will perform the predictions. The development of a friendly interface to the forecasting system execution and the portability of the system were main goals during the simulator development. The case studies involved testing the system performance for 2 cases: hourly and monthly predictions. In the first case, load data from CEMING (State of Minas Gerais) and LIGHT (State of Rio de Janeiro) has been used. In the second case load data from 32 companies of the Brazilian electrical system has been used. Monthly load forecasting is involved in a project of interest of two companies of the electric sector in Brazil: CEPEL and ELETROBRÁS. In both cases, influences of the forecasting horizon and of the period of the year in the system´s performance has been investigated. Besides, the changes in the forecasting performance according to the particular electric company were also studied. The performance evaluation has been done through the analysis of the following error figures: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) and Theil´s U. The ANN performance was also compared with the performance of other techniques, like Holt-Winteres and Box-Jenkins, giving better results in many cases