Dissertação

Electrical load, wind speed and power forecasting with feed-forward neural networks EVALUATED

A transição energética para fontes renováveis de energia e a tendência a eletrificação da sociedade vêm impondo um enorme desafio à operação do sistema elétrico devido ao aumento da complexidade, da variabilidade e das incertezas associadas a essas transformações. Os avanços recentes das tecnologias computacionais permitem o desenvolvimento de algoritmos sofisticados, eficientes e que conseguem processar uma grande quantidade de dados rapidamente. Nesse sentido, o uso de modelos de aprendizagem automática vem ganhando cada vez mais atenção do setor elétrico, uma vez que podem fornecer previsões precisas sobre o comportamento do sistema e auxiliar todas as partes interessadas a optimizar as suas atividades. O objetivo deste trabalho é desenvolver uma metodologia para melhorar as previsões de consumo de energia elétrica e da velocidade do vento geradas por um modelo de aprendizagem automática, nomeadamente, uma rede neuronal feed-forward (FFNN), incorporando uma etapa de correção dos erros de previsão, a qual envolve a estimação dos erros iniciais por meio de outra FFNN. Os resultados demonstraram que a metodologia proposta foi capaz de melhorar significativamente as previsões do consumo de energia elétrica em relação aos modelos de referência, enquanto, para as previsões da velocidade do vento, nenhuma diferença de desempenho notável foi observada. Por fim, estimativas da potência eólica gerada foram feitas a partir das previsões de vento e de uma curva de potência modelada com auxílio de um método de agregação. Os resultados obtidos pela metodologia proposta foram mais precisos do que os que utilizaram as previsões do modelo de referência.
Aprendizagem automática, Consumo de energia elétrica, Produção eólica, Previsões, Rede Neuronais, Velocidade do vento.

outubro 22, 2021, 10:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Tiago Manuel Pinto

Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD)

Investigador Auxiliar

ORIENTADOR

Hugo Gabriel Valente Morais

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar