Dissertação
{pt_PT=Aprendizagem automática para previsão de perdas na rede nacional de transporte de energia eléctrica } {} EVALUATED
{pt=Esta dissertação surge como resposta ao desafio lançado pela REN de melhorar a previsão de perdas na rede de muito alta tensão a uma distância temporal de dois dias. Neste momento, o método de previsão de perdas utilizado é uma percentagem da carga na rede, método puramente empírico, que não tem em conta muito outros factores que condicionam o valor real de perdas. Os dados disponíveis diariamente para calcular os valores pretendidos são as previsões de geração e carga para o dia desejado (neste caso, dois dias após o presente dia). Começou-se por dividir o país em várias regiões clusters de modo a criar nós com um saldo líquido de potência activa (geração menos carga). Posteriormente, foi implementado um sistema de regressão linear múltipla que regride as previsões de geração e carga (organizadas em clusters sobre o histórico destes dados e respectivas perdas. Estes dados estão presentes nos registos da REN}. Depois deste ponto de partida, retiraram-se os clusters e foi feita uma análise sem clusters. Por fim, após a comparação entre vários números de clusters e diferentes organizações dos mesmos, ficou o maior número de clusters possíveis, de modo a manter uma maior sensibilidade na previsão. Os resultados finais demonstram que o algoritmo segue a curva de perdas com bastante proximidade, obtendo-se resultados para o coeficiente de determinação de 0.9679 para uma amostra de um ano, ou seja, com 17.520 pontos. , en=This dissertation comes in response to the challenge launched by REN to improve the prediction of losses in the very high voltage network over a two-day timeframe. At this time, the used loss forecasting method is a percentage of the load on the network, a purely empirical method, which does not take into account other factors affecting the actual value of losses. The daily available data to calculate the desired values are the generation and load forecasts for the desired day (in this case, two days after the present day). It all started by dividing the country into several regions (clusters) to create nodes with a net balance of active power (generation minus load). Subsequently, a multiple linear regression system was implemented that regresses the generation and load forecasts (organized in clusters) onto historical load data and corresponding losses. This data is in REN's records. After this starting point, the clusters were removed and a clusterless analysis was performed. Finally, after comparing various numbers of clusters and their different organizations, the largest possible number of clusters was kept in order to maintain greater sensitivity in the forecast. The final results demonstrate that the algorithm follows the loss curve very closely, where it is obtained a determination coefficient of 0.9679 for a year sample, which means 17.520 points.}
novembro 22, 2019, 15:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Pedro Manuel Santos de Carvalho
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
