FenixEdu™

Dissertação

{pt_PT=Electrical load, wind speed and power forecasting with feed-forward neural networks} {} EVALUATED

Detalhes: {pt=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., en=The energy transition to renewable energy sources and the trend towards electrification of society have been imposing a tremendous challenge to the operation of the electrical system due to the increase in complexity, variability and uncertainties associated with these changes. The recent advances in computational technologies allow the development of sophisticated and efficient algorithms that can process a large amount of data in a very fast pace. In this sense, the use of machine learning (ML) models has been gaining increased attention from the electricity sector, as they can provide accurate predictions of the system behavior and help all the stakeholders to optimize their activities. The aim of this work is to develop a methodology to enhance the load demand and the wind speed forecasts generated by a ML model, namely, a feed-forward neural network (FFNN), by incorporating a forecasting error correction step which involves the prediction of the initial errors by another FFNN. The results showed that the proposed methodology was able to significantly improve the load demand forecasts in comparison with the reference models while, for the wind speed forecasts, any notable performance difference was verified. In addition to that, estimates of the generated wind power were made using the wind speed forecasts and a power curve modeled with the aid of a clustering method. The results obtained with the proposed methodology were more accurate than those that used the predictions of the reference model.}
Keywords: {pt=Aprendizagem automática, Consumo de energia elétrica, Produção eólica, Previsões, Rede Neuronais, Velocidade do vento., en=Feed-forward neural networks, Forecasting, Load demand, Machine Learning, Wind power, Wind speed.}

Discussão: outubro 22, 2021, 10:0