Previsão de demanda a médio prazo aplicada em dados reais do sistema de distribuição: uma comparação entre RNA e Lógica Fuzzy

Romero Álamo Oliveira de Medeiros

Universidade Federal da Paraíba (UFPB) Brasil

Bruno Golzio Navarro Winkeler

Universidade Federal da Paraíba (UFPB) Brasil

Juan Moisés Maurício Villanueva

ORCID iD Universidade Federal da Paraíba (UFPB) Brasil

Yuri Percy Molina Rodriguez

ORCID iD Universidade Federal da Paraíba (UFPB) Brasil

Euler Cássio Tavares de Macedo

ORCID iD Universidade Federal da Paraíba (UFPB) Brasil

Helon David de Macedo

ORCID iD Universidade Federal da Paraíba (UFPB) Brasil

Resumo

A previsão de demanda é uma importante ferramenta de apoio à decisão no planejamento de sistemas de energia, fornecendo informações necessárias para que os especialistas do setor elétrico possam alocar os recursos disponíveis. Métodos baseados em inteligência computacional vêm sendo utilizados para previsão há mais de vinte anos. As Redes Neurais Artificiais (RNA) e a Lógica Fuzzy estão entre as técnicas mais utilizadas. Neste trabalho, foram desenvolvidos dois sistemas de previsão de demanda para uma subestação real, por meio de uma RNA e um sistema de inferência Fuzzy. O caso estudado foi a subestação de Itaporanga, localizada na Paraíba/Brasil, e os valores de potência ativa entre os anos de 2008 e 2013, obtidos por meio de medições de um sistema de aquisição e monitoramento de dados (SCADA), que formaram os dados das séries temporais.

Palavras-chave


Previsão de demanda a médio prazo; Inteligência computacional; Lógica Fuzzy; Redes Neurais Artificiais


Texto completo:

Referências


ALTROCK, C. V. Fuzzy Logic and NeuroFuzzy Applications Explained. Prentice-Hall PTR, 1995.

ANTHONY, M. Discrete Mathematics of Neural Networks: Selected Topics. SIAM, 2001.

AQUINO, R. G. H. De. et al. Wind forecasting and wind power generation: Looking for the best model based on artificial intelligence, Neural Networks (IJCNN). In: THE 2012 INTERNATIONAL JOINT CONFERENCE ON.

BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time Series Analysis: Forecasting and Control. 4. ed. N.J: Wiley, 2008.

CARMONA, D. et al. Electric energy demand forecasting with neural networks IECON 02 [Industrial Electronics Society. In: IEEE ANNUAL

CONFERENCE OF THE. IECON 02, 2002, p. 28.

CHARYTONIUK, W.; CHEN, M. S. Neural network design for short-term load forecasting International Conference on Electric Utility Deregulation and Restructuring and Power Technologies, 2000. Proceedings... DRPT, 2000.

CHARYTONIUK, W.; CHEN, M.S. Very shortterm load forecasting using artificial neural networks. IEEE Transactions on Power Systems, v. 15, n. 1, p. 263-268, fev. 2000b.

COX, E. The Fuzzy Systems Handbook: A Practitioner's Guide to Building, Using, and Maintaining Fuzzy Systems, AP Professiona, 1994.

FRANCO JUNIOR, E. F. Modelo para previsão de demanda ativa usando RNA. Dissertação (Mestrado em Engenharia Elétrica) – Faculdade de Enganharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas-SP, 2013.

GHANBARI, A.; HADAVANDI, E.; ABBASIANNAGHNEH, S. Comparison of Artificial Intelligence Based Techniques for Short Term Load Forecasting, Business Intelligence and Financial Engineering (BIFE), 2010. In: INTERNATIONAL CONFERENCE ON, 3., 2010.

GHIASSI, M.; ZIMBRA, D.; SAIDANE, H. Medium term system load forecasting with a dynamic artificial neural network model. Electric Power Systems Research, v. 76, n. 5, p. 302-316, 2006.

GUIRELLI, C. R. Previsão da carga de curto prazo de áreas elétricas através de técnicas de inteligência artificial. Tese (Doutor em Engenharia) – Universidade de São Paulo, 2006.

KNOWLEDGE SEEKER'S BLOG; Disponível em: http://timkienthuc.blogspot.com.br/2012_04_01_archive.html. Acesso em dez. 2016.

HAYKIN, S. S. Redes Neurais - Principios e Prática. 2. ed. Porto Alegre: Bookman, 2001.

MAKRIDAKIS, S.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting: Methods and Applications. 3. ed. John Wiley & Sons, 1998.

MENDEL, J. M. Fuzzy Logic Systems for Engineering: A Tutorial. Proc. of the IEEE, v. 83, n. 3, 1995.

PARK, D. C. et al. Electric load forecasting using an artificial neural network. IEEE Transactions on Power Systems, v. 6, n. 2, p. 442-49, may. 1991.

RIEDMILLER, M.; BRAUN, H. A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm. In: IEEE '93 INTERNATIONAL CONFERENCE ON NEURAL NETWORKS.

ROSENBLATT, F. The Perceptron: A Probabilistic Model for Information Storage & Organization in the Brain. Psychological Review, v. 65, n. 6, p. 386-408, 1958.


DOI: http://dx.doi.org/10.18265/1517-03062015v1n31p75-85

O arquivo PDF selecionado deve ser carregado no navegador caso tenha instalado um plugin de leitura de arquivos PDF (por exemplo, uma versão atual do Adobe Acrobat Reader).

Como alternativa, pode-se baixar o arquivo PDF para o computador, de onde poderá abrí-lo com o leitor PDF de sua preferência. Para baixar o PDF, clique no link abaixo.

Caso deseje mais informações sobre como imprimir, salvar e trabalhar com PDFs, a Highwire Press oferece uma página de Perguntas Frequentes sobre PDFs bastante útil.

Download do PDF
Imprimir artigo
Exibir metadados
Como citar este documento

Visitas a este artigo: 2935

Total de downloads do artigo: 1790