Aplicação de algoritmos inteligentes para previsão de carga no curto prazo em sistemas de distribuição

Abstract

Este trabalho tem como objetivo obter modelos para previsão da curva de carga no horizonte de curto prazo, considerando medições de potência em transformadores de força instalados nas subestações de distribuição. Para tanto, foram examinadas variáveis ditas relevantes, como potência ativa e fatores climáticos das regiões em que esses transformadores se encontram, mais especificamente Santa Maria e São Leopoldo. Para isso, foram analisados modelos da área afim de ressaltar vantagens e desvantagens de cada trabalho e, em seguida, construir a metodologia de modelos em Aprendizado de Máquina. Utilizou-se então quatro modelos computacionais, Regressão de Vetores de Suporte, Árvore de Decisão, Florestas de Decisão Aleatória e Memória de Longo e Curto Prazo, construídos em Python. Os resultados encontrados no trabalho foram obtidos segundo comparações entre dados reais e dados previstos de potência ativa levando em conta métodos estatísticos de cálculos de erros e correlação entre as variáveis com a intenção de tornar os modelos mais exatos, diminuindo assim os erros encontrados. Por fim, é discutida a viabilidade de tais modelos para a previsão de carga, fontes de erros e possíveis melhoras na implementação dos modelos para trabalhos futuros.

The present paper aims to develop prediction models to forecast the load of power transformers for a short period of time located in the substations in question with the help of computational tools. In this matter, it’s analysed important variables, active power and weather factors, where those transformers are located, more precisely Santa Maria and São Leopoldo. The models created by important authors are analysed to raise the advantages and disadvantages of each work so it’s possible to develop the methodology of the models in Machine Learning. This paper uses four models, Support Vector Regression, Decision Tree, Random Forest and Long Short Term Memory, made in Python language. The results found are obtained comparing the real active power data with the predicted active power data taking into account statistical methods to calculate the errors and the correlations between the variables. Lastly, it’s discussed the viability of those models to predict power loads, the common founts of errors and possible improvements in the models for future works.