Name: | Description: | Size: | Format: | |
---|---|---|---|---|
3.45 MB | Adobe PDF |
Authors
Abstract(s)
Com as recentes preocupações em reduzir consumos, emissões poluentes e custos
associados à produção de energia elétrica, o papel das empresas operadoras tem-se
tornado de extrema importância no ponto de vista da gestão e utilização dos recursos de
forma otimizada, para fazer face à crescente procura de energia.
Contudo, para que seja possível diminuir custos operacionais é necessário conhecer
previamente o consumo de energia elétrica para uma determinada hora, semana ou mês.
Com base nos dados obtidos, será possível colocar em funcionamento as unidades de
produção de energia mais económicas, tornando clara a importância da utilização de
modelos e técnicas que permitam reduzir os erros associados à previsão dos consumos.
O principal objetivo deste trabalho passa pelo estudo do impacto económico originado
pelos erros de previsão, através da aplicação de métodos e técnicas de previsão de
consumos. Estas técnicas permitem reduzir o erro associado à diferença entre a energia
prevista e a energia que foi efetivamente consumida. Como retorno irá possibilitar uma
melhoria das condições de operacionalidade e funcionamento do sistema elétrico.Foram
utilizados três métodos, o primeiro baseado em modelos estatísticos clássicos, a
regressão linear múltipla, e dois métodos baseados em inteligência artificial, as redes
neuronais artificiais e as máquinas de suporte vetorial.
A amostra utilizada é relativa à Subestação de Andrinos, com saída para Pombal,
constituída por uma linha de 30kV na zona de Leiria. Os resultados obtidos para uma
previsão a uma semana são bastante promissores e apelativos, principalmente ao nível
da combinação de métodos de previsão com um erro médio absoluto percentual (MAPE)
de 5,95%. Para uma utilização isolada de cada método, os erros MAPE oscilam entre
6,05% e 7,71%. Em termos de avaliação económica, as penalizações variam entre
8667,7€ e 10424€ para cada método isoladamente e de 8532,2€ pela combinação dos
vários métodos.
Description
Keywords
Impacto económico dos erros de previsão Redes neuronais Regressão linear múltipla Máquinas de suporte vetorial