No abstract

presente trabalho tem o objetivo de realizar uma previsão de geração fotovoltaica para a cidade de Garibaldi, Rio Grande do Sul, para um horizonte de seis meses a frente, por meio da modelagem de uma rede neural artificial. Os dados de entrada desta rede são compostos por conjuntos de dados históricos climáticos em complemento a um conjunto de dados históricos de geração solar fotovoltaica que serão usados como alvos. A classificação das variáveis de entrada é realizada por meio da regressão stepwise, que elenca as variáveis com maior relação com a resposta. A modelagem conta com o auxílio do software numérico Matlab, para a construção do algoritmo e a classificação dos dados. Para o treinamento desta rede neural artificial é empregado o método de aprendizado supervisionado deretropropagação do erro, utilizando a função de treinamento bayesian regularization, visando reduzir o erro da previsão. A rede neural artificial com melhor desempenho atingiu um MAPE de 12,97 %. Também neste contexto são apresentadas as comparações de desempenho das redes neurais para diferentes horizontes, com resultados alcançados estando de acordo com os encontrados na literatura.

The forecast of demand for electric energy is often discussed in the literature, whether applied to a individual consumer or to a interconnected systems. Models are constructed based on historical data with the objective to describe the behavior of demand over a predetermined time horizon. In this work, the supervised machine learning method known as support vector machine is applied to develop a forecast model of demand for the campus of the Universidade de Caxias do Sul considering the medium term. The selection of the historical data that integrate the model is performed using the additive selection. For the determination of the parameters for the construction of the final model, the grid search method and genetic algorithm are used. The best model of this work presented a mean absolute percentage error of 5.72%, 4.26% inferior to the best model found in the literature. Resumo: A previsão de demanda de energia elétricaé bastante discutida na literatura, seja aplicadaà consumidores individuais ouà sistemas interligados. A partir de conjuntos de dados históricos são construídos modelos que tentam descrever o comportamento da demanda em um horizonte de tempo predeterminado. Neste trabalho, aplica-se o método de aprendizagem de máquina supervisionado conhecido como máquina de vetores de suporte, voltadaà regressão, para desenvolver um modelo de previsão de demanda para o campus sede da Universidade de Caxias do Sul a médio prazo. A seleção dos dados históricos que integram o modeloé realizada por meio de seleção aditiva e são empregados, na determinação dos parâmetros para a construção do modelo final, os métodos busca em grade e algoritmo genético. O melhor modelo deste trabalho, cujo erro percentual absoluto médio foi de 5,72%, distanciou-se em 4,26 % do melhor modelo encontrado na literatura.

Nos últimos anos fatores econômicos, ambientais e tecnológicos têm impulsionado a pesquisa em soluções energéticas que possam trazer mais eficiência, sustentabilidade e qualidade ao sistema elétrico. Assim, a geração distribuída fotovoltaica tem se mostrado uma alternativa ao mercado energético, já que estudos apontam que problemas causados pelas grandes distâncias das fontes geradoras às suas cargas e picos de demanda podem ser atenuados a partir desta tecnologia. Entretanto, parâmetros de qualidade de energia, como a tensão em regime permanente, precisam manter padrões considerados adequados pelos órgãos reguladores, mesmo com a introdução de sistemas fotovoltaicos no sistema, sem afetar o sistema de baixa ou de média tensão do sistema de distribuição. Em vista disso, este trabalho apresenta o comportamento da tensão ao longo do tempo de um sistema de distribuição operando em 13,8 kV, valor característico do grupo de consumidores A4 do estado do Rio Grande do Sul, a partir de cenários com diferentes números de conexão de sistemas de geração.