Methods for uncertainty quantification (UQ) and mitigation in the electrical power system are very basic, Monte Carlo (MC) method and its meta methods are generally deployed in most applications, due to its simplicity and easy to be generalised. They are adequate for a traditional power system when the load is predictable, and generation is controllable. However, the large penetration of low carbon technologies, such as solar panels, electric vehicles, and energy storage, has necessitated the needs for more comprehensive approaches to uncertainty as these technologies introduce new sources of uncertainties with larger volume and diverse characteristics, understanding source and consequences of uncertainty becomes highly complex issues. Traditional methods assume that for a given system it has a unique uncertainty characteristic, hence deal with the uncertainty of the system as a single component in applications. However, this view is no longer applicable in the new context as it neglects the important underlying information associated with individual uncertainty components. Therefore, this thesis aims at: i) systematically developing UQ methodologies to identify, discriminate, and quantify different uncertainty components (forward UQ), and critically to model and trace the associated sources independently (inverse UQ) to deliver new uncertainty information, such as, how uncertainty components generated from its sources, how uncertainty components correlate with each other and how uncertainty components propagate through system aggregation; ii) applying the new uncertainty information to further improve a range of fundamental power system applications from Load Forecasting (LF) to Energy Management System (EMS).In the EMS application, the proposed forward UQ methods enable the development of a decentralised system that is able to tap into the new uncertainty information concerning the correlations between load pattern across individual households, the characteristics of uncertainty components and their propagation through aggregation. The decentralised EMS was able to achieve peak and uncertainty reduction by 18% and 45% accordingly at the grid level. In the LF application, this thesis developed inverse UQ through a deep learning model to directly build the connection between uncertainty components and its corresponding sources. For Load Forecasting on expectation (point LF) and probability (probabilistic LF) and witnessed 20%/12% performance improvement compared to the state-of-the-art, such as Support Vector Regression (SVR), Autoregressive Integrated Moving Average (ARIMA), and Multiple Linear Quantile Regression (MLQR).

Hoje em dia, com a privatização e aumento da competitividade no mercado elétrico, as empresas precisam encontrar formas de melhorar a qualidade do serviço e garantir lucratividade. A previsão de carga de curto prazo é uma atividade indispensável à operação que pode melhorar a segurança e diminuir custos de geração. A fim de realizar a previsão da carga, é necessária a identificação de padrões de comportamento de consumo e da sua relação com variáveis exógenas ao sistema tais como condições climáticas. Originalmente o problema foi resolvido de forma matemática e estatística através de técnicas tais como as séries numéricas, que fornecem bons resultados, mas utilizam processos complexos e de difícil modelamento. O surgimento das técnicas de inteligência artificial forneceu uma nova ferramenta capaz de lidar com a grande massa de dados das cargas e inferir por si mesmo a relação entre as variáveis do sistema. Notadamente, as redes neurais e a lógica fuzzy se destacaram como as técnicas mais adequadas, sendo que já vem sendo estudadas e utilizadas para a previsão de carga a mais de 20 anos. Este trabalho apresenta uma metodologia para a previsão da curva de carga diária de áreas elétricas através do uso de técnicas de inteligência artificial, mais especificamente as redes neurais. Inicialmente são apresentadas as principais técnicas de previsão sendo dado maior detalhamento as redes neurais e a lógica fuzzy. É feita a análise dos dados necessários à previsão e seu tratamento. Em seguida, o processo do uso de redes neurais e lógica fuzzy na previsão é descrito e é apresentado o desenvolvimento e resultados obtidos com o desenvolvimento e implementação de um sistema de previsão com redes neurais na concessionária CTEEP Transmissão Paulista. Como contribuição dessa tese, a transformada Wavelet é analisada como ferramenta para a filtragem e compactação de dados na previsão com redes neurais. / Nowadays, with privatization of utility companies and increase in competition in the energy market, companies must increase their service quality and ensure profits. Short term load forecasting is essential for operation of power systems and can increases security and reduces generation costs. Forecasting the load demands the identification of load patterns and its relations with exogenous variables such as weather. Originally, the problem was solved using mathematics and statistics with techniques such as time series, which produces good results but are complex and have a difficult modeling. With the advent of artificial intelligence techniques, new tools capable of dealing with large amounts of data and learn by themselves system variables relations were available. Artificial neural networks and fuzzy logic came up as the most suitable for load forecasting that have been tested and used for load forecasting for the last 20 years. This work presents a methodology for daily load forecasting of electrical areas using artificial intelligence techniques, specifically neural networks. At first, forecasting techniques are presented with emphasis on neural networks and fuzzy logic. Acquisition and treatment of data are analyzed. The load forecasting using neural networks and fuzzy logic is described and the results of the development and tests of a load forecasting system at CTEEP Transmissão Paulista presented. As contribution of this thesis, Wavelet transform is analyzed as a tool for denoising and data compression for neural network load forecasting.

Made available in DSpace on 2014-06-11T19:30:50Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-11-27Bitstream added on 2014-06-13T19:47:13Z : No. of bitstreams: 1 altran_ab_dr_ilha.pdf: 733564 bytes, checksum: 382a61569b0f5da4ceb6a2f45c0815a4 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A previsão de carga, em sistemas de energia elétrica, constitui-se numa atividade de grande importância, tendo em vista que a maioria dos estudos realizados (fluxo de potência, despacho econômico, planejamento da expansão, compra e venda de energia, etc.) somente poderá ser efetivada se houver a disponibilidade de uma boa estimativa da carga a ser atendida. Deste modo, visando contribuir para que o planejamento e operação dos sistemas de energia elétrica ocorram de forma segura, confiável e econômica, foi desenvolvida uma metodologia para previsão de carga, a previsão multinodal, que pode ser entendida como um sistema inteligente que considera vários pontos da rede elétrica durante a realização da previsão. O sistema desenvolvido conta com o uso de uma rede neural artificial composta por vários módulos, sendo esta do tipo perceptron multicamadas, cujo treinamento é baseado no algoritmo retropropagação. Porém, foi realizada uma modificação na função de ativação da rede, em substituição à função usual, a função sigmoide, foram utilizadas as funções de base radial. Tal metodologia foi aplicada ao problema de previsão de cargas elétricas a curto-prazo (24 horas à frente) / Load forecasting in electric power systems is a very important activity due to several studies, e.g. power flow, economic dispatch, expansion planning, purchase and sale of energy that are extremely dependent on a good estimate of the load. Thus, contributing to a safe, reliable, economic and secure operation and planning this work is developed, which is an intelligent system for multinodal electric load forecasting considering several points of the network. The multinodal system is based on an artificial neural network composed of several modules. The neural network is a multilayer perceptron trained by backpropagation where the traditional sigmoide is substituted by radial basis functions. The methodology is applied to forecast loads 24 hours in advance

[pt] O objetivo principal desta dissertação é desenvolver um método de previsão de carga elétrica de curto prazo (previsão horária), através de um sistema híbrido (Redes Neurais e Lógica Fuzzy) utilizando temperaturas máximas e mínimas como variáveis explicativas. Como primeiro passo, foram definidos os perfis homogêneos das curvas de carga diárias através de um classificador utilizando os Mapas Auto Organizáveis (Self-Organizing Maps- SOM). Um previsor será adicionado ao esquema de previsão através da Lógica Fuzzy que associará as variáveis climáticas aos perfis criados pela SOM produzindo as previsões. O modelo foi aplicado em dados de duas concessionárias de energia elétrica do Brasil usando dados horários coletados durante dois anos. / [en] This dissertation presents a short-term load forecasting procedure mixing a classifier scheme and a predictive scheme. The classifier is implemented through an artificial neural network using a non-supervised learning procedure (SOM). Concerning the predictive scheme, a fuzzy logic procedure uses climatic variables and their prediction to choose the appropriate profiles created by SOM and then combines them to produce the desired forecast. The model is applied to two utilities in Brazil using hourly observations collected during two calendar years and the results obtained, in terms of mean absolute percentage error (MAPE) through the period analyzed, are presented.

Orientador: Anna Diva Plasencia Lotufo / Banca: Maria do Carmo Gomes da Silveira / Banca: Gelson da. Cruz Junior / Resumo: A previsão de carga, considerada essencial no planejamento da operação energética e nos estudos de ampliação e reforços da rede básica, assume importância estratégica na extensão comercial, valorizando os processos de armazenamento desses dados e da extração de conhecimentos através de técnicas computacionais. Nos últimos anos, diversos trabalhos foram publicados sobre sistemas de previsão de cargas (demanda) elétricas. Nos horizontes de curto, médio e longo prazo, os modelos neurais, estão entre os mais explorados. O objetivo deste trabalho é apresentar um sistema previsor de cargas elétricas de forma simples e eficiente através de sistemas baseados em redes neurais artificiais com treinamento realizado pelo algoritmo back-propagation. Para isto, optou-se pelo desenvolvimento de um software utilizando os paradigmas de programação orientada a objetos para criar um modelo neural de fácil manipulação, e que de certa forma, consiga corrigir o problema dos mínimos locais. Em geral, o sistema desenvolvido é capaz de atribuir os parâmetros da rede neural de forma automática através de processos exaustivos. Os resultados apresentados foram comparados utilizando outros trabalhos em que também se usaram-se os dados da mesma companhia elétrica. Este trabalho apresentou um ganho de desempenho bem satisfatório em relação a outros trabalhos encontrados na literatura para a mesma classe de problemas / Abstract: Load Forecasting is essential in planning and operation of power systems, in enlarging and reinforcing the basic network, is also very important commercially, valorizing the filing process of these data and extracting knowledge by computational techniques. Lately, several works have been published about electrical load forecasting. Short term, medium term and long term horizons are equally studied. The objective of this work is to present an electrical load forecasting system, which is simple and efficient and based on artificial neural networks whose training is with the back-propagation algorithm. Therefore, a software is developed using the paradigms of the object oriented programming technique to create a neural model which is ease to manipulate, and able to correct the local minimum problem. This system attributes the neural parameters automatically by exhaustive procedures. Results are compared with other works that have used the same data and this work presents a satisfactory performance when compared with those and others found in the literature / Mestre

[pt] Este trabalho apresenta um novo modelo de previsão de curto prazo de carga elétrica que reúne técnicas de inteligência computacional e métodos estatísticos. Ele permite aproveitar as vantagens de inteligência computacional, relativas à criação de classes da série de entrada e ao processamento de variáveis climáticas de forma lingüística, e aquelas provenientes de modelos estatísticos, onde os parâmetros e a ordem do modelo são conhecidos e o intervalo de confiança das previsões é determinado. O modelo é uma extensão do método desenvolvido por P.C. Gupta, onde são empregadas técnicas de inteligência computacional junto com o método original. O modelo resultante compreende um classificador, um previsor e um procedimento para aprimorar as estimativas. O classificador é implementado por uma rede neural artificial com aprendizado não-supervisionado, enquanto o previsor emprega modelos estatísticos, combinando métodos de média móvel, amortecimento exponencial e auto- regressivo. Um sistema com lógica nebulosa utiliza variáveis climáticas no aprimoramento da previsão obtida. / [en] A new short-term load forecasting procedure is presented in this work, mixing techniques from the statistical models and those from computational intelligence (CI). It takes advantage of the CI techniques to establish the various load profiles and to process climatic variables in a linguistic way, and those from the statistical side, where the parameters and the order of the model are known and a spread measure is determined. The model is an adaptation of the method developed by P.C.Gupta, where CI techniques are added to the original method. The final model includes a classifer scheme, a predictive scheme and a procedure to improve the estimations. The classifier is implemented via an artificial neural network using a non-supervised learning moving average, exponential smoothing and ARMA type of models. A fuzzy logic procedure uses climating variables to improve the forecast.

Made available in DSpace on 2014-06-11T19:22:32Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-11-26Bitstream added on 2014-06-13T19:28:04Z : No. of bitstreams: 1 campos_jr_me_ilha.pdf: 1235138 bytes, checksum: 9965ccc979ea59bf6f2a7e8558692b7b (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A previsão de carga, considerada essencial no planejamento da operação energética e nos estudos de ampliação e reforços da rede básica, assume importância estratégica na extensão comercial, valorizando os processos de armazenamento desses dados e da extração de conhecimentos através de técnicas computacionais. Nos últimos anos, diversos trabalhos foram publicados sobre sistemas de previsão de cargas (demanda) elétricas. Nos horizontes de curto, médio e longo prazo, os modelos neurais, estão entre os mais explorados. O objetivo deste trabalho é apresentar um sistema previsor de cargas elétricas de forma simples e eficiente através de sistemas baseados em redes neurais artificiais com treinamento realizado pelo algoritmo back-propagation. Para isto, optou-se pelo desenvolvimento de um software utilizando os paradigmas de programação orientada a objetos para criar um modelo neural de fácil manipulação, e que de certa forma, consiga corrigir o problema dos mínimos locais. Em geral, o sistema desenvolvido é capaz de atribuir os parâmetros da rede neural de forma automática através de processos exaustivos. Os resultados apresentados foram comparados utilizando outros trabalhos em que também se usaram-se os dados da mesma companhia elétrica. Este trabalho apresentou um ganho de desempenho bem satisfatório em relação a outros trabalhos encontrados na literatura para a mesma classe de problemas / Load Forecasting is essential in planning and operation of power systems, in enlarging and reinforcing the basic network, is also very important commercially, valorizing the filing process of these data and extracting knowledge by computational techniques. Lately, several works have been published about electrical load forecasting. Short term, medium term and long term horizons are equally studied. The objective of this work is to present an electrical load forecasting system, which is simple and efficient and based on artificial neural networks whose training is with the back-propagation algorithm. Therefore, a software is developed using the paradigms of the object oriented programming technique to create a neural model which is ease to manipulate, and able to correct the local minimum problem. This system attributes the neural parameters automatically by exhaustive procedures. Results are compared with other works that have used the same data and this work presents a satisfactory performance when compared with those and others found in the literature

Thesis submitted in fulfilment of the requirements for the degree Master of Technology: Discipline Electrical Engineering in the Faculty of Engineering at the Cape Peninsula University of Technology 2008 / Optimal daily operation of electric power generating plants is very essential for any power utility organization to reduce input costs and possibly the prices of electricity in general. For a fossil fuel – fired power plant for example, the benefits of power generation optimalization (i.e. generate what is reasonably required) extends even to environmental issues such as the subsequent reduction in air pollution. Now to generate “what is reasonably required” one needs forecast the future electricity demands. Because power generation relies heavily on the electricity demand, the consumers are also practically speaking required to wisely manage their loads to consolidate the power utility’s optimal power generation efforts. Thus, for both cases, accurate and reliable electric load forecasting systems are absolutely required. To date, there are numerous forecasting methods developed primarily for electric load forecasting. Some of these forecasting techniques are conventional and often less favoured. To get a broad picture of the problem at hand, a literature survey was first conducted to identify possible drawbacks of the existing forecasting techniques including the conventional one. Artificial neural networks (ANNs) approach for short-term load forecasting (STLF) has been recently proposed by a majority of researchers. But there still is a need to find optimal neural network structures or convenient training approach that would possibly improve the forecasting accuracy. This thesis developed models for STLF using ANNs approach. The evolved models are intended to be a basis for real forecasting application. These models are tested using actual load data of the Cape Peninsula University of Technology (CPUT) Bellville campus reticulation network and weather data to predict the load of the campus for one week in advance. The models were divided into two classes: first, forecasting the load for a whole week at once was evaluated, and then hourly models were studied. In both cases, the inclusion of weather data was considered. The test results showed that the hour-by-hour approach is more suitable and efficient for a forecasting application. The work suggests that incremental training approach of a neural network model should be implemented for on-line testing application to acquire a universal final view on its applicability. Keywords – power system operations, load forecasting, artificial neural networks, training mode, accuracy

Submitted by Miriam Lucas (miriam.lucas@unioeste.br) on 2017-09-04T14:16:18Z No. of bitstreams: 2 Diego_Dieferson_Apolinario_2013.pdf: 11159824 bytes, checksum: a7eb832c477da03385c667bc970781c1 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-09-04T14:16:18Z (GMT). No. of bitstreams: 2 Diego_Dieferson_Apolinario_2013.pdf: 11159824 bytes, checksum: a7eb832c477da03385c667bc970781c1 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2013-09-13 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The spatial electric load forescating aims to determine the sapatial and temporal distribution of the growth of electricity demand in the service area of a distribution utility. This information is vital to support the process of decision making in planning the expansion and operation of dostribution networks in the medium and long term. Currently there are many methodologies that can perform spatial load forecasting, among these cell models hace been the most widely used in recent years. Moreover, these models need to be calibrated with information concerning the data in the studied region and one of these information is the spatial rsolution. This work presents a partitioning method, using a divisive algorithm, to crate homogeneous grid cells for cellular models used in saptial electric load forecasting, and thereby determine a spatial resolution that allowa for proper display and inference from the obtained at ffeder ordistribution transformer levels. / A previsão espacial de demanda em sistemas de distribuição de energia elétrica visa determinar a distribuição espaço-temporal do crescimento da demanda de energia elétrica na área se serviço. Essa informação é de vital importância para apoiar o processo de tomada de decisões no planejamento da expansão e operação das redes de distribuição no médio e longo prazo. Atualmente existem muitas metodologias que permitem a previsão espacial de carga, dentre estas os modelos celulares tem sido os mais utilizados nos últimos anos. Além disso, estes modelos precisam ser calibrados com informações referentes aos dados da região em estudo, e uma dessas informações é a resolução espacial. Neste trabalho apresenta-se uma metodologia de particionamento, utilizando um algoritmo divisivo com a finalidade de criar quadrículas homogêneas para os modelos celulares utilizados na previsão espacial de carga, e desta forma determinar uma resolução espacial que permita uma aprpriada visualização e inferência dos resultados obtidos na previsão espacial de carga ao nivel de alimentador ou transformador de distribuição.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T13:24:53Z No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:39:48Z (GMT) No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Made available in DSpace on 2017-03-06T19:39:48Z (GMT). No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) Previous issue date: 2014-08-20 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle da produção em sistemas de energia elétrica. Como não é viável manter estoques de segurança para compensar demandas inesperadas, a programação da geração é baseada em previsões feitas com antecedência de algumas horas. Ao longo dos anos, muitos métodos foram testados para a resolução do problema. Dentre os mais populares estão os univariados, em que a demanda é escrita como uma função linear de seu comportamento histórico e prevista por técnicas estatísticas. Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear de variáveis climáticas, como a temperatura do ar, sobre o comportamento do consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência computacional, como as redes neurais artificiais. Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para serem percebidos. Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro. Para estes dados, mostramos que é possível obter, por meio de um simples previsor linear univariado (um modelo de curva de carga cuja componente-padrão é prevista pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos computacionais. / Short-term demand forecasts a are vital part of the production plan and control on electrical power systems. As it is not possible to keep large inventories to meet sudden demand increases, the generation scheduling is based on forecasts made for some hours ahead. Throughout the years, many methods have been proposed in order to solve the problem. Among the most popular are the univariate ones, on which the demand is written as a linear function of its historical behavior and forecast by statistical techniques. It is also common to use multivariate methods, which take into account also the nonlinear effects produced on the demand by weather-related variables, such as the air temperature. For this case, recent papers suggest the use of computational intelligence devices, such as artificial neural networks. Although some authors claim that multivariate methods must be considered, some others state that, on a short-run (lead-times up to a few hours), adding weather-related variables brings little benefits, because its effects might take a longer time to affect the demand. On this work, we experiment a large amount of univariate and multivariate methods aiming to compare its performance over a dataset from the city of Rio de Janeiro. For these data, we show that is possible to obtain, via a simple linear univariate method (a load curve model where the standard load is forecast by the Holt-Winters-Taylor smoothing), results that are close enough to those achieved by more complex techniques, but bringing the advantages of more robustness, parsimony and computational economy.