Made available in DSpace on 2014-06-12T17:34:56Z (GMT). No. of bitstreams: 2 arquivo2536_1.pdf: 2208706 bytes, checksum: 8de8746be2eb21264b1dec79e1932796 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho tem como objetivo o desenvolvimento e a aplicação de ferramentas de Inteligência Artificial como Redes Neurais Artificiais, Algoritmos Genéticos e Regras Heurísticas para solucionar problemas de planejamento da operação energética de sistemas de geração de energia elétrica compreendendo hidrelétricas, termelétricas, e parque eólico. A formulação escolhida para solucionar o problema agrega a operação dos reservatórios das hidrelétricas dando como dados de referência ao problema os volumes iniciais e os volumes finais. Esta formulação envolve problemas de grande porte, cujo tamanho varia de acordo com o horizonte de estudo e o detalhamento do sistema gerador. As Rede Neurais Artificiais recorrentes são conhecidas como eficientes ferramentas de otimização para solucionar problemas de programação linear e quadrática, além de apresentar um grande potencial para implementação em hardware do tipo Very- Large-Scale Integration, na qual pode ser mais eficiente do que as técnicas tradicionais de otimização. Os Algoritmos Genéticos também formam outras ferramentas de otimização que vêm sendo estudadas nos últimos anos. Além dessas duas ferramentas podem ser produzidas regras heurísticas para acelerar e melhorar a convergência destes métodos. As técnicas de Inteligência Artificial implementadas foram aplicadas ao despacho econômico de geração do sistema interligado CHESF-ELETRONORTE, para o qual foram obtidos a solução otimizada da operação, os custos marginais de geração e o valor da água associado com cada hidrelétrica

[pt] O Brasil vem registrando a cada ano um crescimento expressivo no número de conexões de geração distribuída na rede de distribuição devido à concessão de incentivos governamentais que permitiu a difusão do uso de placas solares fotovoltaicas, fonte de geração de energia mais usada na geração distribuída no Brasil. Em sistemas elétricos com alta penetração de fontes intermitentes a previsão do comportamento da curva de carga tende a representar um grande desafio para os operadores do sistema devido à imprevisibilidade associada à geração de energia, podendo impactar diretamente no planejamento e operação da rede elétrica. Para lidar com esse desafio, este trabalho propõe uma metodologia de previsão de carga usando redes neurais recorrentes com arquitetura LSTM, considerando o impacto da mini e microgeração distribuída solar fotovoltaica conectada à rede de distribuição brasileira. São feitas previsões de carga do Sistema Interligado Nacional brasileiro e dos subsistemas que o integram, levando em conta um horizonte de curto prazo, de 24 horas, em intervalos horários, e um horizonte de médio prazo, de 60 meses, em intervalos mensais. Os resultados indicam que a metodologia pode ser uma ferramenta eficiente para a obtenção de previsões de carga podendo ser utilizada também para horizontes de previsão distintos dos apresentados neste trabalho. O MAPE encontrado para as previsões de curto prazo não passam de 2 por cento e para as previsões de médio prazo não passam de 3,5 por cento. / [en] Every year, Brazil has been registering a significant growth in the number of distributed generation connections in the distribution grid due to the granting of government incentives that allowed the use of solar photovoltaic panels to spread, the most used source of energy in distributed generation in Brazil. In electrical systems with high penetration of intermittent sources, the prediction of the behavior of the load curve tends to represent a great challenge for system operators due to the unpredictability associated with power generation, which can directly impact the planning and operation of the electrical grid. To deal with this challenge, this work proposes a load forecasting methodology using recurrent neural networks with LSTM architecture, considering the impact of the distributed photovoltaic solar generation connected to the Brazilian distribution grid. Load forecasts are made for the Brazilian National Interconnected System and for the subsystems that integrate it, taking into account a short-term horizon, of 24 hours, in hourly intervals, and a medium-term horizon, of 60 months, in monthly intervals. The results indicate that the methodology can be an efficient tool for obtaining load forecasts and can also be used for different forecast horizons than those presented in this work. The MAPE found for short-term forecasts is no more than 2 percent and for medium-term forecasts, no more than 3.5 percent.