Uma vez que sistemas de inferência neuro-fuzzy adaptativos são aproximadores universais que podem ser usados em aplicações de aproximação de funções e de previsão, este trabalho tem por objetivo determinar seus melhores parâmetros e suas melhores arquiteturas com o propósito de se executar previsão de demanda de energia elétrica no curtíssimo prazo em subestações de distribuição. Isto pode possibilitar o desenvolvimento de controles automáticos de carga mais eficientes para sistemas elétricos de potência. As entradas do sistema são séries temporais de demanda de energia elétrica, compostas por dados mensurados em intervalos de cinco minutos ao longo de sete dias em subestações localizadas em cidades do interior do estado de São Paulo. Diversas configurações de entrada e diferentes arquiteturas foram examinadas para se fazer a previsão de um passo a frente. Os resultados do sistema de inferência neuro-fuzzy adaptativo frente às abordagens encontradas na literatura foram promissores. / Since adaptive neuro-fuzzy inference systems are universal approximators that can be used in functions approximation and forecasting applications, this work has the objective to determine their best parameters and best architectures with the purpose to execute very short term load forecasting in distribution substations. This can allow the development of more efficient load automatic control for power systems. The system inputs are load demand time series, which are composed of data measured at each five minutes interval, during seven days, from substations located in cities from São Paulo state countryside. Several input configurations and different architectures were examined to make a prediction aiming one step forecasting. The adaptive neuro-fuzzy inference system results in comparison with other approaches found in literature were promising.

Uma vez que sistemas de inferência neuro-fuzzy adaptativos são aproximadores universais que podem ser usados em aplicações de aproximação de funções e de previsão, este trabalho tem por objetivo determinar seus melhores parâmetros e suas melhores arquiteturas com o propósito de se executar previsão de demanda de energia elétrica no curtíssimo prazo em subestações de distribuição. Isto pode possibilitar o desenvolvimento de controles automáticos de carga mais eficientes para sistemas elétricos de potência. As entradas do sistema são séries temporais de demanda de energia elétrica, compostas por dados mensurados em intervalos de cinco minutos ao longo de sete dias em subestações localizadas em cidades do interior do estado de São Paulo. Diversas configurações de entrada e diferentes arquiteturas foram examinadas para se fazer a previsão de um passo a frente. Os resultados do sistema de inferência neuro-fuzzy adaptativo frente às abordagens encontradas na literatura foram promissores. / Since adaptive neuro-fuzzy inference systems are universal approximators that can be used in functions approximation and forecasting applications, this work has the objective to determine their best parameters and best architectures with the purpose to execute very short term load forecasting in distribution substations. This can allow the development of more efficient load automatic control for power systems. The system inputs are load demand time series, which are composed of data measured at each five minutes interval, during seven days, from substations located in cities from São Paulo state countryside. Several input configurations and different architectures were examined to make a prediction aiming one step forecasting. The adaptive neuro-fuzzy inference system results in comparison with other approaches found in literature were promising.

Submitted by Sandro Camargo (sandro.camargo@unipampa.edu.br) on 2015-05-09T18:11:33Z No. of bitstreams: 1 107110004.pdf: 2957226 bytes, checksum: b15ec66f6abfaa78dc10c29127881a4b (MD5) / Made available in DSpace on 2015-05-09T18:11:33Z (GMT). No. of bitstreams: 1 107110004.pdf: 2957226 bytes, checksum: b15ec66f6abfaa78dc10c29127881a4b (MD5) Previous issue date: 2012-06-29 / A previsão de carga é uma atividade de grande importância no Setor Elétrico, tendo em vista que a maioria dos estudos de planejamento e operação dos sistemas elétricos necessita de uma boa estimativa da carga a ser atendida. Na literatura encontram-se diversas metodologias para projeção de carga elétrica nos distintos horizontes de planejamento, porém limitadas a sistemas elétricos de médio e grande porte e poucas são as propostas de projeção de demanda no horizonte de curtíssimo prazo, principalmente para pequenas empresas do Setor Elétrico. O objetivo deste trabalho é apresentar uma metodologia inovadora de previsão de carga, a curtíssimo prazo, que considere as influências das condições climáticas e que possa auxiliar na programação do regime de operação de uma Pequena Central Hidrelétrica (PCH), principalmente em épocas de estiagem, quando a disponibilidade de água é restrita. A metodologia proposta envolve a criação de um modelo probabilístico discreto (cadeia de Markov) a partir da classificação dos dados históricos em um Mapa Auto-Organizável (SOM). Assim, é possível se estimar a probabilidade de um determinado nível de demanda acontecer dada uma condição climática atual, bem como o número de intervalos de tempo (horas) até que isso aconteça. Com estas informações é possível elaborar a melhor agenda de funcionamento da PCH de forma que a mesma esteja em funcionamento nos momentos em que a demanda atingir os valores máximos. O método proposto apresenta como diferencial em relação aos demais métodos existentes o fato de considerar a influência das variáveis climáticas (temperatura, umidade relativa do ar e velocidade do vento) para a previsão de demanda de energia elétrica no curtíssimo prazo, além de que os valores de entrada de demanda de energia e das variáveis climáticas (temperatura e umidade relativa do ar) são obtidos em tempo real, através de um sistema SCADA. Esta metodologia foi aplicada utilizando-se os dados reais de uma pequena concessionária de distribuição de energia elétrica do Rio Grande do Sul, mostrando resultados satisfatórios, suficientes para permitir a sua aplicação prática. / The electrical charge forecast is an activity of great importance in the Electricity Sector, considering that most studies of electrical systems planning and operation require a good estimative of the charge to be fulfilled. In books, there are various methodologies to have the electrical charge projection in different planning horizons, but limited to medium and large electrical systems. Furthermore, there are only a few demand projection proposals in the very short-term horizon, especially for small Electricity Sector companies. The aim of this paper is to present an innovative methodology in order to have the charge forecast, in a very short-term, which considers the climatic conditions influence and is able to assist the operation system programming of a Small Hydroelectric Power Plant, particularly in times of drought when water availability is restricted. The proposed methodology involves creating a discrete probabilistic pattern (Markov chain) from the historical data classification in a Self-Organizing Map (SOM). It is therefore possible to estimate the probability of reaching a certain demand level, taking the current climatic condition, as well as the periods of time (hours) until it happens. With this information it is possible to develop the best plant operation schedule so that it operates when the demand reaches its maximum numbers. The proposed method presents as differentials upon the other existing methods, the fact of considering the climatic variables influence (temperature, air humidity and wind speed) to forecast electricity demand in the very short-term, as well as the energy demand input values and climate variables obtainment (temperature and air humidity) in real time via a SCADA system. This methodology was applied using real data from a small electricity distribution plant in Rio Grande do Sul, showing satisfactory results, enough to allow their practical application.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Load forecasting is a very important activity on electric power system operation and planning, because many studies on electricity sector depend on future behavior of the system, requiring the electricity demand forecast for its realization. The very short-term load forecasting has a horizon of few minutes to a few hours and it seeks to translate more accurately the instantaneous profile of load. There are several factors that should be considered in forecasting methods, climatic variables have a major influence on demand trends in the very short term, therefore, they should be incorporated into the projection model. In Brazil, has been growing use of electricity production through the photovoltaic generation, so, for this feature to be used efficiently, energy produced by the solar panels forecast is a tool that contributes to this type of energy act reliably. The main objective of this work is to develop a methodology for load and solar power generation forecasting in the very short-term considering the influence the climatic variables. The methodology for load, wind and solar power generation forecasting considers the climatic variables: temperature, relative humidity, wind speed, solar radiation and atmospheric pressure. The study presents data load for a typical year of a substation of the metropolitan region of Rio Grande do Sul, analyzed with data from a weather station in the region. For calculate the solar power generation forecasting the method uses a model that considers the solar radiation and the temperature to calculate the power produced by the photovoltaic module. The method for the forecast was performed using Excel VBA tool, by grouping the load and climate variables data of history and is based on multiple linear regression. The projection algorithm was tested and compared computationally, based on actual data, presenting significant results, because as it is projected to hours ahead, the data is updated with the actual data every hour, reducing forecast errors, confirming that the considered climatic variables are very important to refine load and generation forecasting methods, essential for system planning. Compared to other existing methods, the proposed method stands out by the fact to consider climatic variables for the projection, and uses the methodology to perform the projection of solar power generation. / A previsão de carga é uma atividade de grande importância inserida na operação e no planejamento do sistema elétrico de potência, pois muitos estudos referentes ao setor elétrico dependem do comportamento futuro do sistema, sendo necessária a previsão de demanda de energia elétrica para sua realização. A previsão de demanda de eletricidade para curtíssimo prazo possui um horizonte de poucos minutos até algumas horas e ela procura traduzir com maior exatidão o perfil instantâneo da carga. Há vários fatores que devem ser considerados nos métodos de previsão, as variáveis climáticas apresentam grande influência na evolução de demanda no curtíssimo prazo, portanto, devem ser incorporadas no modelo de projeção. No Brasil, tem sido crescente a utilização da produção de energia elétrica através da geração fotovoltaica, sendo assim, para que esse recurso seja utilizado de forma eficiente, a previsão da energia produzida pelos painéis solares é uma ferramenta que contribui para que esse tipo de energia atue de forma confiável. O objetivo principal deste trabalho é o desenvolvimento de uma metodologia para previsão de carga e geração de energia solar para o horizonte de curtíssimo prazo, considerando a influência das variáveis climáticas. A metodologia para previsão de carga e geração de energia solar considera as variáveis climáticas: temperatura ambiente, umidade relativa do ar, velocidade do vento, radiação solar e pressão atmosférica. O estudo apresenta dados de carga de uma subestação da região metropolitana do estado do Rio Grande do Sul, analisados com dados de uma estação meteorológica da região. Para o cálculo da previsão da geração solar o método utiliza um modelo que considera a radiação solar e a temperatura para o cálculo da potência produzida pelo módulo fotovoltaico. O método para a previsão foi realizado utilizando a ferramenta VBA do Excel, através do agrupamento dos dados de carga e das variáveis climáticas do histórico e baseia-se na regressão linear múltipla. O algoritmo de previsão foi testado e comparado computacionalmente com base nos dados reais, apresentando resultados significativos, pois como a projeção é para horas a frente, os dados são atualizados com os dados reais a cada hora, diminuindo os erros da previsão, confirmando que as variáveis climáticas consideradas tem grande importância para refinar métodos de previsão de carga e geração de energia solar, fundamental para o planejamento do sistema elétrico. Em relação aos demais métodos já existentes, o método proposto se destaca pelo fato de considerar variáveis climáticas para a projeção de carga, e utiliza a metodologia para realizar a projeção da geração solar.

This degree project undertakes a detailed examination of various algorithms used in Very Short-Term Load Forecasting (VSTLF) within network control systems, prioritizing forecasting accuracy and computational efficiency as critical evaluation criteria. The research comprehensively assesses a range of forecasting methods, including statistical models, machine learning algorithms, and advanced deep learning techniques, aiming to highlight their respective advantages, limitations, and suitability for different operational contexts. The study conducts a detailed analysis by comparing essential performance metrics such as Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), and execution time, before and after implementing adjustments to the formulations. This approach highlights how optimization strategies enhance the effectiveness of the models. Notably, the study identifies Support Vector Machine (SVM) and Multiple Linear Regression as frontrunners in terms of balancing accuracy with computational demand, making them particularly suitable for real-time forecasting needs. Meanwhile, Long Short-Term Memory (LSTM) networks demonstrate a commendable ability to capture complex, non-linear data patterns, albeit at a higher computational cost. The degree project further explores the sensitivity of these forecasting models to parameter adjustments, revealing a nuanced landscape where strategic modifications can significantly enhance model performance. This degree project not only contributes to the ongoing discourse on optimizing VSTLF algorithms but also provides actionable insights for stakeholders in the energy sector, aiming to facilitate the development of more reliable, efficient, and sustainable power system operations.

本研究主要應用基於總體經驗模態分解法(EEMD)之倒傳遞類神經網路(BPNN)預測兩種不同的非線性時間序列數據，包括政大逐時用電量以及逐日歷史黃金價格。透過EEMD，這兩種資料會分別被拆解為數條具有不同物理意義的本徵模態函數(IMF)，而這讓我們可以將這些IMF視為各種影響資料的重要因子，並且可將拆解過後的IMF放入倒傳遞類神經網路中做訓練。 另外在本文中，我們也採用移動視窗法作為預測過程中的策略，另外也應用內插法和外插法於逐時用電量的預測。內插法主要是用於補點以及讓我們的數據變平滑，外插法則可以在某個範圍內準確預測後續的趨勢，此兩種方法皆對提升預測準確度占有重要的影響。 利用本文的方法，可在預測的結果上得到不錯的準確性，但為了進一步提升精確度，我們利用多次預測的結果加總平均，然後和只做一次預測的結果比較，結果發現多次加總平均後的精確度的確大幅提升，這是因為倒傳遞類神經網路訓練過程中其目標為尋找最小誤差函數的關係所致。 / In this paper, we applied the Ensemble Empirical Mode Decomposition (EEMD) based Back-propagation Neural Network (BPNN) learning paradigm to two different topics for forecasting: the hourly electricity consumption in NCCU and the historical daily gold price. The two data series are both non-linear and non-stationary. By applying EEMD, they were decomposed into a finite, small number of meaningful Intrinsic Mode Functions (IMFs). Depending on the physical meaning of IMFs, they can be regarded as important variables which are input into BPNN for training. We also use moving-window method in the prediction process. In addition, cubic spline interpolation as well as extrapolation as our strategy is applied to electricity consumption forecasting, these two methods are used for smoothing the data and finding local trend to improve accuracy of results. The prediction results using our methods and strategy resulted in good accuracy. However, for further accuracy, we used the ensemble average method, and compared the results with the data produced without applying the ensemble average method. By using the ensemble average, the outcome was more precise with a smaller error, it results from the procedure of finding minimum error function in the BPNN training.