A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado. / The demand and, consequently, the generation of electric power are very important issues for social and economic development of countries. Models to forecast these parameters in long and medium terms are used to anticipate possible sceneries and propose strategies for the energy planning of countries. In this context, the present study aims to forecast the generation of electric energy in Rio Grande do Sul State (RS) in a medium-term horizon (one year) using, Artificial Neural Networks (ANNs) of the feedforward type with algorithm of supervised learning backpropagation. For the development of this work, a script was elaborated in order to execute the necessary simulations, which were carried out through Matlab® software. The selected variables of influence as inputs of forecasting model refer to economy (State and National), to the electric energy balance and to the meteorology State, during the period from January, 2009 to March, 2016. In order to train the neural network, this data set was added to the entrance matrix, with monthly frequency, from January, 2009 to March, 2015 and for prediction, data were inserted from April, 2015 to March, 2016. Finally, after RNA complete simulation, the observed result of the electric power generation of the State was compared with the one obtained through the prediction model, indicating a mean absolute percent error (MAPE) of 5.86% and a mean absolute deviation (MAD) of 134.15 average MW. The obtained results in this work are promising, besides; they are similar to those found in literature, in this way demonstrating the reliability and efficacy of the using method.

A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado. / The demand and, consequently, the generation of electric power are very important issues for social and economic development of countries. Models to forecast these parameters in long and medium terms are used to anticipate possible sceneries and propose strategies for the energy planning of countries. In this context, the present study aims to forecast the generation of electric energy in Rio Grande do Sul State (RS) in a medium-term horizon (one year) using, Artificial Neural Networks (ANNs) of the feedforward type with algorithm of supervised learning backpropagation. For the development of this work, a script was elaborated in order to execute the necessary simulations, which were carried out through Matlab® software. The selected variables of influence as inputs of forecasting model refer to economy (State and National), to the electric energy balance and to the meteorology State, during the period from January, 2009 to March, 2016. In order to train the neural network, this data set was added to the entrance matrix, with monthly frequency, from January, 2009 to March, 2015 and for prediction, data were inserted from April, 2015 to March, 2016. Finally, after RNA complete simulation, the observed result of the electric power generation of the State was compared with the one obtained through the prediction model, indicating a mean absolute percent error (MAPE) of 5.86% and a mean absolute deviation (MAD) of 134.15 average MW. The obtained results in this work are promising, besides; they are similar to those found in literature, in this way demonstrating the reliability and efficacy of the using method.

A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado. / The demand and, consequently, the generation of electric power are very important issues for social and economic development of countries. Models to forecast these parameters in long and medium terms are used to anticipate possible sceneries and propose strategies for the energy planning of countries. In this context, the present study aims to forecast the generation of electric energy in Rio Grande do Sul State (RS) in a medium-term horizon (one year) using, Artificial Neural Networks (ANNs) of the feedforward type with algorithm of supervised learning backpropagation. For the development of this work, a script was elaborated in order to execute the necessary simulations, which were carried out through Matlab® software. The selected variables of influence as inputs of forecasting model refer to economy (State and National), to the electric energy balance and to the meteorology State, during the period from January, 2009 to March, 2016. In order to train the neural network, this data set was added to the entrance matrix, with monthly frequency, from January, 2009 to March, 2015 and for prediction, data were inserted from April, 2015 to March, 2016. Finally, after RNA complete simulation, the observed result of the electric power generation of the State was compared with the one obtained through the prediction model, indicating a mean absolute percent error (MAPE) of 5.86% and a mean absolute deviation (MAD) of 134.15 average MW. The obtained results in this work are promising, besides; they are similar to those found in literature, in this way demonstrating the reliability and efficacy of the using method.

Orientador: Ernesto Ruppert Filho / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-19T04:10:37Z (GMT). No. of bitstreams: 1 Nogueira_ViniciusdeFreitasGomes_M.pdf: 1151425 bytes, checksum: 25421deb7c7d0073c31744365ccb6e53 (MD5) Previous issue date: 2011 / Resumo: Os geradores síncronos trifásicos são atualmente os mais utilizados em geração de energia elétrica em grande escala no mundo todo. Na geração de energia elétrica em pequena escala, geralmente como geração distribuída, ligada à rede de distribuição em média tensão ou até mesmo em baixa tensão, eles tem sido muito usados devido à sua principal qualidade que é a de operar em velocidade constante. Entre as suas aplicações em geração distribuída destacam-se aquelas que usam energias renováveis como em médios e pequenos aproveitamentos hidráulicos, em aproveitamentos da biomassa e nos aproveitamentos eólicos. Neste trabalho estuda-se a modelagem do gerador síncrono, estabilidade transitória utilizando os diferentes modelos de representação do gerador síncrono e o seu desempenho dinâmico em algumas situações de operação em geração distribuída com cargas lineares e com cargas não lineares, com e sem o uso de filtragem ativa / Abstract: The three-phase synchronous generators are currently the most used in generating electricity on a large scale worldwide. In generating electricity on a small scale, usually as distributed generation, connected to the distribution network or even medium voltage low voltage, they have been widely used due to its main quality is to operate at constant speed. Among its applications in distributed generation to include those using renewable energy as in medium and small hydroelectric plants, biomass and hydroelectric in the Windmill. This paper studies the modeling of the synchronous generator, transient stability using different models of representation of the synchronous generator and its dynamic performance in some situations of operation distributed generation with linear loads and nonlinear loads, with and without the use of filtering active / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica

No setor de energia elétrica, a área que se dedica ao estudo da inserção de novos parques geradores de energia no sistema é denominada planejamento da expansão da geração. Nesta área, as decisões de localização e instalação de novas usinas devem ser amplamente analisadas, a fim de se obter os diversos cenários proporcionados pelas alternativas geradas. Por uma série de fatores, o sistema de geração elétrico brasileiro, com predominância hidroelétrica, tende a ser gradualmente alterada pela inserção de usinas termoelétricas (UTEs). O problema de localização de UTEs envolve um grande número de variáveis através do qual deve ser possível analisar a importância e contribuição de cada uma. O objetivo geral deste trabalho é o desenvolvimento de um modelo de localização de usinas termoelétricas, aqui denominado SIGTE (Sistema de Informação Geográfica para Geração Termoelétrica), o qual integra as funcionalidades das ferramentas SIGs (Sistemas de Informação Geográfica) e dos métodos de decisão multicritério. A partir de uma visão global da área estudada, as componentes espaciais do problema (localização dos municípios, tipos de transporte, linhas de transmissão de diferentes tensões, áreas de preservação ambiental, etc.) podem ter uma representação mais próxima da realidade e critérios ambientais podem ser incluídos na análise. Além disso, o SIGTE permite a inserção de novas variáveis de decisão sem prejuízo da abordagem. O modelo desenvolvido foi aplicado para a realidade do Estado de São Paulo, mas deixando claro a viabilidade de uso do modelo para outro sistema ou região, com a devida atualização dos bancos de dados correspondentes. Este modelo é designado para auxiliar empreendedores que venham a ter interesse em construir uma usina ou órgãos governamentais que possuem a função de avaliar e deferir ou não a licença de instalação e operação de usinas. / In the electric power industry, there is an area devoted to study alternatives for the expansion of the energy generation system. The decisions regarding the location and installation of new plants ought to be thoroughly analyzed in that planning activity, in order to foresee the likely scenarios resulting from the combination of distinct alternatives. For a number of reasons, the predominantly hydroelectric generation system historically set in Brazil tends to be gradually altered by the introduction of thermoelectric power plants (TPPs). The site selection problem involves, in the case of TPPs, a large number of variables, which contribute to the analysis process in various ways and with different levels of importance. The general goal of this work is the development of a location model of thermoelectric plants, here named SIGTE (an acronym for Geographic Information System for Thermoelectric Generation), which integrates the functionalities of the GIS tools (Geographic Information Systems) and multicriteria decision methods. Starting from an overall view of the studied area, this combination of techniques ensures a more realistic representation of the spatial components of the problem (e.g., the location of the municipalities, the transportation alternatives, the different voltages of transmission lines, areas of environmental preservation, etc.) It thus allows a straightforward inclusion of environmental criteria in the analysis. In addition, the SIGTE framework is also flexible enough to incorporate new decisions variables. The model was applied in a case study carried out in the state of Sao Paulo, although it can be easily adapted for use in other systems or geographical areas given that the corresponding databases are available. SIGTE was envisaged to be a supporting tool to public and private stakeholders interested in building new power plants or to governmental agencies in charge of the regulation mechanisms required for the installation nd operation of plants.

Submitted by Cátia Araújo (catia.araujo@unipampa.edu.br) on 2017-01-24T11:43:12Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) A influência da resolução espacial em modelos de previsão em mesoescala na programação de despacho da produção de usinas eólicas.pdf: 2764488 bytes, checksum: 81db7c3fde344866addede3ebc92a198 (MD5) / Approved for entry into archive by Cátia Araújo (catia.araujo@unipampa.edu.br) on 2017-01-24T11:44:33Z (GMT) No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) A influência da resolução espacial em modelos de previsão em mesoescala na programação de despacho da produção de usinas eólicas.pdf: 2764488 bytes, checksum: 81db7c3fde344866addede3ebc92a198 (MD5) / Made available in DSpace on 2017-01-24T11:44:33Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) A influência da resolução espacial em modelos de previsão em mesoescala na programação de despacho da produção de usinas eólicas.pdf: 2764488 bytes, checksum: 81db7c3fde344866addede3ebc92a198 (MD5) Previous issue date: 2014-07-01 / O uso da energia eólica para produção de eletricidade tem crescido em todo o mundo. De acordo com o PDE 2023 (Plano Decenal de Expansão Energia) disponibilizado pela EPE (Empresa de Pesquisa Energética) a capacidade instalada provinda de energia eólica em 2013 foi de 2,2 GW, cerca de 1,8% da matriz energética brasileira. A perspectiva de aumento para 22,4 GW, que em 2023 representará cerca de 11,8% da matriz energética brasileira. Com isso, a necessidade de se ter uma programação da disponibilidade de energia de parques eólicos se torna extremamente importante na operação do sistema elétrico brasileiro. Usando os dados de velocidade de vento gerados pelo modelo WRF com resoluções espaciais de 15 km e 5 km a 100 m de altura fez-se a estimativa de geração de energia para os complexos eólicos de Cerro Chato e Osório no período de 9 de agosto de 2014 a 29 de agosto de 2014. Então comparou-se com os dados de programação diária de produção de energia feitos pelas usinas, pelo modelo ETA e com os de geração real, do mesmo período, fornecidos pelo Operador Nacional do Sistema em seus boletins semanais. No período de estudo deste trabalho os erros médios percentuais absolutos da previsão de geração no complexo eólico de Cerro Chato foram de 18,42% do PDP da Usina, 15,97% do modelo ETA, 20,96% e 20,30% do modelo WRF com resolução espacial de 15 km desconsiderando e considerando a influência da variação da temperatura, respectivamente, e de 7,55% e 6,89% do modelo WRF com resolução espacial de 5 km desconsiderando e considerando a influência da variação da temperatura, respectivamente. Os erros médios percentuais absolutos das programações de geração de energia do complexo eólico de Osório foram de 16,29% do PDP da usina, 19,19% do modelo ETA, 9,38% e 8,78% do modelo WRF com resolução espacial de 15 km desconsiderando e considerando a influência da variação da temperatura, respectivamente, e de 5,94% e 5,09% do modelo WRF com resolução espacial de 5 km desconsiderando e considerando a influência da variação da temperatura, respectivamente. / The use of wind energy for electricity production has increased worldwide. According to the PDE 2022 (Ten Year Plan for Energy Expansion) provided by EPE (Energy Research Company) installed capacity of wind power stemmed in 2013 was 2,2 GW, about 1.8% of the Brazilian. The energy matrix, with perspective increase to 22.4 GW, which in 2023 represent about 11.8% of the Brazilian energy matrix. Thus the need to have a schedule of availability of power wind farms is extremely important in the operation of the Brazilian electrical system. Using the wind speed data generated by the WRF model with spatial resolution of 15 km and 5 km 100 m long made up an estimated power generation for wind complex of Cerro Chato and Osorio from 9 August 2014 to 29 August 2014. Then compared with the daily schedule of data for energy production made by plants, by ETA model and the actual generation of the same period, provided by the National System Operator in its weekly newsletters. During the study period of this study, the absolute percentage mean errors of prediction in wind generation complex of Cerro Chato were 18.42% of the Plant PDP, 15.97% of the ETA model, 20.96% and 20.30% of the WRF model with spatial resolution of 15 km disregarding and considering the influence of temperature variation, respectively, and 7.55% and 6.89% of the WRF model with spatial resolution of 5 km disregarding and considering the influence of temperature variation, respectively. The absolute percentage mean errors schedules of the wind farm of Osório power generation were 16.29% of the plant's PDP, 19.19% of the ETA model, 9.38% and 8.78% of the WRF model with spatial resolution 15 km disregarding and considering the influence of temperature variation, respectively, and 5.94% and 5.09% of the WRF model with spatial resolution of 5 km disregarding and considering the influence of temperature variation, respectively.

No setor de energia elétrica, a área que se dedica ao estudo da inserção de novos parques geradores de energia no sistema é denominada planejamento da expansão da geração. Nesta área, as decisões de localização e instalação de novas usinas devem ser amplamente analisadas, a fim de se obter os diversos cenários proporcionados pelas alternativas geradas. Por uma série de fatores, o sistema de geração elétrico brasileiro, com predominância hidroelétrica, tende a ser gradualmente alterada pela inserção de usinas termoelétricas (UTEs). O problema de localização de UTEs envolve um grande número de variáveis através do qual deve ser possível analisar a importância e contribuição de cada uma. O objetivo geral deste trabalho é o desenvolvimento de um modelo de localização de usinas termoelétricas, aqui denominado SIGTE (Sistema de Informação Geográfica para Geração Termoelétrica), o qual integra as funcionalidades das ferramentas SIGs (Sistemas de Informação Geográfica) e dos métodos de decisão multicritério. A partir de uma visão global da área estudada, as componentes espaciais do problema (localização dos municípios, tipos de transporte, linhas de transmissão de diferentes tensões, áreas de preservação ambiental, etc.) podem ter uma representação mais próxima da realidade e critérios ambientais podem ser incluídos na análise. Além disso, o SIGTE permite a inserção de novas variáveis de decisão sem prejuízo da abordagem. O modelo desenvolvido foi aplicado para a realidade do Estado de São Paulo, mas deixando claro a viabilidade de uso do modelo para outro sistema ou região, com a devida atualização dos bancos de dados correspondentes. Este modelo é designado para auxiliar empreendedores que venham a ter interesse em construir uma usina ou órgãos governamentais que possuem a função de avaliar e deferir ou não a licença de instalação e operação de usinas. / In the electric power industry, there is an area devoted to study alternatives for the expansion of the energy generation system. The decisions regarding the location and installation of new plants ought to be thoroughly analyzed in that planning activity, in order to foresee the likely scenarios resulting from the combination of distinct alternatives. For a number of reasons, the predominantly hydroelectric generation system historically set in Brazil tends to be gradually altered by the introduction of thermoelectric power plants (TPPs). The site selection problem involves, in the case of TPPs, a large number of variables, which contribute to the analysis process in various ways and with different levels of importance. The general goal of this work is the development of a location model of thermoelectric plants, here named SIGTE (an acronym for Geographic Information System for Thermoelectric Generation), which integrates the functionalities of the GIS tools (Geographic Information Systems) and multicriteria decision methods. Starting from an overall view of the studied area, this combination of techniques ensures a more realistic representation of the spatial components of the problem (e.g., the location of the municipalities, the transportation alternatives, the different voltages of transmission lines, areas of environmental preservation, etc.) It thus allows a straightforward inclusion of environmental criteria in the analysis. In addition, the SIGTE framework is also flexible enough to incorporate new decisions variables. The model was applied in a case study carried out in the state of Sao Paulo, although it can be easily adapted for use in other systems or geographical areas given that the corresponding databases are available. SIGTE was envisaged to be a supporting tool to public and private stakeholders interested in building new power plants or to governmental agencies in charge of the regulation mechanisms required for the installation nd operation of plants.