Orientador: Anna Diva Plasencia Lotufo / Co-orientador: Maria do Carmo G. da Silveira / Banca: Lilian Yuli Isoda / Banca: Maria de Fátima Ribeiro Raia / Resumo: Após a reestruturação da indústria de eletricidade, a energia elétrica tornou-se uma mercadoria que pode ser comprada e vendida nos mercados de eletricidade. Dentro deste contexto, novas ferramentas para previsão de cargas e preços de eletricidade ainda são objetos de estudo. Redes Neurais Artificiais são bastante usadas para previsão de preços juntamente com outras técnicas estatísticas. Nesta pesquisa apresenta-se um método para a previsão de preço do dia seguinte, usando uma Rede Neural de Regressão Generalizada (GRNN) e Perceptron Multicamadas (MLP) com algoritmo de treinamento Levenberg - Marquardt. Os preços nodais são determinados resolvendo um DC-OPF (fluxo de potência ótimo), gerando os preços para todas as barras do sistema elétrico, denominado Locational Marginal Prices (LMP). Para treinar a rede neural, foram gerados vários cenários carga-preço e variando aleatoriamente a carga em cada barra do sistema elétrico. Os resultados são analisados através do erro percentual médio absoluto, uma medida muito comum encontrada na literatura. Os resultados foram comparados com literatura especializada com o caso base bem como com o Erro Máximo que varia de 3% a 8 %. Os resultados obtidos foram satisfatórios, dentro das margens encontradas na literatura, conforme apresentado na seção de resultados. A presente proposta foi aplicada no sistema teste IEEE 24- RTS. / Abstract: After the electricity industry restructuring, electric energy has become a commodity that can be bought or sold in electricity markets. Within this context, new tools to predict loads and electricity prices are yet to be devised. Neural networks have been typically used for price forecasting, among other statistical-based techniques. This work presents a method for day-ahead price forecasting using a generalized regression neural network where nodal prices are determined by solving a DC optimal power flow. In order to train the neural network several load-price scenarios are generated by randomly varying the loads in each bus of the electric energy system. The results are validated by analyzing the mean absolute percentage error, a common measure adopted in the technical literature as well as the base case and the maximum error which are within those found in the literature. The proposed methodology has been successfully applied to the IEEE 24-RTS system. / Mestre
| Identifer | oai:union.ndltd.org:UNESP/oai:www.athena.biblioteca.unesp.br:UEP01-000793214 |
| Date | January 2013 |
| Creators | Freitas, Patrícia Fernanda da Silva. |
| Contributors | Universidade Estadual Paulista "Júlio de Mesquita Filho" Faculdade de Engenharia (Campus de Ilha Solteira). |
| Publisher | Ilha Solteira, |
| Source Sets | Universidade Estadual Paulista |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | text |
| Format | 78 f. : |
| Relation | Sistema requerido: Adobe Acrobat Reader |
Page generated in 0.0028 seconds