PREDIÇÃO DE FLUXO DE POTÊNCIA USANDO REDES NEURAIS RECORRENTES COM L.S.T.M. E ALGORITMO GENÉTICO EM UM BARRAMENTO IEEE 30
DOI:
https://doi.org/10.56238/revgeov16n5-138Palavras-chave:
Previsão de Fluxo de Potência, LSTM, Algoritmo Genético, Potência Ativa, Potência Reativa, Smart GridsResumo
A previsão precisa das potências ativas (P) e reativas (Q) em redes elétricas é fundamental para aprimorar a confiabilidade operacional e o planejamento nos sistemas de potência modernos. Este artigo propõe um modelo de previsão baseado em redes neurais do tipo Long Short-Term Memory (LSTM) para estimar a demanda de carga em um sistema IEEE de 30 barras. O modelo considera como variáveis de entrada as potências ativas e reativas fornecidas pelos geradores, enquanto os componentes de potência das cargas são utilizados como variáveis-alvo de previsão. Para aprimorar o desempenho, foi empregado um Algoritmo Genético (GA) na otimização de hiperparâmetros, o que reduziu o Erro Absoluto Médio (MAE) e aumentou a precisão das previsões. Os resultados demonstram que a abordagem proposta fornece previsões estáveis do comportamento das cargas, evidenciando seu potencial de aplicação em smart grids e em sistemas de gerenciamento de microrredes.
Downloads
Referências
[1] Passini, A. F. C., Niz, I. V. G., Munaretto, L. F., de Borba, W. F., & Rodrigues, A. C. (2023). Energia solar no Brasil: Oportunidades e desafios. Instituto Brasileiro de Estudos Ambientais.
[2] Passini, A. F. C., Niz, I. V. G., Munaretto, L. F., Borba, W. F., & Rodrigues, A. C. Energia Solar no Brasil: Oportunidades e Desafios. Instituto Brasileiro de Estudos Ambientais, 2023
[3] Dronio. Solar Energy Dataset. Kaggle, 2019. Disponível em: https://www.kaggle.com/datasets/dronio/SolarEnergy.
[4] Leal, A. G. (2006). Sistema para Determinação de Perdas em Redes de Distribuição de Energia Elétrica Utilizando Curvas de Demanda Típicas de Consumidores e Redes Neurais Artificiais. Tese de Doutorado, Escola Politécnica da Universidade de São Paulo, São Paulo
[5] CORREIA, V. T. (2021). SISTEMA DE GERENCIAMENTO DE ENERGIA PARA MICRORREDES. CURITIBA: UNIVERSIDADE FEDERAL DO PARANÁ.
[6] Cunha, M. V. da. (2016). Estratégias de gerenciamento pelo lado da demanda aplicadas aos consumidores de BT considerando a tarifa branca e a geração distribuída. Universidade Federal de Santa Maria.
[7] Lara Filho, M. O. de. (2021). Modelo robusto orientado a dados para programação diária de operação de microrredes considerando recursos energéticos distribuídos sob incertezas.
[8] Saúde, L. M. S. (2018). Análise comparativa entre os métodos autoregressivo, integrado de médias móveis e rede neural artificial para previsão de séries temporais.
[9] Bissiriou, A. O. S. (2023). Contribuições para o gerenciamento de energia de microrredes CA monofásicas usadas em comunidades isoladas. Natal: Universidade Federal do Rio Grande do Norte.
[10] Alves, F. A. Uma análise das smart grids aplicadas às microrredes inteligentes. Sobral: Universidade Federal do Ceará.
[11] Rauber, T. W. Redes neurais artificiais. Universidade Federal do Espírito Santo.
