POWER FLOW PREDICTION USING RECURRENT NEURAL NETWORKS WITH L.S.T.M. AND GENETIC ALGORITHM IN AN IEEE 30 BUS SYSTEM
DOI:
https://doi.org/10.56238/revgeov16n5-138Keywords:
Power Flow Forecasting, LSTM, Genetic Algorithm, Active Power, Reactive Power, Smart GridsAbstract
Accurate forecasting of active (P) and reactive (Q) power in electrical networks is fundamental to improving operational reliability and planning in modern power systems. This article proposes a forecasting model based on Long Short-Term Memory (LSTM) neural networks to estimate load demand in an IEEE 30-bus system. The model considers the active and reactive power supplied by the generators as input variables, while the power components of the loads are used as target variables for prediction. To improve performance, a Genetic Algorithm (GA) was used to optimize hyperparameters, which reduced the Mean Absolute Error (MAE) and increased the accuracy of the predictions. The results demonstrate that the proposed approach provides stable predictions of load behavior, highlighting its potential for application in smart grids and microgrid management systems.
Downloads
References
[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.
