PREDICCIÓN DEL FLUJO DE POTENCIA MEDIANTE REDES NEURONALES RECURRENTES CON LSTM Y ALGORITMO GENÉTICO EN UNA RED IEEE DE 30 BARRAS
DOI:
https://doi.org/10.56238/revgeov16n5-138Palabras clave:
Predicción de Flujo de Potencia, LSTM, Algoritmo Genético, Potencia Activa, Potencia Reactiva, Redes InteligentesResumen
La predicción precisa de la potencia activa (P) y reactiva (Q) en las redes eléctricas es fundamental para mejorar la confiabilidad operativa y la planificación en los sistemas de potencia modernos. Este artículo propone un modelo de predicción basado en redes neuronales LSTM (Long Short-Term Memory) para estimar la demanda de carga en un sistema IEEE de 30 barras. El modelo considera la potencia activa y reactiva suministrada por los generadores como variables de entrada, mientras que los componentes de potencia de las cargas se utilizan como variables objetivo para la predicción. Para mejorar el rendimiento, se empleó un algoritmo genético (AG) en la optimización de hiperparámetros, lo que redujo el error absoluto medio (MAE) y aumentó la precisión de las predicciones. Los resultados demuestran que el enfoque propuesto proporciona predicciones estables del comportamiento de la carga, lo que destaca su potencial aplicación en redes inteligentes y sistemas de gestión de microrredes.
Descargas
Referencias
[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.
