CONTROLADOR DE DEMANDA DE ENERGIA ELÉTRICA UTILIZANDO REDES NEURAIS ARTIFICIAIS

Mateus Coelho Vieira, Wilian Soares Lacerda, Joaquim Paulo da Silva

Resumo


Na atual situação mundial de escassez de recursos, a economia de energia elétrica tornou-se algo relevante. Sendo assim, a Universidade Federal de Lavras, com o objetivo de evitar a ultrapassagem da demanda de energia elétrica contratada, adquiriu um sistema controlador de demanda. O presente trabalho teve como objetivo melhorar o desempenho do controlador de demanda, otimizando, de forma inteligente e dinâmica, a prioridade de desligamento das cargas. Para isso, foram utilizadas técnicas de inteligência computacional para a criação de um sistema automatizado que aliado ao controlador de demanda possa obter um melhor desempenho. Foi desenvolvido um sistema de classificação da prioridade de cada carga, bem como um sistema de previsão da demanda de energia elétrica para os próximos 15 minutos. A metodologia empregada foi baseada em Redes Neurais Artificiais para o desenvolvimento dos dois sistemas computacionais trabalhando paralelamente. Através dos resultados obtidos em simulação verifica-se índices satisfatórios para o sistema de previsão e para o sistema de classificação. Conclui-se através dos resultados obtidos que o controlador de demanda, com a aplicação das técnicas de previsão e classificação, terá uma otimização do processo de desligamento das cargas.

 

ABSTRACT

In the current global situation of scarcity of resources, the saving of electric energy has become relevant. Therefore, the Federal University of Lavras, with the objective of avoiding the surpassing of contracted electric energy demand, acquired a demand controlling system. The present work had as objective to improve the performance of the demand controller, optimizing, intelligently and dynamically, the priority of load disconnection. For this, computational intelligence techniques were used to create an automated system that together with the demand controller can achieve better performance. A priority classification system for each load was developed, as well as a system for forecasting the demand for electricity for the next 15 minutes. The methodology used was based on Artificial Neural Networks for the development of the two computational systems working in parallel. The results obtained in the simulation showed satisfactory indexes for the prediction system and for the classification system. It is concluded through the results obtained that the demand controller, with the application of the forecasting and classification techniques, will have an optimization of the load disconnection process.


Palavras-chave


Energia elétrica. Rede neural artificial. Controlador de demanda.

Texto completo:

PDF

Referências


ALECRIM, E. Redes Neurais Artificiais. Infowester, São Paulo, v. 1, n. 1, p. 1, maio 2004. Disponível em: . Acesso em: ago. 2016.

ANDRADE, L. C. M. Abordagem Neurofuzzy para previsão de demanda de energia no curtíssimo prazo. São Paulo, 2010. Catálogo – Universidade de São Paulo.

BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDERMIR, T. B. 2007. Redes neurais artificiais: teoria e aplicações. 2 ed. Rio de Janeiro: LTC. 226 p.

BRASIL. Agência Nacional de Energia Elétrica. Capacidade de Geração do Brasil. Brasília, DF, 2017. Disponível em: . Acesso em: 11 out. 2017.

BRASIL. Agência Nacional de Energia Elétrica. Resolução Normativa nº 414, de 9 de setembro de 2010. Estabelece as Condições Gerais de Fornecimento de Energia Elétrica de forma atualizada e consolidada. Brasília, DF, 2010. Disponível em: . Acesso em: 10 mar. 2016.

CEMIG - COMPANHIA ENERGÉTICA DE MINAS GERAIS. Estrutura Tarifária: Minas Gerais, 2016. Disponível em: . Acesso em: 25 ago. 2016.

CONGALTON, R. G.; ODERWALD, R. O.; MEAD, R. A. Assessing land sat classification accuracy using discrete multivariate analysis statistical techniques. Photogrammetric Engineering and Remote Sensing, v. 49, n. 12, p. 1671-1678, 1983.

HAYKIN, S. Redes Neurais princípios e práticas. Porto Alegre: BooKman, 2001. 898 p.

HUDSON, W. D.; RAMM, C. W. Correct formulation of the Kappa coefficient of agreement. Photogrammetric Engineering and Remote Sensing, v. 53, n. 4, p. 421-422, 1987.

OLIVEIRA, E. L . Previsão de demanda de energia elétrica com redes neurais artificiais e análise por série de Fourier. 2011. 84 f. Dissertação (Mestrado em Estatística) – Universidade Federal de Minas Gerais, BH, 2016.

PRADO, J. R. Métodos Estatísticos no Monitoramento da Potencia Elétrica. 2015. 159 f. Tese (Doutorado em Estatística e Experimentação Agropecuária) – Universidade Federal de Lavras, Lavras, 2015.

VILLAMAGNA, M. R. Seleção de Modelos de Séries Temporais e Redes Neurais Artificiais na Previsão de Consumo e Demanda de Energia Elétrica. 2013. 74 f. Dissertação (Mestrado em Estatística e Experimentação Agropecuária). Universidade Federal de Lavras, Lavras, 2013.




DOI: http://dx.doi.org/10.18674/exacta.v10i2.2011

ISSN 1984-3151