APLICAÇÃO DE ALGORITMOS DE AGRUPAMENTO DE DADOS E DE REDES NEURAIS DINÂMICAS PARA A PREVISÃO DE DEMANDA EM SISTEMAS DE DISTRIBUIÇÃO DE ENERGIA

Abstract

RESUMO: A previsão de demanda de curto prazo é um processo importante que auxilia no planejamento da operação de sistemas elétricos e gerenciamento dos recursos energéticos. Um dos grandes problemas ao se trabalhar com a previsão de curvas demanda a partir de modelos baseados em redes neurais reside na escolha apropriada dos padrões de entrada que possam permitir às redes a captação da dinâmica do sistema. Outro problema decorre da arquitetura de rede a ser escolhida para esta finalidade, em que muitos dos estudos relacionados utilizam redes estáticas. Nesta dissertação é proposta uma metodologia para previsão de curvas diárias de demanda por meio da utilização de algoritmos de agrupamento de dados e redes neurais artificiais dinâmicas. Os algoritmos com paradigma de aprendizagem não-supervisionada são utilizados para realizar os agrupamentos das curvas de demanda. Os grupos obtidos são utilizados como insumos para o treinamento das redes dinâmicas. Para realizar os agrupamentos, foi utilizada uma estratégia que consistiu em combinar, por meio de função consenso, os resultados obtidos a partir de dois algoritmos: o k-means e o minCEntropy. As redes neurais, por sua vez, são responsáveis por realizarem a previsão das séries temporais de maneira recursiva em um horizonte de previsão de 288 passos à frente, totalizando 24 horas. Para esta finalidade é proposta a utilização de duas redes neurais dinâmicas baseadas na arquitetura da rede MLP, as redes FTDNN e NARX. Além de uma rede recorrente, que utiliza mecanismos de memória denominados “portas” (gates), conhecida como rede LSTM. O treinamento realizado com a utilização dos grupos obtidos se mostrou capaz de fornecer às redes neurais dados cujas características refletem as sazonalidades e periodicidades intrínsecas ao tipo de séries temporais estudadas. Além disso, foi utilizada uma metodologia que contempla a etapa de pré-processamento, evitando que possíveis dados corrompidos por eventuais problemas relacionados a distúrbios ou falhas nos equipamentos de medição/aquisição dos dados possam interferir no desempenho dos algoritmos. Para a realização do estudo, foram utilizados dados reais de uma concessionária de distribuição de energia elétrica. Os índices de desempenho NMSE e MAPE mostraram que os modelos propostos foram capazes de fornecer erros de previsão bem menores quando comparados com uma estratégia em que não se utiliza o uso de agrupamentos, podendo vir a ser uma alternativa eficiente frente a outros modelos de previsão comumente empregados. ABSTRACT: Short-term load forecasting is an important process that assists in planning the operation of electrical systems and managing energy resources. One of the major problems when working with forecasting demand curves from neural network-based models, is the appropriate choice of input patterns that can allow networks to capture system dynamics. Another problem stems from the network architecture to be chosen for this purpose, where many of the related studies use static networks. This dissertation proposes a methodology for forecasting daily demand curves by combining the use of data clustering algorithms and dynamic artificial neural networks. Algorithms with unsupervised learning paradigm are used to perform the demand curve clustering. The obtained groups are used as allowance for the dynamic neural networks trainning. To perform the clustering, a strategy was used to combine, by means of a consensus function, the results obtained from two algorithms: k-means and minCEntropy. The neural networks are responsible for recursively forecasting the time series, with feedback of the predicted values to the input layer, in a forecast horizon of 288 steps ahead, totaling 24 hours. For this purpose it is proposed the use of two dynamic neural networks based on the MLP neural network architecture, the FTDNN and NARX networks. In addition, a recurrent neural network that uses memory mechanisms called gates, known as LSTM network. The training performed using the obtained clusters was able to provide neural networks with data that reflect the intrinsic seasonality and periodicity of the time series studied. In addition, a methodology that contemplates the whole preprocessing step was used, avoiding that possible data corrupted by eventual problems related to disturbances or failures in the data measurement/acquisition equipment could interfere in the performance of the algorithms. To perform the study, real data from an electricity distribution utility were used. The NMSE and MAPE performance indices showed that the proposed models were able to provide much smaller prediction errors when compared to a strategy that does not use clustering, and may become an efficient alternative to other commonly predicted models employed.