Uso de inteligência artificial na previsão de consumo das redes de distribuição de energia modernas

Abstract

A crescente integração de Recursos Energéticos Distribuídos consolidou o conceito de Redes de Distribuição Ativas, cenário no qual a previsão de carga de curto prazo torna-se indispensável para a operação do sistema. Embora as Unidades de Medição Fasorial forneçam dados sincronizados de alta resolução, a viabilidade de prever a demanda utilizando exclusivamente medições fasoriais na baixa tensão ainda é um desafio, especialmente devido às incertezas e aos ruídos inerentes à instrumentação prática. Este trabalho investiga a eficácia de algoritmos de aprendizado de máquina --- Regressão Linear Múltipla, SVR Linear, Floresta Aleatória e XGBoost --- na previsão de carga de curto prazo e avalia a resiliência desses preditores frente à degradação contínua dos dados de entrada. Para tanto, utilizou-se o modelo sintético SMART-DS no OpenDSS para a geração dos dados e desenvolveu-se um orquestrador de teste de estresse estocástico, baseado na distribuição de von Mises, a fim de simular os níveis de Erro de Vetor Total preconizados pela norma IEEE C37.118.1. Os resultados demonstram que os algoritmos baseados em árvores de decisão superam amplamente os métodos baseados em hiperplanos. O modelo XGBoost obteve o melhor desempenho no cenário ideal (MAPE de 5,81% e R² de 0,945) e revelou notável robustez sob elevados níveis de perda de precisão e exatidão angular, atestando a viabilidade e a segurança da abordagem proposta para as redes modernas. Título original do projeto de pesquisa: Previsão de carga em sistemas de distribuição considerando recursos energéticos distribuídos e medição fasorial.