Otimização da previsão de carga elétrica de curto prazo utilizando critérios de similaridade entre perfis de consumo

Abstract

As novas condi!"es do mercado de energia el#trica exigem que as concession$rias mantenham altos n%veis de qualidade nos seus sistemas. Isso se traduz em aspectos co-mo n%vel de carregamento, continuidade de fornecimento e, mais recentemente, atua!&o inteligente no mercado atacadista de energia. Neste contexto, as informa!"es atuais ou hist'ricas n&o s&o suficientes para subsidiar o processo decis'rio: # desej$vel conhecer as condi!"es do sistema no futuro, em especial a carga el#trica. Dada a complexidade t%pica dos sistemas el#tricos, diversos trabalhos apresentam solu!"es para a predi!&o de carga que se baseiam em sistemas inteligentes h%bridos. Entretanto, embora estes siste-mas sejam eficazes e assegurem uma precis&o maior do que a obtida com modelos b$si-cos, muitas vezes eles demandam um alto custo computacional. Esse custo torna-se es-pecialmente cr%tico na determina!&o da relev(ncia preditiva das vari$veis dispon%veis. Neste trabalho, # apresentado um m#todo de classifica!&o para os perfis de consumo que otimiza a sele!&o das vari$veis preditoras. Como os perfis de consumo s&o processos estoc$sticos variantes no tempo, as t#cnicas convencionais de extra!&o de caracter%sticas n&o s&o eficazes na sua representa!&o, formando padr"es inconsistentes. Por esta raz&o, # apresentada uma nova forma de representa!&o baseada no desempenho de regressores SVM )Support Vector Machine* que estimam a carga el#trica em fun!&o das diversas vari$veis com potencial preditivo. Esta t#cnica # validada mediante a inspe!&o do espa!o de caracter%sticas gerado, o qual forma grupamentos que compartilham os mesmos conjuntos de preditoras. In order to achieve high quality standards in electrical power systems, utility companies rely upon load forecasting to accomplish critical activities such as optimal dynamic dispatch and smart performance in the power wholesale market. Several works propose hybrid intelligent forecasting models to deal with the dynamic and non-linear characteristics of the load at a relatively high computational cost. While such approaches give emphasis to the forecasting itself, this work presents a procedure to detect similarities among distinct consumption profiles. Empirical results show that similar profiles share similar sets of relevant predictors. As finding similarities among profiles is less costly than finding the set of relevant predictors from scratch, a new parameter selection method is proposed. Such method is employed to build some neural forecasters with considerable improvement in the learning time.