Correção dos erros de previsão de carga elétrica de curto prazo decorrentes de variações de temperatura na Ilha de Santa Catarina utilizando rede neural

Abstract

Este trabalho apresenta primeiramente uma pesquisa que tem como foco a investigação da relação da carga elétrica com a temperatura ambiente para a Ilha de Santa Catarina, e a influência da temperatura na precisão da previsão de carga elétrica de curto prazo, em diferentes faixas de temperatura. A partir dos dados históricos de carga e temperatura, foi construída uma aproximação polinomial de terceiro grau da relação carga versus temperatura, onde a curva resultante mostra a influência da temperatura sobre o comportamento da carga e o relacionamento não linear entre estas variáveis. Foi verificado, para a região estudada, que existe uma faixa central de temperatura com pouca influência no consumo, enquanto que acima ou abaixo desta faixa, existem, respectivamente, relações significativas direta e inversa com o comportamento da carga. Ainda que, a precisão da previsão da carga horária por uma rede neural é afetada pela faixa de temperatura considerada. Outra contribuição desta dissertação é a proposta de um método de correção para a rede neural que minimiza o erro de previsão gerado pelas faixas de temperatura que mais afetam a previsão de carga. Os estudos experimentais indicaram que uma rede neural que inicialmente apresentava instabilidade quando submetida a variações de temperatura, após sua correção, conseguiu diminuir seus erros de previsão a índices muito próximos a dias normais. <br>

Abstract : This work first presents a research that has focused on the investigation of the relationship between electric load and temperature in the Island of Santa Catarina and the influence of the temperature on short-term load forecasting regarding different temperature intervals. Based on historic data of load and temperature, it is built a load over temperature curve from a third-degree polynomial approximation, which is used to estimate the influence of the temperature on the load and the nonlinear relationship between these variables. For the studied region it has been shown that there is a central temperature interval with minimum influence on demand, while above and below that interval, respectively, direct and inverse relationships with the behavior of the load is observed. Furthermore, the load prediction accuracy of a neural network is affected by the temperature range considered. This study may produce as result a better scaling on load demand, resulting in financial gain to the distributors. Based on this knowledge we propose a correction method for the neural network that minimizes the prediction error generated by the temperature ranges that most affect the load forecasting. Experimental studies suggested that a neural network which initially showed instability when subjected to temperature changes after correction, managed to reduce forecast error to rates very similar to the normal days.