Introdução à previsão de curto prazo da carga de um sistema elétrico de potência usando dados históricos de consumo e da temperatura ambiente

Abstract

A previsão de carga de curto prazo desempenha um papel fundamental no planejamento, operação e controle do sistema de energia, sendo amplamente utilizada por concessionárias, operadores de sistema, geradores e comerciantes de energia. No Brasil, o Operador Nacional do Sistema Elétrico (ONS) é o responsável pela realização das previsões oficiais. A principal contribuição deste trabalho de conclusão de curso de graduação em engenharia elétrica é a validação de uma metodologia para previsão da carga de energia elétrica de curto prazo – dia seguinte – tendo como premissa a correlação que existe entre o consumo de energia elétrica e a temperatura ambiente. Os principais conceitos relacionados à análise de séries temporais são discutidos, fornecendo a base teórica necessária para o desenvolvimento do trabalho. Redes Neurais Recorrentes (RNN) com estrutura LSTM (Long Short-Term Memory) é a matemática escolhida para realizar as previsões. A técnica será avaliada utilizando as métricas MAPE (Mean Absolute Percentage Error) e coeficiente de determinação (R²). A biblioteca de código aberto TensorFlow será utilizada como plataforma para implementação da RNN. Os dados utilizados – todos públicos e de livre acesso – compreendem o período de 2014 a 2021, e incluem informações históricas de carga, temperatura e feriados nacionais. O estudo é específico ao Subsistema Sul do Sistema Interligado Nacional (SIN), por interesse da autora. Os resultados obtidos são apresentados e discutidos, demonstrando uma acurácia do modelo com 95% de acerto na previsão.Short-term load forecasting plays a fundamental role in the planning, operation, and control of the power system, and it has been used by utilities, system operators, generators, and energy traders. In Brazil, the National Electric System Operator (ONS) is responsible for making the official forecasts. The main contribution of this work for the conclusion of the undergraduate course in electrical engineering is the validation of a methodology for forecasting the short-term - day-ahead - electric power load, based on the premise that there is a correlation between electric power consumption and ambient temperature. The main concepts related to time series analysis are discussed, providing the theoretical basis necessary for the development of the work. Recurrent Neural Networks (RNN) with LSTM (Long Short-Term Memory) structure is the mathematics chosen to perform the predictions. The technique is evaluated using the metrics MAPE (Mean Absolute Percentage Error) and coefficient of determination (R²). The open-source TensorFlow library is the platform for the implementation of the RNN. The data used - all public and freely accessible - comprises the period from 2014 to 2021, and includes historical information on load, temperature, and national holidays. The study is specific to the Southern Subsystem of the National Interconnected System (SIN), an author choice. The results have 95% accuracy in the forecast.