Serviços Personalizados
Journal
Artigo
Indicadores
- Citado por SciELO
- Acessos
Links relacionados
- Citado por Google
- Similares em SciELO
- Similares em Google
Compartilhar
Revista Facultad de Ingeniería
versão impressa ISSN 0121-1129versão On-line ISSN 2357-5328
Resumo
URGILES, Pablo; INGA-ORTEGA, Juan; PERALTA, Arturo e ORTEGA, Andrés. Previsão de perfis de consumo de eletricidade usando polinômios potenciais de grau um e redes neurais artificiais na infraestrutura de medição inteligente. Rev. Fac. ing. [online]. 2021, vol.30, n.56, e106. Epub 22-Set-2021. ISSN 0121-1129. https://doi.org/10.19053/01211129.v30.n56.2021.12772.
Este trabalho analisa métodos e algoritmos de previsão do comportamento do consumo de energia elétrica com base em redes neurais, utilizando dados obtidos na infraestrutura de medição avançada (AMI) de uma instituição de ensino. Além disso, um contraste foi feito entre o uso de redes neurais convencionais (ANN), redes neurais baseadas em wavelet (WNN) e polinômios de potencial de grau um (P1P). É analisada a correlação de cada método de predição, bem como o comportamento do erro quadrático médio (MSE) para finalmente estabelecer se há um desequilíbrio no custo computacional através da análise Big-O e no tempo de execução. Os resultados quantitativos do erro MSE estão abaixo de 0,05% para previsões de RNA e usam alto custo computacional. Para P1P, existem erros em torno de 1,2% mostrando como um método de previsão de baixo consumo computacional, mas principalmente aplicável para uma análise de curto prazo. Este trabalho dá-se em resposta à necessidade de estabelecer uma plataforma que permita tirar partido da estrutura de medição inteligente, através da previsão do perfil de consumo de energia eléctrica, de forma a desenvolver o planeamento da manutenção e gestão da procura de energia eléctrica para reduzir os custos de operação do consumidor final ao gestor da distribuição de energia elétrica. Para a análise das projeções do perfil de carga elétrica, são consideradas as características estatísticas do consumo para selecionar os algoritmos de predição de acordo com o número de dias a serem projetados, utilizando os dados de qualquer um dos medidores inteligentes, que podem ser monitorados em uma rede orientada para Smart Grids.
Palavras-chave : AMI; medição inteligente; P1P; previsão do consumo de eletricidade; WNN.