4 SIMULAÇÕES E RESULTADOS
5.2 TRABALHOS FUTUROS
Dentre os trabalhos que podem ser desenvolvidos para dar continuidade ao estudo, sugere-se a utilização do método proposto para a realização da previsão da geração eólica, considerando as variáveis de influência para essa aplicação.
Em relação à previsão de carga e à previsão de geração solar, sugere-se considerar variáveis adicionais para a previsão, inserindo novas variáveis no modelo proposto.
Apesar de que os resultados da metodologia proposta obtiveram resultados satisfatórios, pode-se sugerir a utilização de uma técnica baseadas em sistemas inteligentes para a etapa do cálculo da previsão, pois a regressão múltipla apesar de ter encontrado
eficientes resultados, não conseguiu determinar baixos erros para todos os pontos da radiação solar.
Os estudos desenvolvidos nesta dissertação compreenderam um singular conjunto de dados, logo, como um trabalho futuro pode ser sugerido a aplicação do método em estudos de planejamento para um cenário de análise real.
5.3 PUBLICAÇÕES
No decorrer do Mestrado, até o momento, foram publicados os seguintes trabalhos:
1. PIRES, C. L., BERNARDON, D. P. Influência das Variáveis Climáticas na Demanda de Energia Elétrica. 9º Seminário de Eletrônica de Potência e Controle – SEPOC, Santa Maria, 2015.
2. PIRES, C. L.; BERNARDON, D. P.; SPERANDIO, M; MELLO, A. P. C.; MARTINS, C. C. Previsão de Carga para Curtíssimo Prazo Considerando a Influência das Variáveis Climáticas. VI Simpósio Brasileiro de Sistemas Elétricos – SBSE, Natal, 2016.
REFERÊNCIAS
AHMED, K.M.U. et al. Application of Time-series and Artificial Neural Network Models in Short Term Load Forecasting for Scheduling of Storage Devices. Power Engineering
Conference (UPEC), 2014 49th International Universities, 2014.
AL-KANDARI, A. M.; SOLIMAN, S. A.; EL-HAWARY, M.E. Fuzzy Short-Term Electric Load Forecasting. Eletrical Power & Energy Systems, Guildfort. v. 26. n. 2. p. 111-122, 2004.
ALTRAN, A. B. Sistema Inteligente para Previsão de Carga Multinodal em Sistemas
Elétricos de Potência. Tese (Doutorado em Engenharia) – Universidade Estadual Paulista –
Faculdade de Engenharia, Ilha Solteira, 2010.
AMRAL, N.; ÖZVEREN, C.S.; KING, D. Short Term Load Forecasting using Multiple Linear Regression. UPEC - Universities Power Engineering Conference, 2007. Anais...p. 1192-1198, 2007.
ANDRADE, L. C. M. Abordagem Neurofuzzy para Previsão de Demanda de Energia
Elétrica no Curtíssimo Prazo. Dissertação (Mestrado de Engenharia Elétrica) – Escola de
Engenharia de São Carlos – Universidade de São Paulo – Programa de Engenharia Elétrica, São Carlos, 2010.
BACHER, P.; MADSEN, H.; NIELSEN, H. A. Online short-term solar power forecasting.
Solar Energy, v. 83, n. 10, p. 1772–1783, 2009.
BARROS, M. B. Previsão de carga – Comparação de técnicas. Dissertação (Mestrado Integrado em Engenharia Eletrotécnica e de Computadores). Faculdade de Engenharia da Universidade do Porto, Porto, 2014.
BECALLI, M. et al. Forecasting Daily Urban Electric Load Profiles using Artificial Neural Networks. Energy Conversion and Management, v. 45, p. 2879-2900, 2004.
BERNARDON, D. P. et al. Sistemas de distribuição no contexto das redes elétricas
inteligentes. 1 ed. Santa Maria: APEPOC, 2015,163 p.
BORDIGNON, S. 2012 Metodologia para previsão de carga de curtíssimo prazo considerando variáveis climáticas e auxiliando na programação de despacho de pequenas centrais hidrelétricas. Dissertação (Mestrado em Engenharia Elétrica) –
Universidade Federal do Pampa, Alegrete, 2012.
BOU, A. S. F; FERRERA V. H. Previsão de carga elétrica no curto prazo com redes neurais.
Engevista, v. 16, n. 1, p.91-101, Março, 2014.
BOX, G. E.; JENKINS, G. M.; REINSEL, G. Times Series Analysis: Forecasting and
CASAGRANDE, G. F. et al. Very Short‐Term Electric Load Forecasting Considering Climate and Temporal Variable. International Journal of Automation and Power
Engineering, v. 3, n. 1, January, 2014
CAVALLARO, F. Electric Load Analysis Using an Artificial Neural Network. International
Journal of Energy Research, v. 29, p. 377-392, 2005.
CHEN, C. et al. Online 24-h solar power forecasting based on weather type classification using artificial neural network. Solar Energy, v. 85, n.11, p. 2856–2870, November, 2011. DRAGOON, K, PAPAEFTHYMIOU, G., Power System Flexibility Strategy Roadmap: Preparing power systems to supply reliable power from variable energy resources, 2015. Disponível em: http://www.leonardo-energy.org/sites/leonardo-energy/files/documents- andlinks/strategic_flexibility_roadmap-final-beta_version.pdf, Acesso em 30 jun. 2016 EPE, EMPRESA DE PESQUISA ENERGÉTICA. Inserção da Geração Fotovoltaica
Distribuída no Brasil – Condicionantes e Impactos. Nota Técnica. Rio de Janeiro: EPE, 2014. Acesso em 30 jun. 2016.
FELICE, M. D.; ALESSANDRI A.; RUTI P. M. Electricity demand forecasting over Italy: Potential benefits using numerical weather prediction models. Electric Power Systems
Research, v. 104, pg 71-79, 2013.
FIGUEIRÓ, I. C. et al. Smart Grid and the Prospects of Electricity Demand Forecast in Brazilian Distribution System. Power Engineering Conference (UPEC), 2014 49th International Universities, 2014.
FUENTES, M. et al. Application and validation of algebraic methods to predict the behavior of crystalline silicon PV modules in Mediterranean climates. Solar Energy, v. 81, n. 11, p. 1396–1408, 2007.
GUARNIERI, R. A. Emprego de redes neurais artificiais e regressão linear múltipla no
refinamento das previsões de radiação solar do modelo ETA. Dissertação (Mestrado em
Meteorologia). INPE, São José dos Campos, 2006
HANG, C.; PENG-JIANG, G.; WU-SHUN C. Forecasting Research of Long-term Solar Irradiance and Output Power for Photovoltaic generation system. Fourth International Conference on Computational and Information Sciences. Anais...p. 2224-2227, 2012.
INPE. Sistema de Organização Nacional de Dados Ambientais (REDE SONDA). Disponível em: <http:// sonda.ccst.inpe.br>. Acesso em 30 jun. 2016.
KYOCERA SOLAR. High Efficiency Multi-Crystalline Photovoltaic Module (MODEL KD245GH). Disponível em: <http://www.kyocerasolar.com.br/pdf/KD245GH-4FB.pdf>. Acesso em: 30 jun. 2016.
LAOUAFI, A.; MORDJAOUI, M.; DIB, D. One-Hour Ahead Electric Load and Wind-Solar Power Generation Forecasting using Artificial Neural Network. 6th International Renewable Energy Congress – IREC (2015)
LI, Z. Y., et al. Short Term Photovoltaic Power Generation Forecasting Using RBF Neural Network. The 26th Chinese Control and Decision Conference, Anais… p. 2758-2763, 2014. LIMA, W. S. Previsão de Carga no Período de Demanda de Ponta Utilizando Redes
Neurais Artificiais. Dissertação (Mestrado em Engenharia Elétrica) Universidade Estadual
de Campinas, Campinas, 1996.
LIU, K. et al. Comparison of Very Short-Term Load Forecasting Techniques. IEEE
Transactions on Power Systems, v. 11, n. 2, 1996.
LOPES, J. H. O. Previsão de produção fotovoltaica a muito curto prazo usando análise e
modelação de dinâmica de sombras. Dissertação (Mestrado Integrado em Engenharia
Electrotécnica e de Computadores) – Faculdade de Engenharia da Universidade do Porto, Porto, 2010.
LORENZ E. et al., Irradiance Forecasting for the Power Prediction of Grid-Connected Photovoltaic Systems. IEEE Journal of Selected Topics in Applied Earth Observations
and Remote Sensing, v. 2 , i.1, p. 2-10, 2009.
MELLIT, A.; PAVAN, A. M. Performance prediction of 20 kWp grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network. Energy Conversion and
Management, v. 51, p. 2431–2441, 2010.
MORENO-MUÑOZ, A. et al. Short term forecasting of solar radiation. IEEE International
Symposium on Industrial Electronics, p. 1537-1541, 2008.
MURTO, P. Neural Network Models for Short-Term Load Forecasting. Thesis (Masters) – Departament of Engineering Physics and Mathematics, Helsinki University of Tecnology, Helsinki, 1998.
OLIVEIRA, M. O. et al. Análise do Efeito de Variáveis Climáticas sobre a Evolução da Demanda de Energia Elétrica. In: XVIII CONGRESSO BRASILEIRO DE AUTOMÁTICA, 2010 , Bonito/MS. Anais... Bonito/MS, 2010, p. 4553 - 4559.
OSTERWALD, C. R. Translation of device performance measurements to reference conditions. Solar Cells, v. 80401, p. 269–279, 1986.
PANAPAKIDIS, I.P.; PAPAGIANNIS, G. K.; CHRISTOFORIDIS G. C. Bus Load Forecasting via a Combination of Machine Learning Algorithms. Power Engineering
Conference (UPEC), 49th International Universities, 2014.
PAPALEXOPOULOS, A. D.; HESTERBERG, T. C. A Regression-Based Approach to Short- Term Load Forecasting. IEEE Transactions on Power Systems, v. 5, p. 1535-1543, 1990. PEDRO, H. T. C.; COIMBRA, F. M. Assessment of forecasting techniques for solar power production with no exogenous inputs Solar Energy, v. 86, n. 7, p. 2017–2028, 2012.
RAHMAN, S.; HAZIM, O. A Generalized Knowledge-Based Short-Term Load Forecasting Technique. IEEE Transactions on Power Systems, v. 8, p. 508-514, 1993.
ROMERA, E. G.; MORÁN, M. A. J.; FERNÁNDEZ, D. C. Forecasting of the Electric Energy Demand Trend and Monthly Fluctuation with Neural Networks. Computers &
Industrial Engineering. v. 52. p. 336-343, 2007.
SEGUEL, J. I. L. Projeto de um sistema fotovoltaico autônomo de controle suprimento
de energia usando técnica MPPT e controle digital. Dissertação (Mestrado em Engenharia
Elétrica). Universidade federal de Minas Gerais, Belo Horizonte, 2009.
SILVA, T. F. A. Uma proposta de despacho estocástico para sistemas elétricos de
distribuição com geração fotovoltaica. Tese (Doutorado em Engenharia Elétrica).
Universidade Federal de Minas Gerais, Belo Horizonte, 2015.
SOUZA L. F. S. et al. A influência da temperatura no comportamento da carga elétrica de curto prazo e na precisão da sua previsão. Simpósio Brasileiro de Automação Inteligente, Outubro, 2013. Anais… Disponível: http://www.sbai2013.ufc.br/pdfs/5106.pdf. Acesso em: 30 jun. 2016.
SWARUP, K. S.; SATISH, B. Integrated an Approach to Forecast Load. IEEE Computer
Applications in Power. New York, v. 15. n. 1. p. 46-51, 2002.
TRINDADE, A. T. T. Very Short-term Solar Power Forecast for MV/LV Distribution
Grids. Dissertação (Mestrado Integrado em Engenharia Electrotécnica e de Computadores) –
Faculdade de Engenharia da Universidade do Porto, Porto, 2014.
YANG, H. Y. et al. Fuzzy Neural Very-Short-Term Load Forecasting Based on Chaotic Dynamics Reconstruction. Chaos Solitions & Fractals, vol. 29, p. 462-469, 2006.
ANEXO A
Nesse anexo serão apresentadas as principais rotinas do algoritmo do método, usando a ferramenta VBA do Excel. Para fins de exemplificação, serão demostradas as etapas do método para a simulação da previsão da carga considerando a temperatura, umidade do ar e radiação solar.
A. Etapa do agrupamento das variáveis para a previsão da carga
Dim W As Worksheet Dim i As Long
Set W = Sheets("Historico")'Planilha dos dados do histórico
W.Select
W.Range("D2").Select i = 2
Do While i <= 25559
'Atribuição da HORA (Hora na coluna D, e atribuição na coluna J)
If W.Range("D" & i) = 0 Then W.Range("J" & i) = "A" ElseIf W.Range("D" & i) = 1 Then W.Range("J" & i) = "B" ElseIf W.Range("D" & i) = 2 Then W.Range("J" & i) = "C" ⋮
ElseIf W.Range("D" & i) = 19 Then W.Range("J" & i) = "T"
ElseIf W.Range("D" & i) = 20 Then W.Range("J" & i) = "U"
ElseIf W.Range("D" & i) = 21 Then W.Range("J" & i) = "V"
ElseIf W.Range("D" & i) = 22 Then W.Range("J" & i) = "X"
ElseIf W.Range("D" & i) = 23 Then W.Range("J" & i) = "Z"
End If
'Atribuição da CARGA (Carga na coluna E, e atribuição na coluna J)
If W.Range("E" & i) >= 10 And W.Range("E" & i) < 15 Then W.Range("J" & i) = W.Range("J" & i) & "A"
ElseIf W.Range("E" & i) >= 15 And W.Range("E" & i) < 20 Then W.Range("J" & i) = W.Range("J" & i) & "B"
ElseIf W.Range("E" & i) >= 20 And W.Range("E" & i) < 25 Then W.Range("J" & i) = W.Range("J" & i) & "C"
ElseIf W.Range("E" & i) >= 25 And W.Range("E" & i) < 30 Then W.Range("J" & i) = W.Range("J" & i) & "D"
ElseIf W.Range("E" & i) >= 30 And W.Range("E" & i) < 35 Then W.Range("J" & i) = W.Range("J" & i) & "E"
ElseIf W.Range("E" & i) >= 35 And W.Range("E" & i) < 40 Then W.Range("J" & i) = W.Range("J" & i) & "F"
ElseIf W.Range("E" & i) >= 40 And W.Range("E" & i) < 45 Then W.Range("J" & i) = W.Range("J" & i) & "G"
ElseIf W.Range("E" & i) >= 45 And W.Range("E" & i) < 50 Then W.Range("J" & i) = W.Range("J" & i) & "H"
End If
'Atribuição da TEMPERATURA (Temperatura na coluna F, e atribuição na coluna J)
If W.Range("F" & i) >= 0 And W.Range("F" & i) < 5 Then W.Range("J" & i) = W.Range("J" & i) & "A"
ElseIf W.Range("F" & i) >= 5 And W.Range("F" & i) < 10 Then W.Range("J" & i) = W.Range("J" & i) & "B"
ElseIf W.Range("F" & i) >= 10 And W.Range("F" & i) < 15 Then W.Range("J" & i) = W.Range("J" & i) & "C"
ElseIf W.Range("F" & i) >= 15 And W.Range("F" & i) < 20 Then W.Range("J" & i) = W.Range("J" & i) & "D"
ElseIf W.Range("F" & i) >= 20 And W.Range("F" & i) < 25 Then W.Range("J" & i) = W.Range("J" & i) & "E"
ElseIf W.Range("F" & i) >= 25 And W.Range("F" & i) < 30 Then W.Range("J" & i) = W.Range("J" & i) & "F"
ElseIf W.Range("F" & i) >= 30 And W.Range("F" & i) < 35 Then W.Range("J" & i) = W.Range("J" & i) & "G"
ElseIf W.Range("F" & i) >= 35 Then
W.Range("J" & i) = W.Range("J" & i) & "H" End If
'Atribuição da UMIDADE (Umidade na coluna G, e atribuição na coluna J)
If W.Range("G" & i) >= 0 And W.Range("G" & i) < 20 Then W.Range("J" & i) = W.Range("J" & i) & "A"
ElseIf W.Range("G" & i) >= 20 And W.Range("G" & i) < 40 Then W.Range("J" & i) = W.Range("J" & i) & "B"
ElseIf W.Range("G" & i) >= 40 And W.Range("G" & i) < 60 Then W.Range("J" & i) = W.Range("J" & i) & "C"
ElseIf W.Range("G" & i) >= 60 And W.Range("G" & i) < 80 Then W.Range("J" & i) = W.Range("J" & i) & "D"
ElseIf W.Range("G" & i) >= 80 And W.Range("G" & i) <= 100 Then W.Range("J" & i) = W.Range("J" & i) & "E"
End If
'Atribuição da RADIAÇÃO (Radiação na coluna D, e atribuição na coluna J)
If W.Range("I" & i) >= -5 And W.Range("I" & i) < 1000 Then W.Range("J" & i) = W.Range("J" & i) & "A"
ElseIf W.Range("I" & i) >= 1000 And W.Range("I" & i) < 2000 Then W.Range("J" & i) = W.Range("J" & i) & "B"
ElseIf W.Range("I" & i) >= 2000 And W.Range("I" & i) < 3000 Then W.Range("J" & i) = W.Range("J" & i) & "C"
ElseIf W.Range("I" & i) >= 3000 And W.Range("I" & i) < 4000 Then W.Range("J" & i) = W.Range("J" & i) & "D"
ElseIf W.Range("I" & i) >= 4000 And W.Range("I" & i) < 6000 Then W.Range("J" & i) = W.Range("J" & i) & "E"
ElseIf W.Range("I" & i) >= 6000 Then
W.Range("J" & i) = W.Range("J" & i) & "F" End If
i = i + 1 Loop End Sub
B. Etapa da comparação dos dados a serem previstos com os dados do histórico e do cálculo da variação horária da carga
Dim W As Worksheet Dim x As Integer Dim y As Integer Dim k As Integer Dim i As Integer Dim u As Integer Dim Q As Worksheet Dim D As Worksheet Set W = Sheets("Historico") Set Q = Sheets("Previsao")
Set D = Sheets("Tratamento Estatístico") Q.Select
y = 2 'variável da planilha dos dados do histórico
i = 3 'variável da planilha do Tratamento Estatístico
x = 2 'variável da planilha do cálculo da Previsão
Do While x <= 19345
Q.Range("G" & x).Select
If Q.Range("C" & x) = "NA" Then ActiveCell = ""
Else
Do While y <= 25562
'Comparação das atribuições
If Q.Range("C" & x) = W.Range("J" & y) Then
'Ver se A CARGA está dentro do limite superior e inferior do desvio
Set LI = D.Range("G" & i) Set LS = D.Range("H" & i) Set Carga = W.Range("E" & y)
If Carga >= LI And Carga <= LS Then
'Copiar a Carga da atribuição igual
ActiveCell = W.Range("E" & y) Carga0 = W.Range("E" & y) ActiveCell.Offset(1, 0).Select
'Copiando a carga do histórico para uma hora à frente
k = y + 1
ActiveCell = W.Range("E" & k) Set Carga1 = W.Range("E" & k) ActiveCell.Offset(1, 0).Select k = k + 1
'Cálculo da variação entre a hora atual e a hora à frente
If Carga0 = "" Or Carga1 = "" Then ActiveCell.Offset(1, 0).Select Else
ActiveCell = ((Carga1 / Carga0) - 1) * 100 ActiveCell.Offset(1, 0).Select End If End If End If y = y + 1 Loop End If End If y = 2 i = i + 1 x = x + 26 Loop End Sub
C. Etapa do cálculo da previsão da carga
Dim Q As Worksheet Dim x As Long Dim t As Long Dim i As Long
Dim Eant As Variant 'carga da hora anterior
Dim Fant As Variant 'variação média total encontrada da hora anterior
em relação a próxima hora
Set Q = Sheets("Previsao") Q.Select
x = 2 i = 2
Do While x <= 19345
Q.Range("E" & x).Select
If Q.Range("G" & x) <> "" Then
i = x
Do While t <= x + 24
If Q.Range("F" & i) = "" Or Q.Range("F" & i) = "" Then ActiveCell.Offset(1, 0).Select
t = t + 1 i = i + 1 Else
'Calculo da carga prevista considerando a variação média
Q.Range("E" & t).Select Set Fant = Q.Range("F" & i) Set Eant = Q.Range("E" & i)
Q.Range("E" & t) = Eant + (Eant * Fant / 100) t = t + 1 i = i + 1 End If Loop End If x = x + 26 Loop End Sub