Modelo de previsão dos consumos na RNT considerando a Produção Distribuída
Devido ao aumento da produção em regime especial, o diagrama de carga é fortemente influenciado. A produção distribuída apresenta uma enorme volatilidade, o que faz com que a previsão da potência de transformação seja afetada, podendo causar ao GS dificuldades na programação das indisponibilidades dos transformadores de potência presentes nas subestações MAT/AT da REN. Assim surge o termo carga natural, devido ao trânsito de potências passar a ser bidirecional nos transformadores da REN, traduzindo-se na soma de todos os produtores que se ligam a uma determinada subestação, com o trânsito efetivo nos transformadores de potência.
As subestações MAT/AT foram caraterizadas seguindo uma metodologia desenvolvida, com o objetivo de fornecer ao GS informações quanto ao tipo de consumo e tipo de sazonalidade.
Para desenvolvimento do novo modelo de previsão de CN a curto prazo, foi adotada uma técnica de previsão com Redes Neuronais. Esta técnica de previsão depende de variáveis de entrada da RNA. Foi então realizada uma análise sobre as variáveis justificativas do diagrama de carga, e qual a influência que estas têm na previsão de CN.
Os resultados demonstram que a carga natural da semana anterior e a de duas semanas anteriores para a mesma hora, estão fortemente correlacionadas com a carga natural da hora alvo, assim como a carga natural para uma e duas semanas anteriores com uma hora de atraso à hora alvo. Os dias de feriado introduzem uma alteração significativa no diagrama de carga, por isso foi dada especial atenção a estes dias. Concluiu-se que a influência que apresentam no diagrama de carga depende do dia da semana em que este ocorre, e do período festivo em que este se insere. A temperatura não apresentou uma elevada correlação, no entanto foi possível perceber-se que para temperaturas mais elevadas, a CN aumenta, acontecendo o mesmo para as temperaturas mais baixas.
Devido à grande quantidade de dados das variáveis envolventes, foram desenvolvidas metodologias bem estruturadas para o tratamento dos dados, e para o desenvolvimento dos testes realizados com as RNA, tornando assim os processos menos morosos e facilitando a acessibilidade dos dados. Caso seja necessário realizar um treino para uma nova subestação, ou realizar novos treinos com um novo conjunto de dados, apenas será necessário a introdução dos novos dados e automaticamente serão todos normalizados e agrupados para periodicidades de uma hora e de 15 minutos.
No desenvolvimento do novo modelo de previsão foram utilizadas redes neuronais do tipo unidirecional, com os seus neurónios organizados por camadas, Multilayer Perceptron, utilizando os algoritmos de treino Resilient Backpropagation(RPROP) e Levenberg-
Marquardt} (LM), onde estes dois algoritmos foram objeto de estudo a nível de tempo de computação e precisão. As variáveis de entrada, foram estudadas quanto à sua periodicidade, histórico de dados e influência na previsão de CN a curto prazo. Foi utilizada uma única camada escondida na RNA. Também o número de neurónios a utilizar na camada escondida foi objeto de estudo desta dissertação.
Os resultados obtidos revelam que o algoritmo LM é mais preciso face ao RPROP. No entanto necessita de um tempo computacional muito superior. Concluiu-se que para testes de estudo sobre a influência das variáveis, se pode utilizar o algoritmo mais rápido, o RPROP, e para testes finais deve-se aplicar o LM devido a sua precisão. A nível das variáveis de entrada, os resultados demonstram que a utilização de uma periodicidade de 15 minutos e histórico de dados de um ano, é o mais vantajoso.
O novo modelo desenvolvido apresentou resultados muito satisfatórios em comparação com o atual modelo de previsão do GS. O erro de previsão variou de subestação para subestação, no entanto apresentou sempre erros de previsão relativamente baixos e sempre inferiores ao atual modelo utilizado pelo GS. É de salientar que o novo modelo apresenta uma previsão mais precisa em algumas subestações para os dias de feriado, e nos dias em que a previsão dependa de um dia de feriado, o novo modelo desenvolvido apresentou previsões muito mais precisas.
Perante a eficácia de previsão do novo modelo desenvolvido, de forma a auxiliar o GS, foi desenvolvida uma aplicação informática, simples e intuitiva, que forneça de uma forma rápida, a previsão de carga natural ao GS. Assim, este poderá programar as indisponibilidades dos transformadores de uma forma mais segura, visto este modelo apresentar valores próximos à CN real. Esta aplicação foi desenvolvida em Matlab e Visual Basic.
