Modelo de previsão dos consumos na RNT considerando a Produção Distribuída

Em Portugal, a entidade responsável pelo transporte de eletricidade é a REN – Redes Energéticas Nacionais, sendo esta a única concessionária que opera na RNT. Esta concessão implica a REN ser responsável pelo planeamento, a construção, a operação e a manutenção da RNT, abrangendo ainda o planeamento e a gestão técnica global do Sistema Elétrico Nacional. O Gestor de Sistema (GS) deve assim assegurar de forma ininterrupta os equilíbrios necessários aos desempenhos técnico do sistema elétrico a nível nacional, garantindo a qualidade de serviço, em condições de segurança e sempre com as convenientes margens de reserva. 

 

A RNT tem o objetivo de ligar os produtores aos centros de consumo, e ainda a interligação necessária com a rede de transporte europeia para garantir o funcionamento dos mercados de eletricidade. Para além das centrais térmicas e hídricas clássicas de grande dimensão, têm surgido muitas outras de menor potência, no âmbito da cogeração ou da produção de origem renovável. Assim, os diagramas de carga das subestações da RNT na fronteira com a rede de distribuição sofreram nos últimos anos uma profunda modificação. Esta deve-se ao crescente número de Produtores Distribuídos (PD) presentes nas redes de distribuição, em especial devido aos produtores eólicos, que apresentam um carácter volátil na produção de energia.

 

Atualmente, a PD totaliza valores muito significativos, por vezes até superiores aos do consumo de uma subestação, aumentando a incerteza na previsão das cargas. Devido a esta incerteza surgiu a necessidade de desenvolvimento de um modelo, que utiliza técnicas de previsão baseadas em inteligência artificial, para previsão dos consumos nos Pontos de Entrega (PdE) da RNT, de modo a auxiliar o GS na tomada de decisão relativamente às solicitações de indisponibilidades de transformadores de potência ou linhas da RNT, sem colocar em risco os consumos garantindo sempre as margens de reserva adequadas.

 

No GS está disponível uma ferramenta de previsão de carga de curto prazo baseada em Redes Neuronais Artificias (RNA).

Contudo, esta apresenta algumas limitações:

 

• Previsão de carga para um número limitado de PdE;

• A aprendizagem das RNA requer um tempo de computação muito elevado;

• Não contempla na estrutura da RNA, a possibilidade de indicação da ocorrência de situações anómalas nos dados considerados para a previsão;

• O erro da previsão tem alguma margem de redução;

• Método moroso para o tratamento de dados provenientes de fontes diferentes.

 

Tomando como ponto de partida as limitações que a ferramenta de previsão utilizada pelo GS apresenta, surge a motivação para a realização desta dissertação.