Previsão de demandas para controle dos montantes de uso do sistema de transmissão para distribuidoras de energia elétrica

Abstract

Resumo: Com o advento da Lei Federal nº. 10.848/2004, onde os agentes de distribuição devem garantir a sua remuneração apenas por meio da gestão de seus ativos, existe necessidade de um maior controle e gerenciamento dos fluxos de potência passantes pelos pontos de conexão do sistema de distribuição com a rede básica em função dos montantes de uso do sistema de transmissão contratados, a fim de se evitar tanto as subcontratações que podem resultar em penalidades para a distribuidora, como os excessos indesejados que oneram o consumidor. Portanto, há a necessidade por parte do agente distribuidor de prever os fluxos passantes em cada ponto de conexão, com exatidão e tempo hábil suficiente para permitir que possam ser tomadas medidas operativas, a fim de se evitar a ultrapassagem dos valores contratados. Sendo assim, pretende-se implementar técnicas de previsão de séries temporais utilizando-se inteligência artificial, Redes Neurais Artificiais e Máquinas de Vetor Suporte, para previsão destes fluxos nos pontos de conexão. Aplicando-se a técnica de máquinas de vetor suporte com regressão utilizando dados reais de uma distribuidora, depreende-se que os resultados obtidos alcançaram valores de erro médio percentual dentro dos limites cabíveis no problema real, com desempenho computacional suficiente para permitir a sua aplicação prática em casos reais

Abstract: With the advent of the Federal law no. 10.848/2004, where the agents of distribution should ensure their profits only through management of its assets, there is need for greater control and management of the flow of power by bystanders points of connection on the basis of the contracted amounts, and should be avoided the subcontracts that can result in penalties for the distributor, as the excesses that unwanted borne the costumers. So there is a need for the Distribution Agent to predict the flow bystanders at each point of connection, with accuracy and time enough to allow operational measures to be taken to prevent a breach of contract values. Therefore, it is intended to implement techniques for forecasting of time series, using artificial intelligence, Artificial Neural Network and Support Vector Machines, to forecast the flows at the point of connection. Applying to technical support vector machines with regression using actual data from an utility, it is clear that the results achieved value of average error percentage within the limits applicable in a real problem with performance computational enough to allow practical application in real cases