Previsão de Demanda de Energia Elétrica no Setor de Produção do Laticínio do IFMG - Campus Bambuí Utilizando Regressão de Vetores de Suporte

Brayan Rawlison Castoril, Bruno Alberto Soares Oliveira, Servílio Souza de Assis, Bárbara Roberta Morais, Francisco Heider Willy dos Santos

Resumo


A tarifação e os custos crescentes da energia elétrica nos fazem buscar soluções para reduzir os gastos e melhorar o controle do consumo de energia elétrica. Uma forma de se reduzir custos de energia é evitar multas provenientes de picos de demanda. A previsão de demanda de energia é importante para o desenvolvimento de controladores de demanda, pois esses podem atuar no controle de cargas elétricas antecipando ocorrências de picos, e dessa forma, evitar a ultrapassagem da demanda contratada. Nesse sentido, foi desenvolvido um sistema de medição de potência elétrica trifásica utilizando-se a plataforma Arduíno, além disso, avaliou-se um método de previsão de demanda de energia de curtíssimo tempo no setor de produção do laticínio do IFMG, a partir da estratégia Support Vector Regression (SVR). O sistema de medição foi avaliado e apresentou um erro médio de leitura de 1,16%, 1,34% e 1,1% para cada fase, em relação ao multimedidor utilizado para aferir. A coleta de dados durou sete dias e após esse período foi realizada a avaliação de um método de previsão SVR e foi obtido um coeficiente de determinação (R2) de 0,60 e um erro médio absoluto percentual (MAPE) de 11,1%.

Texto completo:

PDF

Referências


ALBUQUERQUE, P. H. Previsão de séries temporais financeiras por meio de máquinas de suporte vetorial e ondaletas. [S.l.], 2014.

ANDRADE, L. C. M. de. Abordagem neurofuzzy para previsão de demanda de energia elétrica no curtíssimo prazo. Dissertação (Mestrado) — Escola de Engenharia de São Carlos da Universidade de Sã o Paulo, 2010.

BAGATTELLO, V. A.; CORDEIRO, M. X.; JUNIOR, A. D. P. Redes neurais aplicadas a previsão de séries temporais. In: XI Encontro de Iniciação Científica e Pós Graduação do ITA. [S.l.: s.n.], 2005.

BASAK, D.; PAL, S.; PATRANABIS, D. C. Support vector regression. Neural Information Processing-Letters and Reviews, Citeseer, v. 11, n. 10, p. 203–224, 2007.

BOYLESTAD, R. L. Introdução à análise de circuitos. Tradução de José Daniel Vieira e Jorge Ritter. Revisão técnica de Benedito Donizete Bonatto. São Paulo : Pearson Prentice Hall, v. 12, 2012.

BRITO, N. M. et al. Validação de métodos analíticos: estratégia e discussão. Pesticidas: Revista de Ecotoxicologia e Meio Ambiente, v. 13, 2003.

CAMPOS, R. J. Previsão de séries temporais com aplicações a séries de consumo de energia elétrica. 2008. 85 f. Tese (Doutorado) — Dissertação (Mestrado em Engenharia Elétrica)-Universidade Federal de Minas Gerais, Belo Horizonte, 2008. EPE, B. E. de P. E. Balanço energético nacional, séries completas. Disponível: http://www. mme. gov. br/documents/10584/. Acesso, v. 13, 2017.

GUEDES, J. Manual da tarifação de energia elétrica. Rio de janeiro–RJ: PROCEL EDIFICA, 2011.

MAKRIDAKIS, S.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting: methods and applications. [S.l.]: John Wiley & Sons, 1998.

MCROBERTS, M. Arduino básico. São Paulo: Novatec, v. 1, 2011.

OLIVEIRA, A. Novo modelo elétrico - papel ampliado para geração distribuída. INEE - Instituto Nacional de Eficiência Energética, 2004.

OLIVEIRA, B. A. S. Desenvolvimento de um protótipo de sistema de monitoramento de energia elétrica via internet: um estudo de caso no ifmg-campus bambuí. 2017.

RUAS, G. I. et al. Electrical energy demand prediction using artificial neural networks and support vector regression. In: IEEE. Communications, Control and Signal Processing, 2008.

ISCCSP 2008. 3rd International Symposium on. [S.l.], 2008. p. 1431–1435.

RUAS, G. I. S. et al. Previsão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression. 2012.

SOUZA, A. R. de et al. A placa arduino: uma opçao de baixo custo para experiências de fısica assistidas pelo pc. Revista Brasileira de Ensino de Fısica, v. 33, n. 1, p. 1702, 2011.

STEVENSON, W. D. Elements of power system analysis. McGraw-Hill, 1975.

TORRINI, F. C. Modelos de Lógica Fuzzy para a Previsão de Longo Prazo de Consumo de Energia. Tese (Doutorado) — PUC-Rio, 2014.

VASCONCELOS, L. P. et al. Uma comparação de técnicas de regreção para a previsão de consumo de energia residencial no cenário nacional. 2017.

VASCONCELOS, L. P. et al. Uma revisão da literatura na previsão de consumo de energia elétrica residencial utilizando técnicas de aprendizado de máquina. 2017.

VIEIRA, M. C. Controlador de Demanda de Energia Utilizando Inteligência Computacional. Dissertação (Mestrado) — Dissertação de Mestrado, Programa de Pós-Graduação em Engenharia de Sistemas e Automação da Universidade Federal de Lavras, 2016.




DOI: https://doi.org/10.13037/ras.vol14n2.240

Apontamentos

  • Não há apontamentos.


Revista de Informática Aplicada - USCS/UFABC

 

Indexadores que a RIA faz parte: