Predição de Indicadores de Qualidade de Energia Utilizando Decomposição em Frequência e Redes Neurais Profundas
Nome: BRUNO STINGHEL MATTEDI
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 12/12/2022
Orientador:
Nome |
Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| BRUNO LÉGORA SOUZA DA SILVA | Examinador Externo |
| DOMINGOS SÁVIO LYRIO SIMONETTI | Examinador Interno |
| PATRICK MARQUES CIARELLI | Orientador |
Resumo: Com a evolução dos processos industriais, o mercado tem se tornado cada vez mais competitivo, onde qualquer vantagem pode ser o diferencial para uma empresa ser ou não bem sucedida. Este preceito também se aplica ao mercado de energia cativo, mesmo embora o consumidor não tenha a opção de escolher a sua distribuidora de energia. Isso ocorre pelo fato de que a Agência Nacional de Energia Elétrica (ANEEL), com seu poder regulatório, estabeleceu limites para alguns indicadores da qualidade do serviço, que ao serem ultrapassados pelas distribuidoras, acarretam em multas a serem pagas. Assim, o controle
desses indicadores proporciona uma grande vantagem estratégica, de modo que os investimentos possam ser otimizados para evitar que os limites sejam violados. Neste contexto, este trabalho apresenta uma abordagem baseada no uso de redes neurais para a predição de indicadores de uma distribuidora de energia elétrica. Mais especificamente, serão preditos os indicadores coletivos de continuidade da qualidade de serviço: Duração Equivalente de Interrupção por Unidade Consumidora (DEC) e Frequência Equivalente de Interrupção por Unidade Consumidora (FEC). O foco é criar predições que possuam um bom desempenho, possibilitando uma melhor gestão dos gastos com a redução dos valores pagos em multas. Neste trabalho foram utilizados três tipos de redes neurais, sendo elas: uma rede neural rasa, uma Long Short-Term Memory (LSTM) e uma Convolutional Neural Network (CNN) combinada com LSTM
(CNN+LSTM). Além disso, buscando a redução da complexidade dos dados, foram utilizadas duas técnicas de pré-processamento baseadas em decomposição em frequências das séries temporais: uma baseada em
Transformada Wavelet e outra baseada em decomposição empírica das séries temporais. A abordagem proposta baseada em redes neurais e decomposição das séries temporais foi aplicada a um conjunto de dados reais composto por indicadores DEC e FEC de uma distribuidora de energia elétrica. Comparando os resultados dos métodos propostos, foi possível observar que a decomposição baseada em Transformada Wavelet combinada com as redes LSTM e CNN+LSTM apresentaram melhores desempenhos para a predição dos indicadores DEC e FEC, respectivamente.
