Priscila Santos - Academia.edu (original) (raw)
Related Authors
UERJ - Universidade do Estado do Rio de Janeiro / Rio de Janeiro State University
Uploads
Papers by Priscila Santos
ChemBioChem, 2020
A previsão de carga é utilizada na controlabilidade do Sistema Integrado Nacional (SIN) e para a ... more A previsão de carga é utilizada na controlabilidade do Sistema Integrado Nacional (SIN) e para a garantia da segurança elétrica e energética do atendimento na ponta. Atualmente, é essencial em termos de tomada de decisão em tempo real para o Operador Nacional do Sistema (ONS) e para o planejamento da coordenação hidrotérmica de médio e longo prazo. A previsão precisa da carga resulta em redução de custos operacionais e na maior confiabilidade do sistema elétrico, auxiliando na definição do número de unidades geradoras que precisam ser construídas nos próximos anos e na quantidade de energia que deve ser gerada a cada hora ao longo dos dias. Estima-se, para 2020, o início da operação do sistema DESSEM, que calculará o custo de energia no SIN baseado em dados de previsão de carga, e otimizará a expedição hidrotérmica a cada hora. Dada a relevância desta tarefa, este artigo apresenta três técnicas para a previsão de carga com granularidade horária: um modelo autorregressivo integrado de médias móveis (ARIMA) e dois modelos não-lineares, baseados em redes neurais artificiais recorrentes (GRU e LSTM), que têm obtido resultados superiores quando comparado a outras técnicas de previsão. Verifica-se que as redes LSTM e GRU apresentam resultados com menor erro percentual absoluto que o modelo ARIMA. Este tipo de modelo foi usado em um caso real por uma comercializadora de energia na cidade do Rio de Janeiro a qual conseguiu melhorar em 7% suas previsões, reduzindo custos de operação.
ChemBioChem, 2020
A previsão de carga é utilizada na controlabilidade do Sistema Integrado Nacional (SIN) e para a ... more A previsão de carga é utilizada na controlabilidade do Sistema Integrado Nacional (SIN) e para a garantia da segurança elétrica e energética do atendimento na ponta. Atualmente, é essencial em termos de tomada de decisão em tempo real para o Operador Nacional do Sistema (ONS) e para o planejamento da coordenação hidrotérmica de médio e longo prazo. A previsão precisa da carga resulta em redução de custos operacionais e na maior confiabilidade do sistema elétrico, auxiliando na definição do número de unidades geradoras que precisam ser construídas nos próximos anos e na quantidade de energia que deve ser gerada a cada hora ao longo dos dias. Estima-se, para 2020, o início da operação do sistema DESSEM, que calculará o custo de energia no SIN baseado em dados de previsão de carga, e otimizará a expedição hidrotérmica a cada hora. Dada a relevância desta tarefa, este artigo apresenta três técnicas para a previsão de carga com granularidade horária: um modelo autorregressivo integrado de médias móveis (ARIMA) e dois modelos não-lineares, baseados em redes neurais artificiais recorrentes (GRU e LSTM), que têm obtido resultados superiores quando comparado a outras técnicas de previsão. Verifica-se que as redes LSTM e GRU apresentam resultados com menor erro percentual absoluto que o modelo ARIMA. Este tipo de modelo foi usado em um caso real por uma comercializadora de energia na cidade do Rio de Janeiro a qual conseguiu melhorar em 7% suas previsões, reduzindo custos de operação.