PCR: um modelo híbrido para previsão de grandezas elétricas aplicado em estudo de caso de um regulador de tensão em operação

• Ano de defesa: 2022
• Autor(a) principal: Costa, Ricardo dos Santos
• Orientador(a): Barbosa, Jorge Luis Victória
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Pré-processamento de dados; Classificação; Predição de grandezas elétricas; Aprendizado de máquina
• Palavras-chave em Inglês: Data pre-processing; Classification; Prediction of electrical quantities; Machine learning
• Área do conhecimento CNPq: ACCNPQ::Engenharias::Engenharia Elétrica
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/12180

O crescente aumento da demanda por energia elétrica em conjunto com exigências impostas pelos órgãos reguladores têm levado o sistema de distribuição de energia elétrica convencional a evoluir para o contexto de redes inteligentes. A aquisição e análise de dados são questões centrais para a evolução do sistema de distribuição. As tecnologias de aprendizado de máquina estão ganhando espaço nos estudos aplicados, tornando esse um tema emergente, porém os estudos relacionados não abordam a preparação e análise dos dados antes da aplicação nos modelos de inteligência artificial. Nesse cenário esse trabalho responde à questão de pesquisa de como seria um modelo capaz de efetuar o pré-processamento de dados, classificá-los e realizar predições de grandezas elétricas. Em comparação com trabalhos relacionados há indicação que esse é o primeiro estudo que aborda o préprocessamento e agrupamento de dados por similaridade visando aumentar a eficácia dos modelos de inteligência artificial. Aplicando o método Fuzzy C-Means para classificação de dados são percebidos outliers que não eram encontrados antes da criação de clusters, também são percebidos pontos críticos de operação do sistema com o método de Grubbs. A etapa de regressão apresenta predições realizadas com redes neurais LSTM com até quatro passos de tempo a frente com erro médio absoluto percentual de 0,16% utilizando uma base de dados real de uma concessionária de distribuição de energia elétrica.