Objetivo do estudo
O objetivo e a novidade deste artigo é usar as regras do mercado brasileiro (seção 2, página 4) e a segunda condição mencionada por Hong & Fan (2016) (seção 1.1, página 4) para buscar eficiência em um método de previsão de eletricidade . A idéia é usar variáveis históricas da renda do suprimento de energia (SI), número de consumos (NC) e tarifa média de suprimento de energia (ST) nos tempos t, t-5, t-10 e t-20 na rede MLP para prever mensalmente a eletricidade por classe de consumo e oferta diante dos problemas de previsão de eletricidade e da situação econômica do país, condições para reduzir as perdas no mercado de eletricidade. (seção 4, páginas 6, 7 e 8).
Relevância/originalidade
O objetivo e a novidade deste artigo é usar a segunda condição mencionada por (Hong, 2016) usar variáveis históricas SI, NC, ST nos tempos t, t-5, t-10 e t-20 na rede MLP para prever a consumo mensal de eletricidade por classe de consumo e auxiliar a EDC no Brasil diante dos problemas mencionados anteriormente.
Metodologia/abordagem
Utilizar uma rede neural MLP com algoritmo backpropagation com atrasos ótimos para cada classe de consumo para determinar o consumo mensal de eletricidade de uma distribuidora de energia.
Principais resultados
As variáveis SI, NC e ST atrasadas por t-5, t-10 e t-20 foram úteis, tendo em vista a variação do consumo em diferentes classes de consumo, apresentando resultados interessantes, atingindo um consumo de 32614 GWh no ano, sendo 0,756% acima do consumo anual da distribuidora, supercontratada +244,70 GWh (figura 5).
Os resultados mostraram que é necessário encontrar a configuração adequada do número de neurônios para cada classe de consumo nas experiências realizadas com as variáveis no tempo t. Por outro lado, quando as variáveis de entrada são atrasadas, é necessário encontrar o atraso mais adequado para cada classe de consumo, pois são consumos independentes e, portanto, possuem características distintas de consumo de eletricidade e são as desvantagens dessa abordagem, pois o EDC terá que treinar redes neurais diferentes para obter eficiência na previsão.
Até o final de 2013, as classes de consumo residencial e comercial de eletricidade se estabilizaram, enquanto o consumo das indústrias só diminuiu desde 2003. Provavelmente, a situação econômica do país em que os empreendedores não investem no país.
Contribuições teóricas/metodológicas
O artigo propõe eficiência na previsão de eletricidade usando apenas 3 variáveis SI, NC, ST em uma RNA, com entradas nos tempos t, t-5, t-10 e t-20 por classe de consumo. A vantagem é que, ao usar poucos dados para cada classe de consumo (apenas 220 dados), a abordagem cria resultados interessantes sobre a capacidade de prever e, portanto, serve como suporte ao distribuidor de eletricidade (fig. 3, 4, 5, página 10). Os resultados deste artigo são comparados com alguns trabalhos usando RNA, técnicas de séries temporais e modelos híbridos (Tabela 4, página 11).
Os erros apresentados são tão bons quanto esses documentos, demonstrando que essa abordagem pode ser usada para prever eletricidade no Brasil e ajudar os distribuidores de eletricidade.
No entanto, é necessário treinar uma rede neural para cada classe de consumo e não foi possível obter erros iguais para todas as classes, isso é uma desvantagem dessa abordagem.
Contribuições sociais/para a gestão
Essa metodologia pode ser utilizada pelas distribuidoras de energia elétrica para reduzir perdas na contratação de energia elétrica e, consequentemente, diminuir o desperdício de energia, uma vez que a distribuidora terá uma melhor previsão de seu consumo e precisará contratar menos energia da geração de energia.