CONTROLADOR DE DEMANDA DE ENERGIA ELÉTRICA UTILIZANDO REDES NEURAIS ARTIFICIAIS

Resumo

Na atual situação mundial de escassez de recursos, a economia de energia elétrica tornou-se algo relevante. Sendo assim, a Universidade Federal de Lavras, com o objetivo de evitar a ultrapassagem da demanda de energia elétrica contratada, adquiriu um sistema controlador de demanda. O presente trabalho teve como objetivo melhorar o desempenho do controlador de demanda, otimizando, de forma inteligente e dinâmica, a prioridade de desligamento das cargas. Para isso, foram utilizadas técnicas de inteligência computacional para a criação de um sistema automatizado que aliado ao controlador de demanda possa obter um melhor desempenho. Foi desenvolvido um sistema de classificação da prioridade de cada carga, bem como um sistema de previsão da demanda de energia elétrica para os próximos 15 minutos. A metodologia empregada foi baseada em Redes Neurais Artificiais para o desenvolvimento dos dois sistemas computacionais trabalhando paralelamente. Através dos resultados obtidos em simulação verifica-se índices satisfatórios para o sistema de previsão e para o sistema de classificação. Conclui-se através dos resultados obtidos que o controlador de demanda, com a aplicação das técnicas de previsão e classificação, terá uma otimização do processo de desligamento das cargas.

ABSTRACT

In the current global situation of scarcity of resources, the saving of electric energy has become relevant. Therefore, the Federal University of Lavras, with the objective of avoiding the surpassing of contracted electric energy demand, acquired a demand controlling system. The present work had as objective to improve the performance of the demand controller, optimizing, intelligently and dynamically, the priority of load disconnection. For this, computational intelligence techniques were used to create an automated system that together with the demand controller can achieve better performance. A priority classification system for each load was developed, as well as a system for forecasting the demand for electricity for the next 15 minutes. The methodology used was based on Artificial Neural Networks for the development of the two computational systems working in parallel. The results obtained in the simulation showed satisfactory indexes for the prediction system and for the classification system. It is concluded through the results obtained that the demand controller, with the application of the forecasting and classification techniques, will have an optimization of the load disconnection process.