Anais do Evento

A presente pesquisa concentra-se no estudo da otimização estratégica de cargas de fontes renováveis de energia intermitente, baseada no controle da carga do cliente, utilizando modelos computacionais baseados em redes neurais, desenvolvidos em linguagem Python, com o intuito de fornecer mecanismos que auxiliem no monitoramento e controle de redes elétricas inteligentes. Para a realização do aprendizado da rede neural, utilizou-se os algoritmos Backpropagation e Feedforwad. A rede neural em questão, faz o uso de neurônios de histerese por meio do modelo L²P (Limiting Loop Proximity), realizando a gestão de energia atribuída a cada perfil de usuário, e faz o horizonte de planejamento, baseado nas curvas de previsão de radiação solar e velocidade do vento. Para avaliar o modelo, empregou-se dados reais obtidos no Instituto Nacional de Meteorologia (INMET). A utilização das redes neurais para o aprimoramento do sistema elétrico, tem aumentado significativamente nos últimos anos, tornando-o menos complexo e mais eficaz. Nesse sentido, o uso dessas redes utilizando modelos computacionais, como o L²P, são empregados a fim de melhorar o sistema elétrico proporcionando maior confiança tanto para o fornecedor, quanto ao consumidor. O presente artigo dedica-se ao estudo de DSM, do inglês Demand-Side Management, também conhecido como gerenciamento pelo lado da demanda, que tem como objetivo de alterar a carga dos consumidores a reduzir o uso de energia nos horários de pico e alterar o tempo de uso de energia para horários fora de pico, utilizando redes neurais de histerese L²P para aplicação em Smart Grids. O resultado obtido é classificado como extremamente relevante, tanto na predição de recursos renováveis, quanto para a otimização das cargas de demanda em toda a matriz energética, pois trouxe redução de pico. Para verificar, os dados de cada cidade foram simulados em uma rede, com demandas residenciais e industriais.