Revista internacional de inteligencia de enjambre y computación evolutiva

Abstracto

Pronóstico a corto plazo de la carga y de la energía renovable mediante redes neuronales artificiales

Ram Srinivasan, Venki Balasubramanian, Buvana Selvaraj

La previsión de carga es una técnica utilizada para predecir las demandas de carga eléctrica en la gestión de baterías. En general, el nivel agregado utilizado para la previsión de carga eléctrica a corto plazo (STLF) consta de información numérica o no numérica recopilada de múltiples fuentes, lo que ayuda a obtener datos precisos y una previsión eficiente. Sin embargo, el nivel agregado no puede pronosticar con precisión las fases de validación y prueba de los datos numéricos, incluidas las mediciones en tiempo real del nivel de irradiancia (W/m2) y la potencia de salida fotovoltaica (W). La previsión también es un desafío debido a las fluctuaciones causadas por el uso aleatorio de los electrodomésticos en los datos de carga del ciclo semanal, diurno y anual existentes. En este estudio, hemos superado este desafío mediante el uso de métodos de redes neuronales artificiales (ANN), como los algoritmos de regularización bayesiana (BR) y Levenberg-Marquardt (LM). La STLF lograda por los métodos basados ​​en ANN puede mejorar la precisión de la previsión. El rendimiento general de los algoritmos BR y LM se analizó durante las fases de desarrollo de la ANN. La capa de entrada, la capa oculta y la capa de salida utilizadas para entrenar y probar la red neuronal artificial predicen en conjunto la demanda de electricidad durante las 24 horas. Los resultados muestran que el uso de los algoritmos LM y BR ofrece una arquitectura altamente eficiente para la estimación de la demanda de energía renovable.