Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/24038
Files in This Item:
File Description SizeFormat 
2017_LucasDantasXavierRibeiro.pdf18,15 MBAdobe PDFView/Open
Title: Adaptive Kalman based forecasting for electric load and distributed generation
Authors: Ribeiro, Lucas Dantas Xavier
Orientador(es):: Costa, João Paulo Carvalho Lustosa da
Assunto:: Kalman, filtragem de
Geração distribuída de energia elétrica
Sistemas elétricos
Issue Date: 9-Aug-2017
Citation: RIBEIRO, Lucas Dantas Xavier. Adaptive Kalman based forecasting for electric load and distributed generation. 2017. xxvii, 249 f., il. Dissertação (Mestrado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2017.
Abstract: O fornecimento de eletricidade de forma perene, barata e confiável é de primordial importância econômica. Os sistemas elétricos necessitam de ferramentas robustas de previsão de demanda para implementar planos eficientes e razoáveis de expansão e operação. A inserção de geração distribuída adiciona um novo nível de complexidade a esta tarefa, pois não somente a geração descentralizada diminui a carga de modo aleatório e intermitente, como também inevitavelmente produz alterações nas séries históricas de carga usadas para fazer as previsões. Ambos os efeitos agem no sentido de aumentar os erros de predição no curto e no longo prazo, ameaçando a eficiência operacional e, no pior caso, a estabilidade do sistema. Este trabalho apresenta a previsão de carga e geração como um problema de estimação dinâmica de estado via filtros adaptativos de Kalman. As variáveis a serem estimadas são das demandas de base, média e de pico, assim como a geração fotovoltaica. Como medições e observações, são utilizadas previsões de tempo, datas e eventos de calendário, tarifas de eletricidade, índices e estimativas econômicas e demográficas. Combinações preprocessadas destas medições são usadas como as variáveis de entrada para a previsão.
Abstract: The availability of a source of continuous, cheap and reliable energy is of foremost economic importance. The electric systems need robust load forecasting tools to implement efficient and reasonable expansion and operation plans. The introduction of distributed generation adds a new level of complexity to this task, as not only the decentralized generation reduces load in a random and intermittent way, but also inevitably embeds in the historic loads used to forecast. Both effects act to increase prediction errors in short and long term, jeopardizing operational efficiency and, in worst case, system reliability. This work presents the load and generation forecasting as a dynamic state estimation problem by means of Kalman adaptive filters. The variables to be estimated are daily base, average and peak electric load, as well as PV generation. As measurements and observations, this work uses weather forecasts, calendar dates and events, energy tariffs, economic and demographic indexes. Preprocessed combinations of these measurements are the input variables employed for forecasting.
Description: Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2017.
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:ENE - Mestrado em Engenharia Elétrica (Dissertações)

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/24038/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.