Predição de fluxo de potência usando redes neurais recorrentes com L.S.T.M. e algoritmo genético em um barramento IEEE 30
Palabras clave:
Previsão de Fluxo de Potência, LSTM, Algoritmo Genético, Potência Ativa, Potência Reativa, Smart GridsResumen
A previsão precisa das potências ativas (P) e reativas (Q) em redes elétricas é fundamental para aprimorar a confiabilidade operacional e o planejamento nos sistemas de potência modernos. Este artigo propõe um modelo de previsão baseado em redes neurais do tipo Long Short-Term Memory (LSTM) para estimar a demanda de carga em um sistema IEEE de 30 barras. O modelo considera como variáveis de entrada as potências ativas e reativas fornecidas pelos geradores, enquanto os componentes de potência das cargas são utilizados como variáveis-alvo de previsão. Para aprimorar o desempenho, foi empregado um Algoritmo Genético (GA) na otimização de hiperparâmetros, o que reduziu o Erro Absoluto Médio (MAE) e aumentou a precisão das previsões. Os resultados demonstram que a abordagem proposta fornece previsões estáveis do comportamento das cargas, evidenciando seu potencial de aplicação em smart grids e em sistemas de gerenciamento de microrredes.
