previsão geográfica de consumos “spatial load forecasting”

Consumo de electricidade

2020

2015

2010

2005

Previsão Geográfica de ConsumosPrevisão Geográfica de Consumos“Spatial Load Forecasting”“Spatial Load Forecasting”

Cláudio MonteiroCláudio Monteiro

Distribuição de Energia II5º ano da LEEC - ramo de Energia (FEUP)

Onde e quando ?Onde e quando ?Maia, 1995 Maia, 2002

Novos consumidores domésticos Novos consumidores industriais

Sistemas de informação geográficaSistemas de informação geográfica

consumidoresconsumidores

casascasas

estradasestradas

realidaderealidade

Sistemas de informação geográficaSistemas de informação geográficaVectorialVectorial RasterRaster SuperfíciesSuperfícies

Cálculos com Cálculos com

MapasMapas

Previsão Geográfica de ConsumosPrevisão Geográfica de Consumos

Distance to Roads

Distance to Urban center

Terrain Slope

Factores de influência geográfica

Previsão do crescimento geográfico

Previsão Global

Mapas de cargaModelo de

utilização final

Distribuição geográfica dos consumidores

Consumo por consumidorforma e energia dos diagramas

Distância a Estradas

Dist. centros urbanos

Topografia

Número de consumidorespor tipo e por potência contratada

Fuzzy Spatial Load ForecastingFuzzy Spatial Load Forecasting

Fuzzy SystemCellular

Automata

Potential for Development

Global Forecasting

Scenario CoordinatorDevelopment

GeographicInfluence Factors

IF (distance to road is CLOSE) AND(distance to urban center is MODERATE CLOSE) AND

(terrain slope is MODERATE) AND(domestic saturation is MEDIUM) AND(industrial saturation is MEDIUM)……..

THENdomestic PfD = 20 consumers per stage per km2 AND

industrial PfD = 0.1 consumers per stage per km2……..

Knowledge Base


Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…



Automata


Global Forecasting



Global number of consumers growth

per stage




Automata


Global Forecasting


DevelopmentCA state change depends on:Potential for Development

a) Positive feedback

b) Neighborhood effect

c) Innovation factor

c

t

jiji

t

ji

b

t

jiji

a

t

jiji

t

ji DPDPDPPji

,

0

,

1

,,

0

,,

0

,

1

,

,8

1




Automata


Global Forecasting


tt-1time stage

St

St-1

Saturationlevel

Dt

St

low

medium

highCoast RoadConstruction on stage 2

Ring RoadConstruction on stage 6

Dynamic Influence FactorsSt

St-1

Dt

St


Fuzzy System implementationFuzzy System implementation

1

0max,

vN

i

i

Ljik NLcod

Rule coding

2v Maps

10 1 2 3 4

0 50 3000 5000 10000

Dis

tanc

e to

Roa

ds (

m) 0 - Very close

1 - Close2 - Quite close3 - Far4 - Very far

10 1 2 3

0 1000 5000 10000

Dis

tanc

e to

U

rban

cen

ters

(m

)

0 - Very close1 - Close2 - Far3 - Very far

1x

2x

11xA

22xA

Rule coding =

Distance to road Distance to road quite closequite close (L(L11=2)=2)

Distance to urban center Distance to urban center closeclose (L(L22=1)=1)



1

0max,

vN

i

i

Ljik NLcod

Rule coding

2v Maps

10 1 2 3 4

0 50 3000 5000 10000

Dis

tanc

e to

Roa

ds (

m) 0 - Very close


1 0 1 2 3

0 1000 5000 10000

Dis

tanc

e to

U

rban

cen

ters

(m

)


1x

2x

distance to road distance to road is 2000mis 2000m and and

distance to urban centerdistance to urban center is 4000m is 4000m

2000

0.7

0.3

4000

0.2

0.8



1

0max,

vN

i

i

Ljik NLcod

Rule coding

2v Maps

10 1 2 3 4

0 50 3000 5000 10000

Dis

tanc

e to

Roa

ds (

m) 0 - Very close


1 0 1 2 3

0 1000 5000 10000

Dis

tanc

e to

U

rban

cen

ters

(m

)


1x

2x

2000

0.7

0.3

4000

0.2

0.8

label variable,

CompositionComposition

(matching value)(matching value)

v

vvariablek rule

conjunctionconjunction

(support value)(support value) rule rule activationactivation 0,14


Fuzzy System implementationFuzzy System implementation1

0 1 2 3 4

0 50 3000 5000 10000

Dis

tanc

e to

Roa

ds (

m) 0 - Very close


1 0 1 2 3

0 1000 5000 10000

Dis

tanc

e to

U

rban

cen

ters

(m

)


1x

2x

2000

0.7

0.3

4000

0.2

0.8

label variable,

CompositionComposition

(matching value)(matching value)

v

vvariablek rule

conjunctionconjunction

(support value)(support value) rule rule activationactivation

i

iAk xki ,

Support value

2v Maps



Rule 2

Rule 6

Rule 4

1x

2x

1X

2X

iAji xji

,,

i

iAk xki ,

k

k

N

kk

N

kkk b

y

1

1

Zero-order Sugeno fuzzy rules

Output

Matching values

Support values

Output

kk bf

Ruleconsequent

b2

b6

b4


Fuzzy system trainingFuzzy system training– identification of the zero-order Sugeno coeficients identification of the zero-order Sugeno coeficients bbkk

– by minimizingby minimizing the error function (local learning)the error function (local learning)

pN

pkpkp byE

1

2

kp

Historicaldevelopment

py

Rule base

Rule 2

Rule 5

Rule 4

1X

2X

p

p

N

pkp

N

ppkp

k

y

b

1

1

For all activation

points

Rule weightDistance to roads

Distance to centers

Historical influence factors


Merging judgmental informationMerging judgmental information

1x

1

0 1000 3000 5000 10000

2x

1

0 1000 5000 10000

Dis

tanc

e t

o R

oads

(m

)D

ista

nce

to

Urb

an c

ente

rs (

m)

Judgmental Output

h

hN

kk

kk yhb

k

1

Rule tuning

– Knowledge-base update based on human expert rulesKnowledge-base update based on human expert rules

IF (distance to road is M1) AND(distance to urban center is M2) .

THENdomestic PfD is h consumers per stage per km2

0,13,11,1 2,1

Rule 2

Rule 6

Rule 4

k

k

N

kk

N

kkk b

y

1

1

Matching values

System Output

3,22,2

1,2

i

iAk xki ,

kk bf

MM11

MM22

Fuzzy inputsFuzzy inputs


ExemploExemplo Factores de influência:

• Distância ao centro urbano principal• Distância a centros urbanos secundários• Nível de saturação• Distância a estradas• Distância à linha da costa• Inclinação do terreno

Construção da base de conhecimento:• 2512 regras geradas automaticamente com base em 38400 áreas elementares.• 266 geradas pelo conhecimento de especialistas

Crescimento global:• crescimento, entre 1000 e 4000 consumidores por ano

ExemploExemplo

Construção de novas estradas (Cenário 1)Construção de novas estradas (Cenário 1)

AnelConstrução no ano 6

MarginalConstrução no ano 2

ExemploExemplo

Stage 1Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7

Exemplo (cenário 2)Exemplo (cenário 2)

Alterando o ano da construção (Cenário 2)Alterando o ano da construção (Cenário 2)

AnelConstrução no ano 2

MarginalConstrução no ano 6

Exemplo (cenário 2)Exemplo (cenário 2)


Comparação dos cenáriosComparação dos cenáriosCenário 1Marginal no ano 2

Cenário 2Anel no ano 2 Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7

Diferente crescimento globalDiferente crescimento global

1000

2000

3000

4000

Stage

1

Stage

2

Stage

3

Stage

4

Stage

5

Stage

6

Stage

7

Scenario 2

Scenario 3

Glo

ba

l tre

nd

ing

Cenário 2Anel no ano 2Marginal no ano 6Crescimento linear

Cenário 3Anel no ano 2Marginal no ano 6Crescimento não linear

Característica de crescimentoCaracterística de crescimentoStage 1

A

B

C

D

0

20

40

60

80

100

Stage

1

Stage

2

Stage

3

Stage

4

Stage

5

Stage

6

Stage

7

Sa

tura

tion

Le

vel

Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7

A (Scn2)A (Scn3)C (Scn2)C (Scn3)D (Scn2)D (Scn3)B (Scn2)B (Scn3)

Crescimento anual

Adicionando informação qualitativaAdicionando informação qualitativa

IF (distance to road is (MEDIUM HIGH VERY HIGH)) AND(other variables is (DON’T CARE)) AND

THENdomestic PfD DECREASE 20%

Incertezas geográficasIncertezas geográficas Factores de influência:

• Distância ao centro urbano principal

• Distância a centros secundários

• Nível de saturação

• Distância a estradas

• Distância à linha da costa

• Inclinação do terreno

Crescimento global:• crescimento, entre 1000 e 4000 consumidores

Simulação de Montecarlo:• 30 previsões por ano• avaliação contínua da convergência

Incertezas Distância à mancha % [75;85]

Distância à mancha % [75;85]

N( 0 , is 10%; result from iter s-1)

N( DTM , STD da vizinhança)

N( linear , 20%)

Incertezas geográficasIncertezas geográficas


Variância do crescimento da carga obtida por simulação de incertezas nas variáveis de entrada e na propagação

Using Spatial Load ForecastingUsing Spatial Load Forecasting

Traçados geográficosTraçados geográficos

Influência da inclinaçãoInfluência da inclinação

Influência da distribuição das cargasInfluência da distribuição das cargas

Traçados geográficosTraçados geográficos

Localização de subestaçõesLocalização de subestações4 iterations 3 iterations4 iterations 3 iterations

Traçados geográficosTraçados geográficosTrabalho de seminário 2004/2005…Trabalho de seminário 2004/2005…

previsão geográfica de consumos “spatial load forecasting”

Documents