Validação da qualidade de energia em carga diária de micro rede isolada utilizando modelos modulares diferenciais, LSTM profundo e estatísticas de probabilidade processando dados NWP

Correções de carga com relação à qualidade de energia (PQ) após a primeira pré-estimativa do consumo de energia de Fontes Renováveis (RE) devem garantir um desempenho tolerante do sistema sem falhas. Primeiro, sequências de carga diária aceitáveis para os equipamentos conectados são combinadas e determinadas de acordo com o potencial de RE e estados de carga em acomodação às necessidades dos usuários e operação normal. A principal motivação é uma verificação contínua, dia após dia, das tarefas de consumo de energia programadas algoritmicamente na proposta de otimização em duas etapas, de acordo com os recursos do sistema e as necessidades do usuário. Inteligência artificial (IA) estatística é empregada, uma vez que as turbulências atmosféricas locais com obstáculos de terreno e atividade inesperada dos usuários resultam em vários estados operacionais em microsistemas reais. Uma nova estratégia neurocomputacional não convencional, chamada Aprendizado Diferencial (DfL), foi aplicada na modelagem e previsão dos parâmetros de PQ de alta dinâmica em um sistema experimental baseado em RE de acordo com dados de treinamento de entrada e saída, sem uma especificação exata de seu comportamento. Os modelos DfL foram comparados com técnicas recentes de aprendizado profundo e de máquina. Modelos de previsão foram formados após uma detecção inicial de intervalos de treinamento diários adequados. Os modelos de IA foram finalmente testados para processar a série completa de 24 horas de previsão das variáveis de entrada relacionadas usadas no aprendizado, para estimar a saída-alvo de PQ nos tempos correspondentes.