Modelos preditivos para previsão de carga de curto prazo na rede elétrica do Reino Unido

Existem esforços globais para implantar Veículos Elétricos (VEs) devido ao papel que prometem desempenhar na transição energética. Esses esforços ressaltam o paradigma da e-mobilidade, representando uma interação entre recursos de energia renovável, tecnologias inteligentes e transporte interconectado. No entanto, há preocupações de que essas iniciativas possam sobrecarregar a rede elétrica devido ao aumento da demanda. Portanto, a necessidade de previsão precisa de carga de curto prazo é crucial para o planejamento, operação e controle eficientes da rede e dos sistemas de energia associados. Este estudo apresenta modelos robustos para prever cargas de meia hora e hora no sistema de energia do Reino Unido. O trabalho utiliza técnicas de aprendizado de máquina, como Regressão de Vetores de Suporte (SVR), Redes Neurais Artificiais (ANN) e Regressão de Processos Gaussianos (GPR), para desenvolver modelos de previsão robustos usando o conjunto de dados de importações líquidas de 2010 a 2020. Os modelos foram avaliados com base em métricas como Erro Quadrático Médio (RMSE), Erro Absoluto Médio de Previsão (MAPE), Desvio Absoluto Médio (MAD) e a Correlação de Determinação (R²). Para previsões de meia hora, a SVR teve o melhor desempenho com um valor de R de 99,85%, seguida de perto por GPR e ANN. Mas, para previsões horárias, a ANN liderou com um valor de R de 99,71%. Os resultados afirmam a confiabilidade e precisão dos métodos de aprendizado de máquina na previsão de carga de curto prazo, destacando particularmente a superioridade de precisão do modelo SVR para previsões de meia hora e do modelo ANN para previsões horárias.