Key points are not available for this paper at this time.
Apresentamos um método para criar perfis de carga elétrica sintéticos, dependentes do clima, para países europeus em resolução horária, usando redes neurais artificiais como uma base necessária para previsões de longo prazo. Para isso, treinamos redes neurais artificiais densas totalmente conectadas com 5 camadas ocultas e 1.024 nós ocultos por camada, usando dados históricos da Alemanha de 2006 a 2015. Os parâmetros de entrada utilizados no modelo compreendem informações calendáricas, cargas máximas anuais e dados climáticos. Comparávamos nossos resultados com o método atual de ponta para gerar perfis de carga sintéticos usados em previsões de adequação de médio prazo publicadas pela Rede Europeia de Operadores de Sistemas de Transmissão (entso-e). Para o ano de validação de 2016, nossa abordagem mostra um erro percentual absoluto médio de 2,8%, enquanto o método utilizado pela entso-e apresenta um erro médio de 4,8%. Em seguida, realizamos previsões para a Alemanha, Suécia, Espanha e França usando nossos perfis de carga sintéticos para o ano de cenário 2025, para demonstrar sua aplicabilidade pan-europeia. Finalmente, avaliamos variações de parâmetros que demonstram altas influências das temperaturas externas e da velocidade do vento na carga elétrica. Nossa abordagem pode ajudar a aumentar a precisão das previsões das futuras cargas elétricas, pois os perfis de carga elétrica são uma entrada necessária para essas previsões.
Behm et al. (Ter,) estudaram essa questão.