1 / 33

Previsão Geográfica de Consumos “Spatial Load Forecasting”

Previsão Geográfica de Consumos “Spatial Load Forecasting”. Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP). 2005. 2010. Consumo de electricidade. 2015. 2020. Novos consumidores domésticos. Novos consumidores industriais. Onde e quando ?. Maia, 2002.

inga-dixon
Download Presentation

Previsão Geográfica de Consumos “Spatial Load Forecasting”

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Previsão Geográfica de Consumos“Spatial Load Forecasting” Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) 2005 2010 Consumo de electricidade 2015 2020

  2. Novos consumidores domésticos Novos consumidores industriais Onde e quando ? Maia, 2002 Maia, 1995

  3. Sistemas de informação geográfica consumidores casas estradas realidade

  4. Sistemas de informação geográfica Vectorial Raster Superfícies Cálculos com Mapas

  5. Previsão Geográfica de Consumos Distância a Estradas Previsão Global Número de consumidores por tipo e por potência contratada Distance to Roads Distribuição geográfica dos consumidores Previsão do crescimento geográfico Dist. centros urbanos Distance to Urban center Consumo por consumidor forma e energia dos diagramas Topografia Modelo de utilização final Terrain Slope Mapas de carga Factores de influência geográfica

  6. Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy Spatial Load Forecasting Potential for Development Global Forecasting Knowledge Base Fuzzy System Cellular Automata Potential for Development Development Scenario Coordinator 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)…….. THEN domestic PfD = 20 consumers per stage per km2AND industrial PfD = 0.1 consumers per stage per km2…….. Geographic Influence Factors

  7. Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy Spatial Load Forecasting Potential for Development Global Forecasting Fuzzy System Cellular Automata Potential for Development Development Scenario Coordinator Global number of consumers growth per stage

  8. CA state change depends on: Potential for Development a) Positive feedback b) Neighborhood effect c) Innovation factor Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy Spatial Load Forecasting Global Forecasting Fuzzy System Cellular Automata Potential for Development Development Scenario Coordinator Development

  9. St St Dynamic Influence Factors St high Coast Road Construction on stage 2 Ring Road Construction on stage 6 Saturation level Dt medium St-1 low t-1 t time stage Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy Spatial Load Forecasting Global Forecasting Fuzzy System Cellular Automata Potential for Development Development Scenario Coordinator St Dt St-1

  10. Distance to road quite close(L1=2) Distance to urban center close(L2=1) Rule coding = Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy System implementation Rule coding 1 0 - Very close 1 - Close 2 - Quite close 3 - Far 4 - Very far 0 1 2 3 4 Distance to Roads (m) 0 3000 5000 10000 50 0 1 3 2 0 - Very close 1 - Close 2 - Far 3 - Very far 1 Distance to Urban centers (m) 10000 0 1000 5000 2v Maps

  11. Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy System implementation Rule coding 1 0 - Very close 1 - Close 2 - Quite close 3 - Far 4 - Very far 0 1 2 3 4 0.7 Distance to Roads (m) 0.3 0 3000 5000 10000 50 2000 distance to road is 2000m and distance to urban center is 4000m 1 0 1 3 2 0.8 0 - Very close 1 - Close 2 - Far 3 - Very far Distance to Urban centers (m) 0.2 10000 0 1000 5000 4000 2v Maps

  12. Composition (matching value) conjunction (support value) rule activation 0,14 Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy System implementation Rule coding 1 0 - Very close 1 - Close 2 - Quite close 3 - Far 4 - Very far 0 1 2 3 4 0.7 Distance to Roads (m) 0.3 0 3000 5000 10000 50 2000 1 0 1 3 2 0.8 0 - Very close 1 - Close 2 - Far 3 - Very far Distance to Urban centers (m) 0.2 10000 0 1000 5000 4000 2v Maps

  13. Composition (matching value) conjunction (support value) rule activation Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy System implementation Support value 1 0 - Very close 1 - Close 2 - Quite close 3 - Far 4 - Very far 0 1 2 3 4 0.7 Distance to Roads (m) 0.3 0 3000 5000 10000 50 2000 1 0 1 3 2 0.8 0 - Very close 1 - Close 2 - Far 3 - Very far Distance to Urban centers (m) 0.2 10000 0 1000 5000 2v Maps 4000

  14. Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy System implementation Support values Output Rule consequent Rule 2 b2 Rule 6 b6 Output b4 Rule 4 Matching values Zero-order Sugeno fuzzy rules

  15. Historical development Historical influence factors Rule 2 Rule weight Distance to roads For all activation points Rule 5 Rule 4 Rule base Distance to centers Como se faz ? Por exemplo, com Inferência Difusa… Fuzzy system training • identification of the zero-order Sugeno coeficients bk • by minimizingthe error function (local learning)

  16. IF (distance to road is M1) AND (distance to urban center is M2) . THEN domestic PfD is h consumers per stage per km2 M1 System Output Judgmental Output Rule 2 Fuzzy inputs Rule 6 M2 Rule 4 Matching values Rule tuning Como se faz ? Por exemplo, com Inferência Difusa… Merging judgmental information • Knowledge-base update based on human expert rules 1 Distance to Roads (m) 0 1000 3000 5000 10000 1 Distance to Urban centers (m) 0 1000 5000 10000

  17. Exemplo 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

  18. Exemplo • Construção de novas estradas (Cenário 1) Anel Construção no ano 6 Marginal Construção no ano 2

  19. Exemplo Stage 7 Stage 1 Stage 2 Stage 3 Stage 4 Stage 5 Stage 6

  20. Exemplo (cenário 2) • Alterando o ano da construção (Cenário 2) Anel Construção no ano 2 Marginal Construção no ano 6

  21. Exemplo (cenário 2) Stage 7 Stage 1 Stage 2 Stage 3 Stage 4 Stage 5 Stage 6

  22. Comparação dos cenários Cenário 1 Marginal no ano 2 Cenário 2 Anel no ano 2 Stage 7 Stage 2 Stage 3 Stage 4 Stage 5 Stage 6

  23. Cenário 3 Anel no ano 2 Marginal no ano6 Crescimento não linear Cenário 2 Anel no ano 2 Marginal no ano 6 Crescimento linear Diferente crescimento global

  24. 100 80 60 Saturation Level 40 20 0 Stage 1 Stage 2 Stage 3 Stage 4 Stage 5 Stage 6 Stage 7 A (Scn2) A (Scn3) C (Scn2) C (Scn3) D (Scn2) D (Scn3) B (Scn2) B (Scn3) Característica de crescimento Stage 4 Stage 2 Stage 3 Stage 6 Stage 5 Stage 7 Stage 1 Crescimento anual D C B A

  25. Adicionando informação qualitativa IF (distance to road is(MEDIUM HIGH  VERY HIGH)) AND (other variables is(DON’T CARE)) AND THEN domestic PfD DECREASE 20%

  26. Incertezas geográficas 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) 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 • N( linear , 20%) Crescimento global: • crescimento, entre 1000 e 4000 consumidores Simulação de Montecarlo: • 30 previsões por ano • avaliação contínua da convergência

  27. Incertezas geográficas Variância do crescimento da carga obtida por simulação de incertezas nas variáveis de entrada e na propagação Stage 7 Stage 1 Stage 2 Stage 3 Stage 4 Stage 5 Stage 6

  28. Using Spatial Load Forecasting

  29. Traçados geográficos Influência da distribuição das cargas Influência da inclinação

  30. Traçados geográficos

  31. Localização de subestações

  32. Trabalho de seminário 2004/2005… Traçados geográficos

  33. Trabalho de seminário 2004/2005… Traçados geográficos

More Related