Com o desenvolvimento desta dissertação pretendia-se munir o GS de uma ferramenta que possa facilitar a programação das indisponibilidades dos transformadores, tal objetivo foi concretizado, tomando em consideração os resultados obtidos e comparando-os com o método de previsão usado habitualmente no GS, sendo notório que há um melhoramento. Esta melhoria foi materializada no desenvolvimento da aplicação PrevCarga, programada em linguagem Matlab, que inclui também uma interface gráfica para facilitar a interação com o utilizador.

 

De forma a compreender melhor o desafio proposto, realizou-se um estudo acerca do estado do RNT e as suas tendências futuras, tendo em consideração o aumento de produção em regime especial uma vez que esta variável afeta consideravelmente o diagrama de carga sentido nos transformadores de potência das subestações MAT/AT. Devido à volatilidade da produção distribuída, a previsão da potência de transformação torna-se menos precisa podendo induzir em erro o GS na programação das indisponibilidades dos transformadores. 

 

Com o intuito de garantir a segurança e a continuidade de serviço da RNT, o COR, possui um conjunto de regras de análise de indisponibilidades dos transformadores. Estando assim o serviço assegurado no caso de ocorrência de algum imprevisto para cada subestação MAT/AT é definido uma valor de reserva que garanta um serviço ininterrupto, denominando-se de reserva n-1. 

 

Foi feita uma caraterização das diversas subestações MAT/AT de forma a perceber a sua especificidade e o risco a que estas estão sujeitas, criando assim uma ferramenta útil e de fácil acesso ao GS, que enumera as particularidades destes equipamentos.

 

Tornou-se imperativo adicionar neste estudo o termo de carga natural, sendo esta variável obtida através da soma de todos os produtores que se ligam a uma determinada subestação e o trânsito efetivo nos transformadores de potência dessa subestação MAT/AT. 

 

Dada a importância de perceber o valor carga natural para a programação das indisponibilidades, foi proposto criar uma ferramenta de previsão diferente da usada até aqui no GS, tendo sido adotada a técnica de aprendizagem automática: Rede Neuronal, uma vez que esta tem sido recorrentemente utilizada com algum sucesso em casos de estudo semelhantes. Após a escolha do método a utilizar para a previsão, foi  feita uma análise de forma a compreender quais seriam as variáveis de entrada que melhor se ajustavam neste trabalho, assim fez-se um estudo que incidiu sobre as variáveis justificativas do diagrama de carga e compreendeu-se o peso que cada uma tem neste diagrama. Os resultados foram conclusivos, indicando que o valor da carga à mesma hora semanas antes mostra uma correlação forte com o valor de carga alvo, perdendo força quanto maior for o espaço temporal. A influência dos feriados também é analisada em detalhe, evidenciando significativas alterações no diagrama de carga. Em relação a dados meteorológicos, a análise indicou que apesar das duas variáveis observadas não possuírem uma correlação forte com a carga, a temperatura tem um impacto bem maior no diagrama em comparação com a humidade.

 

Com a análise de todos estes fatores torna-se claro que a aplicação de uma metodologia bem estruturada é fulcral para o tratamento de dados, tornado-o menos moroso e menos percetível a erros durante o tratamento.

 

A rede neuronal unidirecional feedforward foi o tipo de rede adotada neste dissertação, sendo que o treino usado foi o de aprendizagem por retropropagação (backpropagation).

No que se refere ao número de camadas escondidas e unidades neuronais nas camadas

escondidas, deve ser encontrado um ponto de equilíbrio que permita o melhor desempenho

da rede neuronal, sendo que se assumiu que uma única camada

escondida será suficiente para qualquer tipo de previsão, prendendo-se a variação única e

exclusivamente no número de neurónios da referida camada.

 

Os resultados obtidos referentes à previsão de carga natural revelaram-se bastante interessantes quando comparados com os valores obtidos pelo método de previsão de carga usado no GS. O valor de erro varia consoante a subestação que se utiliza devido às particularidades destas, no entanto em todas as subestações e independentemente do intervalo de tempo analisado o método de previsão desenvolvido apresenta melhorias claras. Alem dos resultados satisfatórios, este método consegue prever com eficácia os diagramas de carga de feriados, ao contrário do que acontece com o método de previsão atual pelo GS.

 

Em relação à aplicação desenvolvida, denominada de PrevCarga, a sua implementação adveio da necessidade de dotar o GS de uma ferramenta intuitiva e eficaz que possa facilitar a programação das indisponibilidades. A simplicidade desta ferramenta procura que qualquer agente do COR a possa utilizar sem que haja necessidade de compreender os principais fundamentos das redes neuronais. A simulação e o interface é feita em ambiente Matlab, tendo por base os dados existentes em ficheiros EXCEL.