[pt] SIMULANDO CENÁRIOS DE DEMANDA EM BAIXA E ALTA FREQUÊNCIA EM UM FRAMEWORK UNIFICADO: PARTE I: SIMULAÇÃO EM BAIXA FREQUÊNCIA

[en] SIMULATING LOW AND HIGH-FREQUENCY ENERGY DEMAND SCENARIOS IN A UNIFIED FRAMEWORK: PART I: LOW-FREQUENCY SIMULATION

[pt] CRISTIANO AUGUSTO COELHO FERNANDES

[pt] ALEXANDRE STREET DE AGUIAR

[pt] ERICA TELLES CARLOS

[pt] RAPHAEL AUGUSTO PROENCA ROSA SAAVEDRA

[pt] GUILHERME MEIRELLES BODIN DE MORAES

[pt] SIMULACAO MONTE CARLO

[pt] MODELOS EM ESPACO DE ESTADO

[pt] DEMANDA ENERGETICA

[en] MONTE CARLO SIMULATION

[en] STATE SPACE MODELS

[en] ENERGY DEMAND

[pt] A previsão de demanda energética é uma ferramenta estratégica para companias de distribuição, devido à necessidade de contratação do montante de uso dos sistemas de transmissão e distribuição. No entanto, a maior parte da literatura da área é focada em previsão e não simulação. A geração de cenários futuros é essencial para capturar a incerteza inerente do processo e para permitir um framework de decisão avesso a risco. O primeiro artigo dessa série de dois artigos propõe uma metodologia para simular cenários de consumo energético de longo prazo em baixa frequência através de modelos em espaço de estados. Um pacote em Julia contendo a implementação da modelagem em espaço de estados, o filtro de Kalman e a estimação por máxima verossimilhança é disponibilizado. Finalmente, um estudo de caso com dados reais do sistema brasileiro é apresentado.

[en] Energy demand prediction is a strategic tool for distribution companies due to the need to contract the amount of use of the transmission and distribution systems. However, most of the literature focuses on forecasting rather than simulation. The generation of future scenarios is essential to capture the inherent uncertainty of the process and to allow for a risk-averse decision making framework. The first of this two-paper series proposes a methodology to simulate long-term, low-frequency energy consumption scenarios through state-space models. An open-source Julia package containing the implementation of the time series state-space modeling, Kalman filter and maximum likelihood estimation is made available. Finally, a case study with real data from the Brazilian power system is presented.

2018-05-04

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=33804@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=33804@2

https://doi.org/10.17771/PUCRio.IRR.33804