Embed Size (px)
Citation preview
Previsão de Carga Multinodal a Curto Prazo Usando Uma Rede Neural
ART-ARTMAP-FUZZY
Juliana Fonseca Antunes 1
, Carlos R. Minussi 2
1 Departamento de Informática – Instituto Federal de Educação, Ciência e Tecnologia de
Mato Grosso (IFMT)
Cuiabá, MT – Brasil
2 Departamento de Engenharia Elétrica – Universidade Estadual Paulista (UNESP)
Ilha Solteira, SP – Brasil
[email protected], [email protected]
Abstract. In this paper we propose a method for short-term multinodal load
forecasting of electrical power systems. The load forecasting constitutes an
important tool for planning and operation. We address two models of load
forecasting using a fuzzy ART-ARTMAP neural network where, in the first
model, the modules are independent in global and local forecasting, while the
second module is used to obtain the global forecasting for local forecasting,
through the participation factor of the global load. Comparisons between the
two models are realized considering a database available from New Zealand
Electricity Commission.
Resumo. Neste artigo propõe-se um método para previsão elétrica multinodal,
de curto prazo, de sistemas elétricos de potência. A previsão de carga consti-
tui-se numa importante ferramenta para o planejamento e para a operação.
São abordados dois modelos de previsão, utilizando redes neurais ART-
ARTMAP-Fuzzy, onde no primeiro modelo, os módulos são independentes na
previsão global e na local, enquanto no segundo módulo é utilizada a previsão
global para obter a previsão local através do uso do conceito “fator de parti-
cipação da carga global”. Foram realizadas comparações entre os dois mo-
delos considerando-se uma base de dados disponibilizada pela “Electricity
Comission” da Nova Zelândia.
1. Introdução
A previsão de carga é uma exigência básica nos processos de operação e planejamento
no Sistema Elétrico de Potência (SEP), tornando-se um instrumento fundamental na
moderna operação do sistema elétrico de potência. Essa crescente importância está rela-
cionada ao mercado de energia exigir melhores valores de eficiência energética e tam-
bém pelo estabelecimento de novas normas de preservação do meio ambiente que intro-
duziu difíceis restrições para o gerenciamento e controle do sistema de energia.
O estudo de previsão de carga proporciona um conjunto de informações vitais
para que os sistemas de energia elétrica possam ser planejados e controlados de forma
segura e confiável, fornecendo energia elétrica de boa qualidade.
A previsão de cargas elétricas [O’Donovan 1983] pode ser feitas a curto, médio
e longo prazo. Curto prazo prevê de meia em meia hora ou hora inteira, ou ainda picos
de carga diários, podendo variar de um dia a até uma semana; médio prazo prevê de
algumas semanas até um ano; e longo prazo prevê demanda de um período que pode
variar de alguns anos a algumas décadas. Previsão de cargas a curto prazo (Short-Term
Load Forecasting, STLF) pode ser definida como previsão de cargas elétricas de um a
sete dias de antecedência [Topalli et al. 2006]. Essa previsão refere-se à previsão por
hora da demanda de eletricidade para um tempo de espera que vai de uma hora a vários
dias de antecedência.
Por conseguinte, a previsão de carga, em sistemas elétricos de potência, consti-
tui-se numa atividade de grande relevância, tendo em vista que a maioria dos estudos
realizados (fluxo de potência, despacho econômico, planejamento da expansão, análise
de estabilidade, etc.) somente poderá ser realizada se houver a disponibilidade de uma
estimativa da carga a ser atendida. Estes estudos visam proporcionar, aos engenheiros,
um conjunto de informações vitais para que os sistemas elétricos possam ser planejados
e operados de forma segura, confiável e econômica.
A estimativa da carga, seja de curto, médio ou de longo prazo, é determinada,
via métodos previsores, a partir de dados históricos do consumo de energia, dados cli-
máticos [Chaabene 2008], entre outros fatores importantes. Esta previsão deve ser a
mais precisa possível. A maioria das previsões de carga é realizada por métodos ARI-
MA de Box & Jenkings [Box and Jenkins 1976] [O’Donovan 1983], que exigem que
seja feita uma modelagem prévia da carga para aplicação posterior, ou seja, estabelecer
as relações de causa e efeito. Bons resultados têm sido obtidos apesar de, às vezes, se-
rem requeridos grandes esforços computacionais, além de técnicas de modelagem com-
plexas.
Novas abordagens, baseadas na inteligência artificial [Bender 1996], têm sido
abordadas na literatura especializada como metodologias alternativas, principalmente,
por produzir resultados em que a modelagem da carga é estabelecida por processo de
treinamento, onde a extração do conhecimento é realizada a partir de bases de dados.
Neste grupo de técnicas inteligentes, podem-se destacar as RNA (Redes Neurais Artifi-
ciais) [Haykin 2008]. Ressalta-se que, na literatura, há uma grande quantidade de pro-
postas usando redes neurais para previsão de carga [Cancelo et al. 2008; Hong 2009;
entre outras]
A previsão de carga, via de regra, é realizada de forma global [O’Donovan
1983], ou seja, não discriminando a distribuição entre os consumidores e o tipo da carga
instalada e a ser instalada. Esta forma de abordagem pode ser útil em algumas aplica-
ções. Contudo, o mesmo não se observa com relação à operação, tendo em vista a ne-
cessidade de um melhor detalhamento e distribuição da carga [Wu et al. 2003].
A grande dificuldade de prever a distribuição da carga como ela efetivamente
acontece, certamente, passa pela necessidade de dispor de dados em grande quantidade,
elaboração de modelos complexos e de técnicas que possam processar tais dados e pro-
duzir resultados precisos, confiáveis e rápidos.
Assim sendo, neste artigo pretende-se desenvolver uma metodologia inteligente
de previsão de carga baseada nas redes neurais para aplicações em que se faz necessária
a obtenção de resultados multinodais, que consiste na previsão de cargas em vários pon-
tos de um sistema de energia elétrica, denominadas cargas locais. Alguns resultados
satisfatórios foram obtidos, neste sentido, na pesquisa [Lopes 2005] e [Lopes et al.
2005] usando uma arquitetura neural ART descendente [Carpenter et al. 1991a]
[Carpenter et al. 1991b] para o caso da previsão global. Evidentemente, várias propostas
têm sido apresentadas na literatura para previsão de carga multinodal em ambiente de
sistemas de distribuição usando redes neurais [Altran 2010] e [Nose-Filho et al. 2011].
As redes neurais ART preservam duas características fundamentais para o pro-
cessamento da rede: a estabilidade (capacidade de aprender através do ajuste dos pesos)
e a plasticidade (capacidade de continuar a aprender com a inclusão de novos padrões,
sem perder a memória anteriormente adquirida). Estes dois atributos proporcionam à
rede neural a aprendizagem estável e convergência rápida.
Este artigo tem por objetivo apresentar um sistema inteligente para previsão de
carga multinodal, um sistema neural baseado na Teoria da Ressonância Adaptativa
(Adaptive Resonance Theory) [Carpenter et al. 1991a] [Carpenter et al. 1991b]; permi-
tindo aplicar esquemas que possam contemplar o uso de base de dados, composto de
dados históricos das cargas e dados exógenos, para o problema da previsão multinodal,
propondo uma rede neural ART-ARMAP-Fuzzy. Esta arquitetura, originalmente, tem
sido aplicada na previsão de carga global (Lopes, 2005). Com estas providências espera-
se disponibilizar um sistema previsor eficiente, em termos de precisão, confiabilidade e
rapidez na obtenção de soluções e, por conseguinte, habilitar-se às aplicações da previ-
são multinodal.
Foram modelados dois sistemas para avaliar os resultados de previsão de carga
da rede neural ART-ARTMAP-Fuzzy, o sistema PCG-PCL (modelo com previsor glo-
bal e previsores locais) e o sistema PCG-FPCG-PCL (modelo com previsor global, pre-
visor de Fator de Participação de Carga Global e os previsores locais), visando testar a
rede neural proposta e apresentar análise comparativa entre os dois sistemas modelados.
3. Teoria da Ressonância Adaptativa
A Teoria da Ressonância Adaptativa (ART) surgiu do resultado da tentativa de compre-
ender como sistemas biológicos são capazes de continuar apreender, sem comprometer
a estabilidade de padrões previamente aprendidos [Carpenter and Grossberg 1992]. Si-
mulando o processo de aprendizagem do cérebro humano, explicando a maneira como
nosso cérebro processa e categoriza informações recebidas na medida em que são apre-
sentadas novas informações.
A importância desta rede está baseada na resolução do dilema da plasticidade e
da estabilidade (características fundamentais da família das redes ART), característica
feita através do teste de vigilância, que origina uma rede mais rápida e precisa. A estabi-
lidade é a garantia de agrupar todos os elementos nas classes criadas pelo sistema, tendo
em vista que os pesos da rede possuem características de alguns decréscimos, fazendo
que o ajuste de pesos seja realizado e os novos valores vão diminuindo até estabilizar
[Lopes 2005].
As redes ART são redes neurais desenvolvidas para codificar reconhecimento es-
tável, em tempo real, através da auto-organização, em resposta as sequências arbitrárias
de padrões de entrada [Carpenter and Grossberg 1992].
Apresentam como principal característica a estabilidade no armazenamento do
conhecimento adquirido pela rede, garantido, através do processo de adaptação dos pesos
que tendem ao valor mínimo entre a entrada da rede e o peso a ser atualizado, agrupando
todos os elementos nas classes geradas pelo sistema; novos valores tendem a diminuir até
estabilizarem.
Essa rede é importante, pois resolve o dilema da estabilidade e da plasticidade,
que é a capacidade de aprender novas informações sem que as informações passadas
sejam perdidas, através da ativação de novas categorias, e isto tem de ser feito de forma a
não afetar na estabilidade do sistema.
As topologias baseadas na arquitetura ART podem ser divididas em grupos prin-
cipais que são classificadas em função do tipo de suas entradas e seus processos de trei-
namento, dentre elas podem se destacar: - Rede neural ART-Fuzzy: baseada no treinamento não-supervisionado e que engloba
em sua arquitetura cálculos baseados na lógica nebulosa [Carpenter et al. 1991b].
- Rede neural ARTMAP: possui treinamento supervisionado. É composta por dois módulos ART interconectados, através do campo inter-ART. Esta rede também pode identificar padrões de entradas binários ou analógicos [Carpenter et al. 1991a].
- Rede neural ARTMAP-Fuzzy: possui treinamento supervisionado como a rede neu-ral ARTMAP. Porém, todos os cálculos são fundamentados na lógica fuzzy [Carpen-ter and Grossberg 1992].
3.1 Rede Neural ART Fuzzy
O processo de treinamento das redes da família ART é um processo de treinamento em tempo real para ambientes não-estacionários, onde os pesos são ajustados a cada apresen-tação de padrões de entrada, atualizando os pesos dinamicamente sem precisar treinar padrões aprendidos anteriormente. As redes da família ART não correm o risco de deses-tabilizar a saída para padrões de entrada já aprendidos [Carpenter and Grossberg 1987].
ART é um sistema que auto-organiza padrões de entrada em categorias de reco-
nhecimento, comparando o padrão de entrada atual com uma representação de categoria
selecionada.
A arquitetura da rede neural ART pode ser descrita por dois subsistemas princi-
pais: o subsistema de atenção e o subsistema de orientação [Carpenter and Grossberg
1987], mostrados na Figura 1.
Figura 1. Arquitetura da rede neural ART.
Subsistema de Orientação Subsistema de Atenção
Nó de Rejeição (Reset)
Teste de vigilância F0
F2
A
F1 Comparação
Codificação
Seleção
STM
STM
LTM LTM
ρa
O subsistema de atenção é composto por duas camadas de neurônios, denomina-
das F1 (responsável pela comparação) e F2(reconhecimento de padrões) e a camada de
nós que representa o vetor de entrada atual A (F0). Os neurônios (F1 e F2) são interconec-
tados por pesos (conexões diretas, F1 a F2, e recorrentes, F2 a F1), denominadas memórias
de longo prazo (LTM – Long Term Memory); os padrões de atividades produzidos por
esses neurônios são denominados memória de curto prazo (Short-Term Memory – STM).
A aprendizagem ocorre durante a ressonância [Carpenter and Grossberg 1992].
O subsistema de orientação é utilizado para estabilizar a aprendizagem do siste-
ma, permitindo que a rede aprenda novas entradas sem esquecer seu conhecimento pré-
vio. Esse subsistema é responsável por dizer se houve ou não ressonância, através de um
parâmetro de vigilância, denominado ( possui valor decimal compreendido entre 0 e
1), que determina se um padrão de entrada pode ser incluído em uma das categorias exis-
tentes. A rede ART armazena informações em forma de categorias e o número de neurônios
na camada F1 e F2 são iguais ao número máximo de categorias que o sistema é capaz de ar-
mazenar, onde que para cada categoria existe um vetor peso associado a ela. Uma categoria é
ativa quando o vetor peso associado a ela armazena informações de padrões já apresentados
à rede e inativa se possui uma categoria atribuído a um vetor peso inalterado, as categorias
inativas correspondem à memória “em branco” da rede.
A diferença entre os dois subsistemas é que um indica a categoria vencedora (subsis-
tema de atenção), já o outro subsistema possui a tarefa de aceitar a categoria proposta (sub-
sistema de orientação) ou reorientar a busca para a escolha de uma nova categoria.
O processo de classificação de rede ART consiste em quatro fases principais [Gros-
sberg 1987]:
Reconhecimento: Esta etapa é responsável pelo reconhecimento dos estímulos pro-
duzidos no campo F2. para isto é calculado os elementos do vetor utilizando a função escolha
que seleciona categoria que obtiver o maior valor.
Comparação: Responsável por testar a similaridade entre o vetor de entrada e o ve-
tor de comparação, através do parâmetro de vigilância, que permite ou não a inclusão do
padrão de entrada na categoria. Se não for aceito pelo parâmetro outro neurônio deve ser
encontrado para armazenar o vetor.
Busca: Procura um novo neurônio do campo F2 para representar o vetor de entrada
atual. O neurônio rejeitado é desativado desta seleção. O vetor de entrada é reapresentado,
entrando na fase de comparação que termina apenas quando encontrar um neurônio de saída
que melhor se assemelhe ao vetor de entrada corrente, se isso não for possível, esse vetor de
entrada é considerado sem categoria.
Treinamento: Existem dois aprendizados na rede ART, o aprendizado rápido, os pe-
sos feedforward são ajustados para seus valores ótimos em poucos ciclos (geralmente apenas
um ciclo de treinamento), e o aprendizado lento, onde os pesos são ajustados lentamente em
vários ciclos de treinamento, possibilitando um ajuste melhor dos pesos da rede aos padrões
de treinamento.
3.2 Rede Neural ARTMAP-Fuzzy
Esse modelo de rede utiliza o aprendizado supervisionado de dados binários e/ou analógicos
através da pré-classificação dos dados de entrada e saída em categorias. Logo, tanto a entrada
quanto a saída já são previamente conhecidas [Carpenter and Grossberg 1992].
Essa rede é formada por dois módulos ART, sendo um responsável pelo processa-
mento do vetor de entrada, denominado ARTa, e outro para o processamento do vetor de
saída desejada, denominado ARTb, classificando os dados de entrada e saída. Possui o módu-
lo de memória associativa denominado inter-ART (field map), que realiza a conexão entre as
categorias ativas de entrada (ARTa) e as categorias ativas de saída (ARTb), e tem a incum-
bência de maximar a generalização e minimizar o erro da rede. A rede neural ARTMAP-
Fuzzy possui a mesma concepção da rede ARTMAP convencional via substituição das ope-
rações de conjuntos por operações baseadas na lógica fuzzy, mais precisamente a permuta de
operações de união e interseção pelos operadores Máx e Min fuzzy. A arquitetura da rede
ARTMAP Fuzzy pode ser vista na Figura 2 [Carpenter and Grossberg 1992].
ρa
A
reset
Normalização e
Código
Complemento
ACA
ρb
B
reset
Normalização e
Código
Complemento
BCB
F0a
F1a
F2a
F0b
F1b
F2b
Fab
match-
tracking
Wja Wj
a
Wjab
Xab
ρab
ARTa ARTb
inter-ART
Figura 2. Arquitetura da rede ARTMAP Fuzzy [Carpenter and Grossberg 1992].
A aprendizagem (ou treinamento) da rede ARTMAP Fuzzy pode ser descrita ba-
sicamente em seis etapas: normalização dos vetores de entrada e de saída, execução do
código complemento, reconhecimento, comparação, busca e aprendizagem. O treinamen-
to da rede é idêntico ao da rede ART, com a diferença apenas que possui um sistema de
conexão entre os dois módulos ART existentes na rede, combinando os parâmetros de
entrada e de saída, através do módulo match tracking, fazendo com que a rede tenha um
treinamento supervisionado.
O módulo match tracking, mecanismo interno que permite a rede elevar o parâ-
metro de vigilância ρa do módulo ARTa de forma a corrigir erro no módulo ARTb, sem-
pre que a rede fizer um prognóstico errado, maximizando, deste modo, a generalização e
minimização do erro. O módulo ARTa inicia a busca até encontrar um prognóstico cor-
reto ou a criação de uma nova categoria para a entrada atual. [Carpenter and Grossberg
1992]
O módulo ARTa aprende a classificar os padrões de entrada apresentados, en-
quanto o módulo ARTb desenvolve as categorias referentes aos padrões de saída deseja-
da. A camada inter-ART recebe entradas de ambos os módulos ARTa e ARTb, a entrada
da ARTa refere-se à conexão associativa da J→K (categoria ativa J do ARTa e categoria
ativa K do ARTb) e a categoria ativa da entrada do ARTb.
4. Modelo da Previsão de Cargas
Os modelos usados encontram-se ilustrados nas Figuras 3 e 4 [Altran 2010]. Trata-se de
um procedimento que combina o uso do sistema proposto em Altran (2010) e a rede neu-
ral ART&ARTMAP proposta por Lopes (2005). A vantagem desta concepção, a princí-
pio, consiste em realizar a previsão multinodal com um tempo de processamento muitís-
simo reduzido, se comparado à formulação via rede neural retropropagação [Werbos
1974], a qual representa a grande maioria dos artigos publicados para previsão global.
Neste artigo, é empregado o previsor baseado na proposta de Lopes (2005), com algumas
inovações e a rede neural a ser implementada corresponde à proposta de Lopes (2005),
com as devidas adaptações (trata-se de uma execução mais simples).
Os sistemas modelados foram implementados no programa MATLAB e são
compostos por dois grandes blocos: (1) Previsão de Carga Global (PCG); (2) Previsor de
Carga Local (PCL).
No sistema PCG-PCL, os módulos PCG e PCL utilizam a rede neural para trei-
namento e execução da previsão, possuem execuções independentes, ou seja, não foi
usada a saída de previsão do módulo PCG na entrada do módulo PCL. Ele tem como
entrada os valores referentes a carga local de cada subestação, já módulo PCG, a entrada
é composta pelos valores referentes à carga global, como pode ser visto na Figura 3, co-
mo resultado dos módulos é realizada a respectiva previsão de carga.
Previsor
de
Carga
Global
(PCG)
1
Módulo PCL
Entrada
Local
Entrada
Local
Entrada
Local
2
1
n
Entrada
Global 2
n
Módulo PCG
Previsor de
Carga Local
(PCL)
Previsor de
Carga Local
(PCL)
Previsor de
Carga Local
(PCL)
Carga Local prevista 24
horas à frente
Carga Local prevista 24
horas à frente
Carga Local prevista 24
horas à frente
Carga Global
prevista 24 horas à frente
Figura 3. Modelo Sistema PCG-PCL.
A fase da previsão, ilustrado na Figura 4, do sistema PCG-FPCG-PCL é realizada
da seguinte forma:
1. Módulo PCG realiza a previsão da carga global: PCG(previsão)
(h), para h com-
preendendo toda a série histórica adotada;
2. Módulo PCL realiza o treinamento utilizando como entrada local os valores
das cargas (dados históricos) da respectiva subestação e dados referentes ao tempo (dia
da semana e hora);
3. Após a conclusão da fase de treinamento do módulo PCL, é realizada a previ-
são dos Fatores de Participação de Carga Global referentes a cada nó, ou seja,
FPCGj(previsão)
(h), j = 1, 2, ..., n, que tem como entrada os valores da carga global previs-
ta e as entradas locais, gerando como saída do módulo a carga local prevista 24 horas a
frente (para cada subestação), calculada pela seguinte expressão:
CLj(previsão)
(h) = FPCGj(previsão)
(h) x
PCG
(previsão) (h)
(1)
A expressão (1) corresponde à previsão das cargas locais para cada hora consi-
derada. Este procedimento torna-se vantajoso, pois o comportamento dos FPCG’s é, via
de regra, mais “suave”, se comparado ao comportamento das cargas locais. Deste modo,
o treinamento da rede neural torna-se mais rápido e trabalha com um menor número de
informações, i.e., os estímulos de entrada são compostos por um número menor de
componentes.
Carga Global prevista 24
horas à frente
Previsor
de
Carga
Global
(PCG)
Previsor de Fator
de participação
de Carga Global
(PFPCG)
X
X
X
1
Carga Global prevista 24 horas à frente
Carga Global prevista 24 horas à frente
Carga Global prevista 24
horas à frente
Carga Global prevista 24
horas à frente
FPCG
previsto
24 horas
à frente
Módulo PCL
Entrada
Local
Entrada
Local
Entrada
Local
FPCG
previsto
24 horas
à frente
FPCG
previsto
24 horas
à frente
Carga Global prevista 24 horas à frente
Previsor de Fator
de participação
de Carga Global
(PFPCG)
Previsor de Fator
de participação
de Carga Global
(PFPCG)
2
1
n
Entrada
Global
2
n
Módulo PCG
Carga Local prevista 24
horas à frente
Carga Local prevista 24
horas à frente
Carga Local prevista 24
horas à frente
Figura 4. Modelo Sistema PCG-FPCG-PCL.
O sistema PCG-FPCG-PCL determina o Fator de Participação da Carga Global
[Altran 2010] para cada nó de interesse, ou seja, FPCGj, j = 1, 2, ..., n (n: número de
nós), fatores que são representados por séries temporais usadas para estimar a carga em
cada nó. Cada módulo local determina a estimativa do FPCG usando a rede ART-
ARTMAP-Fuzzy, conforme mostra Figura 5. Desta forma, o conjunto de cargas locais
(CL) é definido como carga global (CG), dada pela equação (2). Cada carga possui um
fator de participação da carga global, dado pela equação (3).
1
N
j
j
CG CL
(2)
FPCGj = CLj / CG (3)
Cada módulo PCL é treinado de forma independente, usando como entrada local
as informações disponíveis (séries históricas da potência da carga, mês, dia da semana,
horário, feriados, etc.) e os valores das cargas por barramento (carga local). Cada sistema
previsor utiliza a rede neural ART-ARTMAP-Fuzzy para treinamento e previsão da car-
ga elétrica global ou local, como pode ser visto na Figura 5. A previsão de carga de cada
nó considerado de interesse pode ser estimada multiplicando o FPCG pelo valor da carga
global prevista pelo módulo PCG em cada instante da série temporal.
Dados
exógenos
Dados de
cargas
locais
Entradas
Previsor de Carga Global
(PCG)
Previsões
de Cargas
Locais
(PCL)
CG=∑CL
FPCG=CL/CG
Previsores de Fatores de
Participação de Carga Global
(PFPCG)
CL=CG x FPCGCL=CG x
FPCG
ART ARTMAP Fuzzy
ART ARTMAP Fuzzy
ART ARTMAP Fuzzy
ρ a
A
re se t
N o rm a liz a ç ã o e
C ó d ig o
C o m p le m e n to
A CA
ρ b
B
re se t
N o rm a liz a ç ã o e
C ó d ig o
C o m p le m e n to
B CB
F 0a
F 1a
F 2a
F 0b
F 1b
F 2b
F a b
m a tch -
tra ck in g
W ja W j
a
W ja b
X a b
ρ a b
A R T a A R T b
in te r -A R T
ρ a
A
reset
N o rm alização e
C ó d ig o
C o m p lem en to
A CA
ρ b
B
reset
N o rm alização e
C ó d ig o
C o m p lem en to
B CB
F 0a
F 1a
F 2a
F 0b
F 1b
F 2b
F a b
m atch -
track ing
W ja W j
a
W ja b
X a b
ρ a b
A R T a A R T b
in ter -A R T
1
n
ρ a
A
re se t
N o rm a liz a ç ã o e
C ó d ig o
C o m p le m e n to
A CA
ρ b
B
re se t
N o rm a liz a ç ã o e
C ó d ig o
C o m p le m e n to
B CB
F 0a
F 1a
F 2a
F 0b
F 1b
F 2b
F a b
m a tch -
tra ck in g
W ja W j
a
W ja b
X a b
ρ a b
A R T a A R T b
in te r -A R T
Figura 5. Sistema Previsão PCG-FPCG-PCL.
O treinamento destas redes locais é simples, visto que a entrada é composta por
dados locais, que são particularidades de cada nó, e pela série temporal da carga elétrica
global, determinada pelo sistema de previsão global, constituindo entradas de dimensão
reduzida. Os dados locais podem conter, também, informação que possam contribuir
para a melhoria do modelo da carga nodal, ou seja, podem-se usar vários tipos de estra-
tégias, inclusive, outros dispositivos inteligentes.
5. Simulações e Resultados
Para avaliar os sistemas de previsão de carga multinodal modelados, as redes neurais
foram treinadas com dados referentes ao ano de 2007 e 2008 para realizar a previsão de
um dia a frente (24 horas a frente). Dessa forma foram previstas a carga global e a carga
local do dia 01 de janeiro de 2009.
Os dados históricos foram extraídos do Centralized Dataset (CDS) disponibiliza-
dos pelo Electricity Commission da Nova Zelândia, contém os valores de potência ativa,
medidos de meia em meia hora de cada subestação, além de indicadores de dia do mês,
mês, ano, dia da semana, feriado, horário de verão e valor da amostra de carga. Esses
dados formam as variáveis de entradas da rede neural modelada de modo similar às utili-
zadas Nose-Filho et al. (2011).
Como critério de avaliação foi utilizado a média dos valores absolutos dos erros
percentuais, MAPE (Mean Absolute Percentage Error), comparando-se os valores reais
da carga com os valores previstos através da rede neural, calculado através da equação
(4):
∑
| ( ) ( )|
( )
sendo:
- valor da carga real
- valor da carga prevista
- Número de amostras previstas
(4)
O sistema PCG-FPCG-PCL obteve melhor tempo de previsão em comparação
com o sistema PCG-PCL e também possui os melhores resultados de MAPE em grande
parte das subestações, como pode ser observado na Tabela 1.
TABELA 1. MAPE e tempo de previsão dos sistemas propostos.
Subestação Sistema PCG-PCL Sistema PCG-FPCG-PCL
MAPE(%) Tempo Previsão (s) MAPE (%) Tempo Previsão (s)
# 01 4,28 91 5,22 3
# 02 12,22 10 10,45 4
# 03 10,52 41 10,54 4
# 04 3,66 43 3,08 4
# 05 13,52 28 4,08 6
# 06 5,72 44 3,00 4
# 07 4,89 40 7,17 7
# 08 11,04 34 13,94 5
# 09 11,51 28 13,12 4
Global 3,92 4,74 3,92 4,48
A previsão global para os dois sistemas modelados obteve tempo e MAPE seme-
lhantes, como pode ser visto na Tabela 1, pois as entradas da rede neural são parecidas.
A diferença entre os dois modelos está no módulo PCL, onde a entrada local do sistema
PCG-FPCG-PCL utiliza o fator de participação de carga local, realizando a previsão
desse fator de participação e depois fazendo a previsão de carga local para cada nó.
Figura 6. Previsão Local de 24 horas por subestação – Sistema PCG-PCL (a) e Sistema
PCG-FPCG-PCL (b).
Na Figura 6 podem ser observadas as previsões obtidas por subestação para os
dois sistemas modelados. O sistema PCG-FPCG-PCL melhorou algumas previsões de
cargas de algumas subestações, como pode ser visto na Figura 6b, aproximando da
carga real, e com isso diminuindo o erro percentual (MAPE) das subestações.
(a) (b)
6. Conclusão
Previsão de carga elétrica, a curto prazo, é uma ferramenta importante para indústria de
energia, principalmente no contexto do mercado de energia. Uma adequada previsão de
consumo proporciona um conjunto de informações vitais para que os sistemas elétricos pos-
sam ser planejados e operados de forma segura, confiável e econômica.
Sistemas baseados em inteligência artificial tem se tornado uma ferramenta eficaz
na tomada de decisão para previsão de cargas elétricas a curto prazo por ter uma melhor
capacidade de desempenho ao lidar com as não-linearidades ao se modelar séries temporais.
As redes neurais têm sido bastante utilizadas para realizar previsão de cargas. Nesse
sentido, este trabalho realizou previsão a curto prazo de carga global e local de sistema elé-
trico de nove subestações da Nova Zelândia. As duas modelagens apresentam previsões
eficientes, porém o modelo que utiliza a informação de FPCG obteve melhor desempenho,
com erros percentuais menores, pois usou outras informações nos padrões de entrada da
RNA.
A vantagem da RNA sobre os modelos estatísticos reside na capacidade para mode-
lar um problema multivariado, não sendo necessário fazer suposições complexas de depen-
dência entre variáveis de entrada. Além disso, RNA extrai a relação não-linear implícita nas
variáveis de entrada através da aprendizagem dos dados de treinamento.
A previsão de carga multinodal proposta possui um tempo de execução um pouco
superior à previsão global convencional (em função, evidentemente, do maior ou menor
número de nós de interesse para a previsão), isto porque o tempo destinado à realização do
conjunto das redes neurais modulares (previsão local) é bastante reduzido. Ressalta-se que o
tempo para conclusão da previsão multinodal se aproximará ao tempo de execução da pre-
visão global, à medida que forem exploradas outras arquiteturas neurais que, eventualmen-
te, possam produzir resultados de forma mais rápida.
Os resultados obtidos pelos modelos apresentados podem ser alterados para alcançar
melhor desempenho da rede neural ART-ARTMAP-Fuzzy, diminuindo os erros percentuais
de previsão, para isso podem ser feita duas modificações:
1. Explorar outros tipos de janelas, onde o deslocamento da janela é composto pelos
valores das cargas correspondentes à hora h e p horas anteriores. Acrescentam-se, também,
as cargas correspondentes à hora h da semana anterior e à hora h do mês anterior. Com esta
estratégia, há maior perspectiva de melhoria da qualidade da previsão;
2. Considerando-se a ilustração apresentada nas Figuras 3 e 4, observa-se a indica-
ção, em cada módulo previsor local, de um bloco “entrada local”. Este dispositivo permite
que se incluam outros tipos de informações procedentes, por exemplo, carga média, carga
máxima e carga mínima.
7. Referências
Altran, A. M. (2010) “Sistema Inteligente Para Previsão de Carga Multinodal em Sistemas
Elétricos de Potência”. Tese de Doutorado, Programa de Pós-Graduação em Engenharia
Elétrica, UNESP, Campus de Ilha Solteira.
Bender, E. A. (1996) “Mathematical Methods in Artificial Intelligence”. The IEEE Press,
Piscataway-NJ, USA, 1996.
Box, G.E. and Jenkins, G.M. (1976) “Times series analysis: forecasting and control”. San
Francisco, USA: Holden-Day.
Cancelo, J. R, Espasa, A. and Grafe, R. (2008) “Forecasting the Electricity Load from one
Day to one Week Ahead for the Spanish System Operator”. International Journal of
Forecasting, v. 24, n. 4, October-December, p. 588-602.
Carpenter, G. A. and Grossberg, S. (1987) “A massively parallel architecture for a self-
organizing neural pattern recognition machine”. Computer Vision, Graphics and Image
Processing, v. 37, p. 54-115.
Carpenter, G. A., Grossberg, S. and Reynolds, J. H. (1991a) “ARTMAP: Supervised real-
learning and classification of non-stationary data by a self-organizing neural network”.
Neural Network, v. 4, n.5, p. 565-588.
Carpenter, G. A., Grossberg, S. and Rosen, D. B. (1991b) “Fuzzy ART: fast stable learning
and categorization of analog patterns by an adaptive resonance system”. Neural
Network, v. 4, n.1, p. 759-771.
Carpenter, G. A. and Grossberg, S. (1992) “A Self-Organizing Neural Network for
supervised learning, recognition and prediction”. IEEE Communications Magazine, v.
30, n. 9, p. 38-49.
CDS-Centralized Dataset. (2010) “Electricity Commission for the load dataset”. New
Zealand.
Chaabene, M. (2008) “Measurements Based Dynamic Climate Observer”. Solar Energy,
Vol. 82, No. 9, September, p. 763-771.
Grossberg S. (1987) “Competitive learning: from interactive activation to adaptive
resonance”. Cognitive Science, v. 11, p. 23-63.
Haykin, S. “Neural Networks and Learning Machines”. 3rd Ed. New Jersey, USA: Prentice-
Hall, 2008.
Hong, W. C. (2009) Chaotic Particle Swarm Optimization Algorithm in a Support Vector
Regression Electric Load Forecasting Model. Energy Conversion and Management, v.
50, n. 1, January, p. 105-117.
Lopes, M. L. M. (2005) “Desenvolvimento de redes neurais artificiais para previsão de
cargas elétricas de sistemas de energia elétrica”. Tese (Doutorado em Engenharia
Elétrica) – Faculdade de Engenharia de Ilha Solteira, Universidade Estadual Paulista
“Júlio de Mesquita Filho”, Ilha Solteira, SP, Brasil.
Lopes, M. L. M., Minussi, C. R. and Lotufo, A. D. P. (2005) “Electric load forecasting
using a fuzzy ART&ARTMAP neural network”. Applied Soft Computing, Volume 5,
Issue 2, January, p. 235-244.
Nose-Filho, K.; Lotufo, A.D.P. and Minussi, C.R. (2011) “Short-term multinodal load
forecasting using a modified general regression neural network”, IEEE Power v. 26 (4),
p. 2862-2869.
O’Donovan, T. M. (1983) “Short Term Forecasting: An Introduction to the Box-Jenkins
Approach”. John Wiley & Sons, New York.
Topalli, A. K., Erkmen, I., Topalli, I. (2006) “Intelligent short-term load forecasting in
Turkey”, Electrical Power and Energy Systems, v. 28 (7), p. 437-447.
Werbos, P. J. (1974) “Beyond regression: New tools for prediction and analysis in the
behavioral sciences”. PHD. Thesis - Harvard University.
Wu, L., Yuan, J. S. and Zhu, Y.L. (2003) “Mis-Based Long Term Distribution Load
Forecasting System”. Advances in Power System Control, Operation and Management,
ASDCOM 2003. Sixth International Conference o No. 497), v.2, November, p. 880-883.
