Upload
lamdan
View
212
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE EDUCAÇÃO SÃO JOSÉ
CURSO DE CIÊNCIA DA COMPUTAÇÃO
TRABALHO DE CONCLUSÃO DE CURSO
INFLUÊNCIA DAS VARIÁVEIS DE ENTRADA DE REDES NEURAIS NA PREVISÃO DE CARGA
ELÉTRICA DE CURTO PRAZO
Janara Peixoto
São José, dezembro de 2005.
2
JANARA PEIXOTO
INFLUÊNCIA DAS VARIÁVEIS DE ENTRADA DE
REDES NEURAIS NA PREVISÃO DE CARGA
ELÉTRICA DE CURTO PRAZO
Trabalho de Conclusão de Curso apresentado à banca examinadora do Curso de Ciência da Computação na Universidade do Vale do Itajaí - UNIVALI, Centro de Educação São José, como requisito parcial para obtenção do título de Bacharel em Ciência da Computação.
Orientador: Prof. Arlan Luiz Bettiol, D.S.A.
São José, dezembro de 2005.
3
JANARA PEIXOTO
INFLUÊNCIA DAS VARIÁVEIS DE ENTRADA DE
REDES NEURAIS NA PREVISÃO DE CARGA
ELÉTRICA DE CURTO PRAZO
Este Trabalho de Conclusão de Curso foi julgado adequado como requisito parcial para a obtenção do título de Bacharel em Ciência da Computação, tendo sido aprovado pelo Curso de Ciência da Computação, Centro de Educação São José da Universidade do Vale do Itajaí (SC).
São José, dezembro de 2005.
Prof. Esp. Alecir Pedro da Cunha Prof. M.Eng. Fernanda dos Santos Cunha Responsável pela Coord. do TCC Coordenadora do Curso
Apresentada à Banca Examinadora formada pelos professores:
Orientador: Prof. D.S.A. Arlan Luiz Bettiol
Prof. Dr. Raimundo C. Ghizoni Teive, membro da banca examinadora
Profa. Dra. Anita Maria da Rocha Fernandes, membro da banca examinadora
4
A mente que se abre a uma nova idéia,
jamais voltará ao seu tamanho original .
Albert Einstein
5
Dedico este trabalho ao meu professor Arlan
Luiz Bettiol, por orientar-me de maneira
atenciosa e dedicada e por compartilhar
comigo um pouco de sua inteligência que é
tão admirada por mim.
6
AGRADECIMENTOS
Inicialmente agradeço às Centrais Elétricas de Santa Catarina S.A. - CELESC, pela cessão de
seu histórico de medições de carga ativa, reativa e temperatura ambiente.
Ao meu professor orientador Arlan, a quem tenho todo o respeito e admiração. Agradeço por
toda sua ajuda, seus conselhos importantíssimos, sua disponibilidade para me atender, enfim,
por todo seu esforço e dedicação para me auxiliar na conclusão deste trabalho.
Ao engenheiro de computação Márcio Nápoli pelo desenvolvimento do Sistema de Previsão
de Carga (utilizado neste trabalho), que posteriormente foi aperfeiçoado pelo graduando em
Engenharia de Computação João Vicente Codagnoni. Agradeço também os dois profissionais.
Aos meus amados e queridos pais: mamãezinha Zitinha, Paxa, papai Pedro Paulo e Tia Guara
por me darem a chance de concluir os meus estudos e sempre me mostrando a importância de
adquirir conhecimento para a minha formação. À minha querida maninha Janaina, por me
ouvir, mesmo sem entender quase nada do que eu falava: sobre algoritmos, cálculos, redes,
java, delphi, etc, mas estava sempre disposta a me escutar. Aos meus amigos, que estiveram
ao meu lado quando necessário.
Aos meus amigos de faculdade: Adrianinho, Fábio, Naim, Nelsinho, Rodriguinho, Serginho e
todos os outros. Aos meus professores e a minha coordenadora Fernanda.
Enfim, agradeço a todas aquelas pessoas que encontrei durante esta jornada de cinco anos e
que de alguma forma contribuíram para a elaboração deste trabalho.
7
RESUMO
Este trabalho propõe avaliar a influência das variáveis de entrada de uma rede neural para a
previsão de carga elétrica de curto prazo. Para isto, é utilizado um sistema desenvolvido em
delphi, chamado Sistema Previsor de Carga (SPC).
Para tanto, foi realizado um trabalho envolvendo duas grandes partes: Análise e
preenchimento dos dados; treinamento e previsão.
Inicialmente, nesta primeira parte é feita uma análise em cima dos dados recebidos da
CELESC: carga ativa, carga reativa e temperatura; posteriormente é necessário um
preenchimento dos dados inexistentes, através de algumas regras específicas.
Logo após, neste trabalho aqui apresentado, a segunda parte consiste em treinar e calibrar a
rede, já com os dados preenchidos e realizar a previsão. Isto envolveu uma série de testes, em
torno de 70, elaborados com combinações de variáveis de entrada visando avaliar seus
resultados e assim, modificando-as no SPC, tentando obter o melhor ajuste para um resultado
final satisfatório.
Os resultados numéricos obtidos com a previsão de carga ativa e carga reativa para um
horizonte de 1 hora, mostram erros relativos médios de 5,85 e 9,74 respectivamente.
Palavras-chave: previsão de carga de curto prazo, redes neurais, redes RBF, variáveis de
entrada.
8
ABSTRACT
This paper proposes the valuation of the influence of the entry variables of a neural network
to the prediction of electric charge in the short term. In this way, a system developed in
Delphi, called Charge Prediction System (SPC), is used.
Therefore, this process involved two large parts: analysis and filling in of data; training and
prediction.
Initially, in the first part, an analysis of the data from CELESC, such as active charge, reactive
charge and temperature, is done; subsequently, it s necessary to fill in the nonexistent data,
through some specific rules.
Then, the second part consists in training and calibrating the network, with the data
completely filled in already, and the prediction. This part involved a sequence of tests,
approximately 70, elaborated with combinations of entry variables, with the objective of
getting its results valuation and, in this way, modifying them at the SPC, trying to get the
better adjust for a satisfactory final result.
The numeric results that were obtained with the prediction of active charge and reactive
charge to an horizon of 1 hour show relative mistakes of 5,85 and 9,74, respectively.
Key words: prediction of charge in the short term, neural networks, RBF networks, entry
variables.
9
SUMÁRIO
1 INTRODUÇÃO...............................................................................................................13
1.1 Apresentação...................................................................................................................13
1.2 Justificativa .....................................................................................................................15
1.3 Objetivo geral .................................................................................................................16
1.4 Metodologia ....................................................................................................................16
1.5 Organização do trabalho .................................................................................................17
2 REDES NEURAIS ..........................................................................................................18
2.1 Introdução .......................................................................................................................18
2.2 Redes Neurais Artificiais ................................................................................................20
2.3 Redes Neurais com Função de Base Radial....................................................................22
3 METODOLOGIAS DE PREVISÃO DE CARGA ......................................................26
2.1 Introdução .......................................................................................................................26
3.2 Variáveis de entrada........................................................................................................30
4 O SISTEMA COMPUTACIONAL SPC E A MASSA DE DADOS HISTÓRICOS
UTILIZADOS .........................................................................................................................32
4.1 Introdução .......................................................................................................................32
4.2 PARTE I: A massa de dados das séries históricas..........................................................35
4.2.1 Massa original de dados horários.............................................................................35
4.2.2 Preenchimento da massa de dados horários inexistentes .........................................36
4.3 PARTE II: Os experimentos numéricos .........................................................................39
5 ANÁLISE DOS RESULTADOS NUMÉRICOS DO SPC..........................................41
5.1 Descrição geral ...............................................................................................................41
5.2 Testes de prospecção e ajustes (pré-processamento) ......................................................42
5.3 Testes de sensibilidade com os dados corrigidos............................................................46
5.3.1 Influência da escolha das variáveis de entrada ........................................................46
5.3.2 Influência do número de horas dos históricos de dados ..........................................47
5.3.3 Influência do raio da função RBF............................................................................48
5.3.4 Influência do número de neurônios da camada intermediária .................................50
5.3.5 Influência do horizonte de previsão.........................................................................51
5.4 Testes de sensibilidade com os dados originais..............................................................54
6 CONSIDERAÇÕES FINAIS .........................................................................................55
7 REFERÊNCIAS..............................................................................................................57
10
LISTA DE TABELAS
Tabela 1a: Testes de previsão de carga ativa somente com dias úteis (horizonte de 1 hora). ..43
Tabela 1b: Testes de previsão de carga ativa com a semana completa (horizonte de 1 hora)..43
Tabela 1c: Testes de previsão de carga ativa somentecom dias úteis (horizonte de 24 horas).43
Tabela 1d: Testes de previsão de carga ativa com a semana completa (horizonte de 24 horas).
..........................................................................................................................................44
Tabela 2a: Testes de previsão de carga reativa somente com dias úteis...................................45
Tabela 2b: Testes de previsão de carga reativa com a semana completa. ................................45
Tabela 3a: Influência das variáveis de entrada na previsão de carga ativa...............................46
Tabela 3b: Influência das variáveis de entrada na previsão de carga reativa. ..........................47
Tabela 4a: Influência do número de horas do histórico de dados na previsão de carga ativa. .48
Tabela 4b: Influência do número de horas do histórico de dados na previsão de carga reativa.
..........................................................................................................................................48
Tabela 5a: Influência do raio da função RBF na previsão de carga ativa.................................49
Tabela 5b: Influência do raio da função RBF na previsão de carga reativa. ............................49
Tabela 6a: Influência do número de neurônios na previsão de carga ativa. .............................50
Tabela 6b: Influência do número de neurônios na previsão de carga reativa. ..........................50
Tabela 7a: Influência do horizonte de previsão de carga ativa. ................................................51
Tabela 7b: Influência do horizonte de previsão de carga reativa..............................................51
Tabela 8: Resultados numéricos com a massa de dados originais............................................54
11
LISTA DE FIGURAS
Figura 1: Neurônio biológico (extraído de LOESCH, 1996)....................................................19
Figura 2: Representação da sinapse neural (extraído de LOESCH, 1996). ..............................19
Figura 3: Representação esquemática de uma RBF (extraído de TODESCO, 1995)...............22
Figura 4: Algoritmo de treinamento da RNA (extraído de TODESCO, 1995). .......................24
Figura 5: Tela do sistema SPC..................................................................................................33
Figura 6: Dados originais de carga ativa e reativa (Março de 2003). .......................................36
Figura 7: Dados de temperatura ambiente originais (Julho de 2003). ......................................38
Figura 8a: Dados de carga ativa e reativa originais (Maio de 2003). .......................................38
Figura 8b: Dados de carga ativa e reativa corrigidos pelas regras de preenchimento (Maio de
2003).. .............................................................................................................................389
Figura 9: Valores de carga ativa previstos x valores reais (Teste 1 da Tabela 7a). ..................52
Figura 10: Valores de carga reativa previstos x valores reais (Teste 7 da Tabela 7b)..............53
12
LISTA DE ABREVIATURAS E SIGLAS
CELESC Centrais Elétricas de Santa Catarina;
COS
Centro de Operação do Sistema;
MAE
Mercado Atacadista de Energia;
MLP
Perceptron Multi-Camadas;
ONS
Operador Nacional do Sistema;
RBF
Radial Basis Function (Função de Base Radial);
RNA Redes Neurais Artificiais;
SCADA
Supervision, Control and Data Acquisition (Sistemas de Supervisão e Controle em
Tempo Real);
SEB
Setor Elétrico Brasileiro;
SPC
Sistema de Previsão de Carga.
13
1 INTRODUÇÃO
1.1 APRESENTAÇÃO
Segundo Oliveira (2001), Hyeonjoong e Russell (1999) e Reis (2002), a previsão de carga
elétrica (ativa e/ou reativa) em determinados pontos de um sistema de transmissão ou
distribuição de energia elétrica para um dado instante de tempo (denominada na literatura
técnica como previsão de carga) é de grande importância no gerenciamento da produção,
intercâmbio, comercialização e distribuição de energia elétrica. De acordo com Oliveira
(2001) e Daneshdoost et al (1998), Sistemas de Previsão de Carga (SPC), desde que
adequadamente concebidos e implementados, possibilitam a otimização da geração de energia
elétrica (montantes e custos de produção), da coordenação hidro-térmica pelos despachantes e
uma melhor programação das transferências de energia entre distintas companhias de sistemas
elétricos interligados. Pela sua reconhecida importância técnica e econômica, um SPC deve
prover segurança, confiabilidade e economia para a operação otimizada dos sistemas de
energia elétrica.
Oliveira (2001) afirma que as previsões de carga podem ser classificadas como de curto,
médio e longo prazo. As previsões de curto prazo (de minutos a horas à frente) são utilizadas
no planejamento da operação de sistemas elétricos. Já as de médio prazo (de semanas a meses
à frente) são utilizadas nos planejamentos da produção e intercâmbio de energia entre as
empresas de sistemas interligados de energia elétrica. Por último, as previsões de longo prazo
(até anos à frente) fornecem subsídios ao planejamento estratégico visando a construção de
usinas, subestações e redes de transmissão e distribuição de energia elétrica.
As variáveis de estado normalmente utilizadas nos SPC para Oliveira (2001), Khotanzad et al
(1998) e Drezga e Rahman (1998) são, principalmente, as condições climáticas atuais
(luminosidade, umidade relativa do ar, radiação solar, temperatura ambiente, velocidade do
14
vento, pressão atmosférica, etc.), dia da semana (dia útil, final de semana e feriado), estação
do ano (verão, outono, inverno e primavera) e os dados históricos de carga (ativa e/ou reativa)
e das variáveis climáticas.
De forma a constituírem as séries temporais, algumas variáveis do SPC, sobretudo as de
origem elétrica, são obtidas por meio de leituras manuais ou automáticas nas subestações do
sistema de transmissão e distribuição de energia elétrica. As leituras manuais são realizadas
pelos operadores das subestações, sendo que as leituras automáticas são obtidas por meio de
Sistemas de Supervisão e Controle em Tempo Real (SCADA - Supervision, Control and Data
Acquisition).
Um sistema automático de previsão de carga deve funcionar de forma integrada ao sistema
SCADA, efetuando suas previsões a partir das leituras automáticas e sincronizadas efetuadas
por este sistema. Este SPC deve ter a capacidade de efetuar previsões com alto nível de
confiabilidade, dentro das restrições temporais existentes (principalmente aquelas
relacionadas com as demandas de energia de curto prazo), de uma forma periódica (em geral,
em base horária), automática e com algum determinado grau de autonomia, de modo a
dispensar a intervenção humana.
Xiao e Mclaren (1995) salientam que existem diversas metodologias disponíveis na literatura
para a elaboração de previsões de carga, dentre as quais pode-se citar, em especial, os
modelos estatísticos e as redes neurais artificiais. A categoria dos modelos estatísticos abrange
a regressão linear múltipla, os modelos de séries temporais e os modelos de espaço de estado.
Na categoria das redes neurais, o modelo de rede Perceptron Multi-Camadas (MLP) e a rede
de Função de Base Radial (Radial Basis Function RBF), são as mais utilizadas em previsões
de séries temporais de acordo com Oliveira (2001); Nascimento e Silva (1997); Skapura
(1996); Xiao e Mclaren (1995); Zebulum, Pacheco e Vellasco (1996) e Lee e Park (1992).
Para Tatibana e Kaetsu (200?), a literatura disponível mostra que as redes neurais têm sido
aplicadas com sucesso para previsão de séries temporais em vários trabalhos, mas apesar dos
avanços metodológicos constantes, não existe ainda consenso entre os pesquisadores de que
exista um relacionamento linear entre as variáveis normalmente associadas com a variação da
carga (tais como as condições climáticas, a temperatura ambiente e os níveis de carga
passada). No entanto, as redes neurais possuem a habilidade necessária para construir um
15
relacionamento não linear entre suas entradas e sua saída, através do aprendizado por
exemplos.
Oliveira (2001) assegura que uma característica comum às redes neurais utilizadas em
previsão de carga é que o aprendizado da rede acontece através de treinamento
supervisionado. Para um determinado modelo de rede, a quantidade de exemplos (pares de
treinamento) necessária ao treinamento e o número de vezes que estes exemplos são
apresentados à rede neural estão diretamente relacionados à complexidade da arquitetura
adotada e ao tempo computacional requerido para o treinamento. A complexidade da
arquitetura está associada ao número de neurônios da camada de entrada (ou seja, a dimensão
do vetor de entrada da rede neural), o qual representa o número de variáveis de entrada, ao
número de neurônios da(s) camada(s) intermediária(s) e a quantidade de camadas da rede.
Também de acordo com Oliveira (2001) para um dado modelo de rede, a complexidade de
sua arquitetura é inversamente proporcional a sua especialização em uma determinada
previsão. Uma rede mais especializada, quando comparada a uma outra mais genérica, possui
treinamento mais rápido e conseqüentemente a necessidade de um número menor de
exemplos de treinamento. Por outro lado, para um determinado universo de previsões a serem
elaboradas, quanto maior a especialização da rede neural utilizada, maior será o número de
redes neurais, necessárias para a obtenção de todo o conjunto de previsões de carga deste
universo.
A implementação de um adequado sistema de previsão de carga para um horizonte de
operação de curto prazo (ou seja, até 1 semana à frente) permite a minimização de vários
problemas operacionais em determinados pontos dos sistemas de energia elétrica em condição
de regime permanente, os quais são decorrentes de montantes inesperados de carga (ativa e/ou
reativa).
1.2 JUSTIFICATIVA
Devido à reconhecida importância técnica e econômica para as empresas de energia elétrica, a
previsão de carga, em especial a ativa, tem sido sujeita a constantes aprimoramentos
metodológicos nos últimos anos.
As redes neurais, devido a sua capacidade intrínseca de estabelecer relações entre as variáveis
16
de entrada e saída, são ferramentas computacionais adequadas à previsão de carga de curto
prazo. O principal problema relacionado ao uso de redes neurais na previsão de carga, tanto
ativa como reativa, está relacionado à escolha das variáveis de entrada, cuja importância dos
valores das cargas ativas e reativas não são conhecidas a priori.
1.3 OBJETIVO GERAL
Avaliar a influência das variáveis de entrada em redes neurais (temperatura, dia da semana,
hora, etc.) na previsão de carga ativa e reativa no horizonte de operação de curto prazo.
Utilizando, como apoio ao desenvolvimento do trabalho de pesquisa, um sistema
computacional desenvolvido na linguagem Delphi para a previsão de carga utilizando bases
de dados reais de uma empresa de energia elétrica.
1.4 METODOLOGIA
Para a efetivação deste trabalho, este foi dividido em quatro grandes atividades, chamadas:
redes neurais, metodologias de previsão de carga, o sistema computacional SPC e a massa de
dados históricos utilizados e análise dos resultados numéricos do SPC.
Em um primeiro momento, foi realizado um estudo sobre redes neurais e uma pesquisa sobre
os modelos disponíveis de previsão de carga (ativa e/ou reativa) usando redes neurais,
sobretudo na avaliação da influência das variáveis de entrada e saída das redes neurais, sendo
investigada as variáveis de entrada e saída utilizadas nos modelos já propostos.
Após o estudo das metodologias, foi efetivada a análise dos dados fornecidos pela empresa de
energia elétrica, em torno de 25.500 dados. A partir deste ponto, foram realizados
preenchimentos destes dados que se encontravam em falta na massa, ou seja, zerados.
Em um segundo momento, foi efetuado o treinamento da rede neural com 80% dos dados
obtidos. Em seguida, os experimentos de previsão de carga com os outros 20% da massa de
dados.
Foram executados cerca de 70 experimentos. O tempo de processamento destes, variou de 10
minutos até 3 dias e 2 horas (sem interrupção).
17
Contudo, durante estes experimentos foi sendo realizada a análise dos resultados, mantendo as
variáveis que obtiveram os melhores resultados fixas no decorrer dos experimentos.
1.5 ORGANIZAÇÃO DO TRABALHO
O trabalho final está organizado em 7 capítulos: Introdução; Redes Neurais; Metodologias de
Previsão de Carga; Sistema computacional SPC e a massa de dados históricos utilizados;
Análise dos resultados numéricos obtidos; Conclusões e Referências.
O Capítulo 1 apresenta uma breve introdução ao tema, bem como justificativa, objetivos,
metodologia adotada e sua organização.
O Capítulo 2 relata a base teórica de redes neurais utilizada para o desenvolvimento do
trabalho. O Capítulo 3 apresenta um estudo preliminar de modelos propostos para o
tratamento do problema alvo: a previsão de carga usando redes neurais. O Capítulo 4 exibe
uma breve introdução sobre o sistema SPC utilizado no desenvolvimento do trabalho e
também sobre os dados utilizados. O Capítulo 5 demonstra os resultados e análise dos testes.
Por fim, o Capítulo 6 apresenta as conclusões referentes ao trabalho e o Capítulo 7 exibe as
referências utilizadas.
18
2 REDES NEURAIS
2.1 INTRODUÇÃO
Segundo Tatibana e Kaetsu (200?), estima-se que o cérebro humano seja composto por
aproximadamente 10 bilhões de neurônios e 60 trilhões de sinapses ou conexões, sendo assim
considerado o mais fascinante processador baseado em carbono existente. É uma estrutura
extremamente eficiente, realizando processamentos de maneira paralela em uma velocidade
enorme, incapaz de ser realizada por qualquer computador existente. Todos os movimentos e
funções do organismo estão relacionados ao funcionamento destas pequenas células que
compõe o cérebro humano.
Os principais componentes dos neurônios, conforme Figura 1, são:
Os dendritos que têm por função receber impulsos nervosos ou informações de
neurônios e conduzir para o corpo celular, ou seja, receber os estímulos transmitidos pelos
outros neurônios (TATIBANA e KAETSU, 200?);
O corpo de neurônio, também chamado de soma, que é responsável pela coleta e
combinação das informações vindas de outros neurônios (TATIBANA e KAETSU, 200?);
O axônio, o qual é longo e fino constituído de uma fibra tubular que pode alcançar até
alguns metros, é responsável por transmitir os estímulos para outras células. Ele é
caracterizado por uma alta resistência elétrica e uma alta capacitância (HAYKIN, 2001;
TATIBANA e KAETSU, 200?).
19
Figura 1: Neurônio biológico (extraído de LOESCH, 1996).
De acordo com Tatibana e Kaetsu (200?), os neurônios estão conectados uns aos outros
através de sinapses e juntos formam uma grande rede, chamada REDE NEURAL. Sinapse é a
região onde dois neurônios entram em contato, ou seja, o ponto de encontro do fim do axônio
até o dendrito de outro neurônio, transmitindo estímulos através de diferentes concentrações
de Na+ (Sódio) e K+ (Potássio), e o resultado disto pode ser estendido por todo o corpo
humano. As sinapses têm um papel fundamental na memorização da informação. Esta grande
rede proporciona uma fabulosa capacidade de processamento e armazenamento de
informação.
As extremidades do axônio são conectadas com dendritos de outros neurônios pelas sinapses,
como ilustrado abaixo na Figura 2. Em muitos casos, um axônio é diretamente conectado com
outros axônios ou com o corpo de outro neurônio.
Figura 2: Representação da sinapse neural (extraído de LOESCH, 1996).
20
2.2 REDES NEURAIS ARTIFICIAIS
Bet (2005) afirma que as Redes Neurais Artificiais (RNA s) são representações
computacionais do funcionamento do cérebro humano, sendo inspiradas em modelos neurais
biológicos, ou seja, são compostas por elementos que fazem funções parecidas a um neurônio
biológico.
Essa inspiração, segundo Braga, Ludermir e Carvalho (2000), vem do fato de os seres
humanos conseguirem aprender através de exemplos e esse conhecimento ficar armazenado
em fendas sinápticas , ou sinapses, dentro do cérebro.
Bet (2005) assegura que é ideal para casos em que um sistema deve adaptar-se às
circunstâncias ou em que os padrões não seguem uma lógica clara. Problemas imprecisos, que
não podem ser definidos por uma fórmula matemática, são ideais para a resolução por redes
neurais. As redes neurais artificiais têm por função a simulação de um sistema capaz de
aprender e assimilar por exemplos.
Para Muller e Fill (2003), uma rede neural artificial é composta por várias unidades de
processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são
conectadas por canais de comunicação que estão associados a determinado peso, o conjunto
de treinamento. As unidades fazem operações apenas sobre seus dados locais, ou seja, em seu
ambiente, que são entradas recebidas pelas suas conexões. O comportamento inteligente de
uma rede neural artificial vem das interações entre as unidades de processamento da rede.
De acordo com Braga, Ludermir e Carvalho (2000), para a solução de problemas,
inicialmente, a Rede Neural Artificial passa por um método usual chamado de aprendizagem.
Neste método, é fornecido um conjunto de exemplos à rede, o qual, automaticamente são
extraídas características importantes para representar a informação fornecida. Em seguida,
essas características, ditas necessárias, são utilizadas para gerar respostas do problema.
Muller e Fill (2003) asseguram que a rede neural artificial é proposta por 3 camadas:
Camada de Entrada: onde os padrões são apresentados à rede, ou seja, recebe os sinais
que serão utilizados pela rede;
21
Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento,
através das conexões ponderadas; essa camada pode ser considerada como extratora de
características;
Camada de Saída: onde o resultado final é concluído e apresentado.
As Redes Neurais Artificiais possuem algumas características interessantes. Dentre as
principais, destacam-se:
A capacidade de solucionar problemas é característica emergente da sua capacidade de
adaptação aos dados que a alimentou (ROSS, 1995);
A facilidade em resolver problemas que são difíceis para a computação convencional ou
profissional principiantes (DEMUTH e BEALE, 1994);
A tolerância à falhas. O conhecimento de uma RNA é internamente distribuído no
conjunto de pesos das conexões entres os neurônios. Por isso, um neurônio falho, em
princípio, não levará todas as operações internas a um colapso global (TODESCO, 1995);
A facilidade de mudar sua arquitetura em busca de resultados otimizados (TODESCO,
1995); e
O grande poder de generalização, ou seja, sempre que uma entrada ruidosa, incompleta ou
desconhecida é apresentada à RNA, esta tem o poder de produzir uma resposta confiável
(FAUSSET, 1994).
Contudo, as Redes Neurais Artificiais, também apresentam algumas desvantagens em
aplicações específicas. Dentre as mais habitualmente citadas na literatura de Harrison (1998) e
Loesch (1996) são a dificuldade de um formalismo na especificação e na análise de modelos
de RNA. Para se compreender os mecanismos fundamentais das RNA s, é necessário realizar
simulações que, na maioria dos casos, são tarefas árduas e também a sensibilidade ao formato
de dados que são apresentados.
22
2.3 REDES NEURAIS COM FUNÇÃO DE BASE RADIAL
As Redes Neurais com Função de Base Radial (RBF - Radial Basis Function) são definidas
na literatura como as RNA s que possuem funções de ativação radiais em suas camadas
intermediárias (KARTALOUPOLUS, 1996). De acordo com Bauchpiess et al (1997),
inicialmente, foram desenvolvidas e aplicadas em problemas de classificação e aproximação
de funções, demonstrando resultados semelhantes aos existentes para uma Perceptron Multi-
Camadas (MLP). Deste modo, com os devidos aprimoramentos efetuados, tornaram-se
popular no meio científico como uma alternativa à tecnologia dominante.
Segundo Haykin (2001) e Pandya (1995), a construção de uma rede de função de base radial
na forma mais simples é composta por 3 camadas totalmente diferentes, como ilustrado na
Figura 3. A camada de entrada, que é constituída por unidades sensoriais que conectam a rede
ao seu ambiente. A segunda camada, a única oculta, aplica uma transformação não-linear do
espaço de entrada para o espaço oculto, de alta dimensionalidade. Já a terceira camada ou
camada de saída é linear, fornecendo a resposta da rede ao padrão de ativação aplicado à
camada de entrada, promovendo uma transformação linear do espaço dimensional da camada
intermediária para o espaço dimensional de saída.
g1(x)
g2(x)
g3(x)
x1
x2
h1(x)
h2(x)
Figura 3: Representação esquemática de uma RBF (extraído de TODESCO, 1995).
23
Orr (1997) diz que a base funcional de uma RBF reside principalmente na transformação não-
linear existente em sua camada intermediária. Por isso, não se pode deixar de notar as várias
alternativas válidas como funções desta camada. Dentre seus exemplos, estão a função
gaussiana e a função multi-quadrática, matematicamente a seguir representadas nas equações
(a) e (b) extraído de Todesco (1995).
2
2
exp)(r
cxxh Equação (a)
r
cxrxh
22
Equação (b)
onde:
x é o padrão de entrada
c é o centro da função
r é o raio da função
Bauchpiess et al (1997) afirma que o poder de resposta das funções de ativação reflete o
caráter local do processamento de uma RBF. Em outras palavras, Todesco (1995) diz que
dada uma determinada entrada, esta é capaz de excitar somente um pequeno subconjunto dos
neurônios na camada intermediária. Assim, durante o treinamento, pontos distantes da área de
atuação da entrada (centros não excitados) não sofrerão ajustes em seus parâmetros. Este
caráter local do treinamento faz com que novos aspectos do problema possam ser
incorporados sem prejuízo do que já foi aprendido. Cabe ressaltar que esta característica local
dificilmente é obtida em uma MLP.
Outro ponto significativo da RBF em relação ao modelo MLP é a possibilidade de otimização
da arquitetura da RNA. Cada elemento da camada intermediária da RBF pode ser encarado
como uma aproximação de um elemento representativo da base de exemplos. Deste modo,
não é difícil fazer uma análise sobre os dados existentes a fim de descobrir tais elementos.
Segundo Bauchpiess et al (1997), este tipo de análise pode ser feito através de métodos
estatísticos, de um mapeamento auto-organizável ou simplesmente de um espalhamento
uniforme dos processadores sobre o espaço de entrada. Na solução proposta utilizou-se um
mapeamento auto-organizável, a Aproximação Sucessiva, o qual é ilustrado na Figura 4
24
(TODESCO, 1995).
Figura 4: Algoritmo de treinamento da RNA (extraído de TODESCO, 1995).
Neste algoritmo, os padrões de entrada são apresentados apenas uma vez. De acordo com a
exigência atribuída (raio da base da função radial e um corte para treinamento do neurônio) a
camada intermediária é alocada. A vantagem principal deste algoritmo é a não necessidade de
definição do número de neurônios na camada intermediária. Já como desvantagem, este
algoritmo apresenta o não conhecimento prévio dos seus parâmetros de exigência mais
adequados (TODESCO, 1995 e BETTIOL, 2003).
Após a especificação da camada intermediária, o treinamento entra em uma segunda fase, a
qual encontra linearmente o relacionamento entre a camada intermediária e os alvos a serem
atingidos. Neste presente trabalho, utilizando-se das facilidades do ambiente de
desenvolvimento, utilizou-se um método não iterativo para esta segunda fase, o cálculo da
pseudo-inversa, é expresso na Equação c (DEMUTH e BEALE, 1994).
25
111 tSSSW Equação (c)
onde:
S é o conjunto de respostas da camada escondida
T é o conjunto de respostas desejadas (targets)
W é a matriz de pesos
São vários os motivos que levaram a escolha do modelo RBF neste trabalho de previsão de
carga. Dentre eles pode-se destacar:
A natureza do problema sob análise (Previsão);
Os sucessos obtidos anteriores em outros trabalhos (BAUCHPIESS et al, 1997 e
TODESCO, 1995);
A rapidez no treinamento;
A não aleatoriedade na definição dos pesos iniciais;
A facilidade de implementação;
A facilidade de compreensão de seu funcionamento;
A possibilidade de interpretar sua estrutura; e
Algoritmo pronto e testado.
26
3 METODOLOGIAS DE PREVISÃO DE CARGA
2.1 INTRODUÇÃO
A energia elétrica é um bem essencial para a população. Utiliza-se para obter iluminação,
movimentar máquinas e equipamentos, agilizar as comunicações, controlar a temperatura
produzindo calor ou frio, etc. Cria-se um enorme grau de dependência com a eletricidade,
dentre eles, produção, entretenimento, segurança, conservação de alimentos, conforto e
diversos outros fatores associados à qualidade de vida. Por todos estes motivos expostos, a
exigência de energia elétrica de qualidade se torna essencial às atividades cotidianas no
mundo atual.
Ao se observar o comportamento do mercado consumidor de energia elétrica, constata-se um crescimento do nível de exigência quanto aos índices de qualidade e continuidade no fornecimento de energia. Níveis de oscilação na tensão e de interrupção de fornecimento, até a pouco tempo considerado normais, não são mais atualmente tolerados. A isto se soma a redução da disponibilidade de recursos energéticos renováveis e o acirramento da competição entre as concessionárias de energia elétrica gerado pela desregulamentação do setor. Estes fatos geram para uma concessionária de eletricidade, a necessidade de reduzir seus custos operacionais, diminuindo o desperdício na geração e distribuição de energia elétrica, e de exercer maior controle sobre seu sistema de potência, com sua operação sendo conduzida dentro de limites cada vez mais justos. (OLIVEIRA, 2004, p. 18).
Marra, Lage e Miranda (1999, p. 1) asseguram que, diante das transformações ocorridas do
novo modelo do Setor Elétrico, as empresas de energia elétrica estão revendo seu papel
tradicional de fornecedores de eletricidade, utilizando-se de novas posturas de
comercializadoras de serviços de energia.
De acordo com Oliveira (2004, p. 16), a energia elétrica é gerada de acordo com que vai
sendo consumida, ou seja, simultaneamente. Não pode ser armazenada pelos seus
consumidores em grande escala. Se houver uma produção excessiva e não for consumida, essa
energia é desperdiçada. Outro fato a ser considerado é que, relacionado ao rumo evolutivo das
27
sociedades humanas, observa-se um constante aumento na demanda por energia, bem como
uma alteração no comportamento desta demanda. O crescimento e alteração do
comportamento da demanda por energia elétrica em um dado espaço geográfico se deve, entre
outros fatores, ao crescimento populacional, às trocas na organização de espaços e de seus
usos, e a alteração nos hábitos de consumo causados pelas alterações nas bases tecnológica e
cultural das comunidades que ocupam um dado espaço. Esta dinâmica implícita à evolução da
humanidade contribui para o comportamento dinâmico dos sistemas de energia elétrica e traz
mais um complicador à previsão de carga, ajudando a tornar os modelos obsoletos com o
decorrer do tempo.
Por esses motivos, a previsão de carga se mostra de suma importância na formulação de
estratégias de operação econômica. Segundo Lima, Castro e Ohishi (1999, p. 1), a previsão de
carga também se torna importante para o Setor Elétrico Brasileiro (SEB) devido
principalmente ao Mercado Atacadista de Energia (MAE). Para a definição do preço spot da
energia elétrica do dia seguinte (efetuado a cada hora), no âmbito do MAE é necessário ao
Operador Nacional do Sistema (ONS) realizar a previsão de curto prazo do perfil de carga
diário do sistema. O ONS também realiza outras funções utilizando previsão de carga de curto
prazo: despacho de usinas, confiabilidade do sistema e avaliação de intercâmbios de energia e
análise de contingência. O ONS recebe os dados das empresas e consolida os programas de
geração e intercâmbios programados.
Também de acordo com Lima, Castro e Ohishi (1999, p. 1), há ainda outra aplicação para a
previsão de curto prazo que é o acompanhamento on-line da carga pelos operadores no Centro
de Operação do Sistema (COS). Para esta previsão ser considerada satisfatória, é necessário
que o sistema adapte-se automaticamente às mudanças climáticas não previstas anteriormente,
mas que no momento fazem diferença no comportamento da carga. Essas mudanças
climáticas que influenciam as cargas, se dão principalmente pelas seguintes variáveis de
estado: número de horas de brilho solar direto, temperatura, pressão atmosférica, velocidade
do vento, nebulosidade, umidade e pluviosidade.
Para Soares (1999, p. 1) as variáveis metodológicas utilizadas são temperatura do ar (graus
centígrados) e pressão atmosférica (milímetros de mercúrio). A idéia da utilização da
temperatura do ar e pressão atmosférica baseia-se na correlação existente entre o conforto
térmico e a demanda de carga elétrica. Já a utilização só da pressão atmosférica baseia-se no
princípio de que, mudanças meteorológicas de maior amplitude (como, por exemplo, as
28
frentes frias no período de inverno da Região Sul) antes de alterarem a temperatura do ar,
alteram a pressão.
Já Oliveira (2004, p. 19), diz que com a extensa bibliografia na área, o valor da carga futura
possui relação, dentre outros, com o valor de cargas passadas, de variáveis climáticas, tal
como a temperatura ambiente, com o ciclo das estações do ano, com o nível de atividade
econômica e com indicadores de vida social tais como: dia da semana, hora do dia e feriados.
Assim, a construção de modelos que explicitem esta relação enfrenta a dificuldade da
modelagem de relacionamentos não lineares e altamente complexos.
Lima, Castro e Ohishi (1999, p. 2) dizem que a dependência para que o modelo de previsão de
carga seja preciso, está fortemente ligada à maneira que foi realizada a modelagem de carga,
considerando as variáveis climáticas que alteram o comportamento da carga. Sendo assim, é
de extrema importância a análise da influência climática nas curvas de cargas.
Outro fator que demonstra a necessidade da precisão da previsão de carga é o auxílio na
gerência da produção e distribuição da eletricidade. Segundo Oliveira (2004, p. 17), as
previsões que possuem um alto grau de precisão possibilitam otimizar a produção, reduzir os
custos de produção, melhorar a coordenação hidro-térmica e melhorar a programação para as
transferências de energia entre partes do sistema elétrico de uma concessionária ou entre
sistemas elétricos de companhias distintas. Adicionalmente, a previsão de carga auxilia
também em relação ao ONS, previsões ruins podem ocasionar reprogramações de
transferências de potência em tempo real, ou seja, uma operação não otimizada,
conseqüentemente aumentando o custo financeiro para as empresas de energia elétrica.
Assim, um sistema de previsão de cargas deve ser capaz de prover segurança, confiabilidade e
economia para a operação otimizada de um sistema de energia elétrica.
É importante salientar que, à medida que o horizonte da previsão crescer, a precisão dos
modelos de previsão de carga vai diminuindo gradativamente. Bet (2005, p.2) afirma que isso
ocorre devido à necessidade de utilização de previsões precedentes, sendo que até a previsão a
médio prazo, trabalha-se com a previsão da curva da carga. Já em longo prazo, trabalha-se
com a previsão da energia requerida pelas empresas contratantes.
Lima e Ohishi (1997, p. 5) asseguram que a previsão de carga com uma discretização menor
do que uma hora é de grande importância, tanto para a programação da operação como
29
também para análise de segurança de um sistema de energia elétrica, pois fornece uma visão
mais precisa das condições de operação em tempo real do sistema.
As redes neurais artificiais vêm se tornando uma poderosa ferramenta para previsão de carga,
principalmente em horizontes de curto prazo, onde a sazonalidade e as componentes de alta
freqüência da curva de carga se tornam importantes; assim como pela facilidade de
implementação; baixo tempo de treinamento. Entretanto essa influência não é facilmente
notada pelos modelos matemáticos associados. Por esta razão, vem sendo proposto em
literaturas, a utilização de Redes Neurais Artificiais para a previsão de cargas, as quais têm
conseguido bons resultados na área de previsões de cargas no horizonte de operação de curto
prazo. No entanto, ainda há divergências quanto a melhor arquitetura de rede neural a ser
utilizada em previsão de cargas de curto prazo.
Segundo Yoo e Pimmel (1999, p. 1), as redes neurais artificiais podem adaptar-se em um
ambiente em mudança da previsão com auto-aprendizagem (capacidade de aprendizado
adaptativo). Entretanto, a seleção dos dados do treinamento e da arquitetura de rede afeta
significativamente o desempenho da aproximação da rede neural. Adicionalmente, uma rede
neural treinada e calibrada para uma determinada massa de dados, pode tornar-se obsoleta
com as mudanças abruptas nas condições de carga, fazendo, deste modo, uma previsão
inexata.
Segundo Oliveira (2001), Bettiol (2003) e Oliveira (2004), a rede MLP treinada com o
algoritmo BackPropagation é o modelo de rede neural mais utilizado em previsão de carga e
com um maior número de referências bibliográficas. Várias referências descrevem estes
modelos de rede neural de forma detalhada e relatam o resultado de seus experimentos em
previsão de séries temporais. Construída a partir de neurônios do tipo Perceptron, a rede
"aprende" separando por hiperplanos os vários padrões de entrada apresentados. Esta rede é
formada a partir de 3 ou 4 camadas de neurônios. Este modelo de rede neural é eficiente, fácil
de usar e previsível. O método de aprendizado provê equilíbrio entre uma boa memorização
do conjunto de treinamento e uma boa capacidade de resposta às entradas similares ao padrão
de treinamento (capacidade de generalização). Isto habilita a rede ao reconhecimento de
padrões que são similares aos do conjunto de treinamento ou padrões com ruído. As
desvantagens deste modelo são o grande número de parâmetros ajustáveis e a falta de uma
metodologia para o ajuste ideal de seus valores. Os valores dos parâmetros geralmente são
obtidos através de técnicas heurísticas e experimentação. Lee e Park (1992, p. 1) afirmam que
30
o algoritmo do Backpropagation é proposto como uma metodologia para a previsão elétrica
da carga. Um modelo não-linear da carga sugerido e os parâmetros do modelo não-linear da
carga são estimados usando as mostras do resultado de teste do algoritmo do
Backpropagation um uso satisfatório de redes neurais artificiais, e o erro da previsão era
aproximadamente 2%.
Ainda segundo Oliveira (2001), Bettiol (2003) e Oliveira (2004), a rede RBF produz a sua
aproximação pela interpolação dos dados de treinamento em um espaço multidimensional. A
RBF tem como princípio básico, a possibilidade de se encontrar uma superfície em um espaço
multidimensional que produz o melhor ajuste para os dados. Esta rede é formada por 3
camadas de neurônios. A primeira camada representa os sinais de entrada (input layer) e a
última camada os valores da saída desejada (output layer). Na camada intermediária situam-se
as unidades escondidas, responsáveis pela clusterização dos padrões apresentados à rede.
Nesta camada, o espaço de entrada é transformado, de maneira não-linear, em um espaço de
maior dimensão. Este aumento da dimensionalidade está baseado no princípio de que um
padrão pode se tornar linearmente separável em um espaço de maior dimensão. A
clusterização dos padrões de entrada é normalmente realizada utilizando-se funções de base
radial. O vetor de saída da última camada é obtido a partir de uma transformação linear dos
padrões clusterizados na camada intermediária. A RBF demonstra ser uma rede neural
significativamente mais simples de ajustar do que a MLP.
Oliveira (2001) afirma que estes dois pontos são fatores relevantes que precisam ser
considerados em aplicações de tempo real.
Segundo Marra, Lage e Miranda (1999, p. 4) em nível internacional, um modelo de previsão
de carga ativa de curto prazo que obtêm em erro médio inferior a 2,0% para um horizonte de
até 168 horas a frente é considerado excelente.
3.2 VARIÁVEIS DE ENTRADA
A definição das variáveis de entrada e saída das redes neurais para a previsão de carga são de
extrema importância. Entretanto, não existe ainda um consenso entre quais sejam estas
variáveis, o que torna o assunto mais complexo.
31
Oliveira (2004) afirma que, como entrada da RNA, as variáveis mais utilizadas são os valores
históricos de carga, condições climáticas e o comportamento periódico e sazonal da curva da
carga. Dentre as variáveis climáticas, as mais utilizadas são a temperatura e a umidade.
Portanto, a definição exata das variáveis de entrada das redes neurais é um fator fundamental
para a precisão adequada da previsão de carga no horizonte de operação de curto prazo.
Há muitos métodos disponíveis na literatura para a identificação das variáveis da entrada de
RNA. A maior parte destes métodos utiliza as técnicas da análise de correlação,
acompanhadas geralmente por premissas heurísticas e pela experiência do operador. Drezga e
Rahman (1998, p. 1) mostraram que as melhores variáveis de entrada para os previsores de
carga lineares não representam, necessariamente, o melhor conjunto de variáveis de entrada
para modelos não-lineares.
Embora seja notada uma clara evolução dos modelos baseados em técnicas de Inteligência
Artificial, Oliveira (2004) observa que, não há um consenso ou a adoção de padrões para a
sua construção, seja na escolha do modelo de rede neural artificial, na arquitetura, na forma de
construção modular e na escolha das variáveis de entrada e saída do modelo. Modelos de
previsão normalmente têm suas variáveis identificadas e definidas levando em conta apenas
características locais e estáticas da demanda. A partir destes modelos, a capacidade de
adaptabilidade não supervisionada usualmente limita-se àquela implícita ao treinamento das
redes neurais que os compõem.
Para uma maior precisão, simplicidade e eficiência da previsão é preciso usar o mínimo
possível (e necessário) de variáveis de entrada. Para tanto, é essencial identificar as variáveis
que exercem uma influência potencial no modelo a ser previsto (BET, 2005, p. 21). No
entanto, identificar essas variáveis é o trabalho mais difícil dentro do processo de previsão de
carga.
32
4 O SISTEMA COMPUTACIONAL SPC E A MASSA DE
DADOS HISTÓRICOS UTILIZADOS
4.1 INTRODUÇÃO
Buscando atender os objetivos pré-estabelecidos no início deste trabalho, foi utilizado como
apoio ao desenvolvimento do trabalho de pesquisa, sistema computacional (SPC
Sistema de
Previsão de Carga) já desenvolvido na linguagem Delphi e integrado a uma base de dados
PostGreSQL, o sistema SPC efetua a previsão de cargas ativa e reativa de curtíssimo e curto
prazo com horizonte de previsão a partir de uma hora à frente e usando janelas de dados
históricos de até 10 dias de uma base de dados reais fornecida pela CELESC. A Figura 5
mostra uma tela típica do sistema computacional SPC.
33
Figura 5: Tela do sistema SPC.
34
Este sistema foi originalmente desenvolvido em Matlab e Delphi no escopo de um projeto de
Pesquisa & Desenvolvimento entre a Univali e a Celesc pelo engenheiro de computação
Márcio Nápoli. Posteriormente, o sistema foi aperfeiçoado em um projeto Probic pelo
graduando em Engenharia de Computação João Vicente Codagnoni. Agradecemos aqui os
dois profissionais pela cessão do sistema computacional e dos ajustes efetuados em
determinadas situações.
Como pode ser visto na Figura 5, o sistema computacional SPC apresenta ao usuário os dados
utilizados na etapa de treinamento das RNAs, os dados utilizados na etapa de testes das
previsões de carga e o erro relativo médio calculado a partir da comparação entre os dados
reais e os previstos pelo SPC.
Os dados históricos utilizados nas etapas de treinamento, calibração e testes do SPC neste
trabalho são oriundos do sistema SCADA que supervisiona e controla a aquisição automática
de dados elétricos do sistema de distribuição da CELESC. Originalmente, estes dados foram
disponibilizados pela CELESC para o projeto de pesquisa na forma de planilhas em dados no
formato Excel. Espera-se, no futuro, que o SPC possa efetuar acesso direto ao banco de dados
do sistema SCADA ou ao banco de dados corporativo daquela empresa, de modo a permitir a
previsão automática de carga ativa ou reativa a partir de medições atualizadas de forma
contínua pelo sistema de aquisição.
Todos os testes numéricos foram efetuados utilizando-se os dados históricos horários não
normalizados de carga ativa, carga reativa e temperatura ambiente da Subestação Ilha Centro
(138/13,8 kV). Destaca-se que esta subestação atende cargas de natureza predominantemente
comerciais no centro de Florianópolis e não dispõe de bancos automáticos de capacitores. A
presença de bancos automáticos de compensação reativa no sistema de distribuição é um fator
que dificulta a determinação dos reais montantes de carga reativa atendidos pela subestação e,
conseqüentemente, a precisão do SPC no que tange a previsão de carga reativa. No futuro,
espera-se que o SPC possa ter acesso ao estado lógico (status) de tais bancos no sistema
SCADA (ativado ou desativado), de modo a efetuar correções nos valores das cargas
informados pelo SCADA.
Os experimentos de testes numéricos com o SPC foram separados e executados em duas
grandes partes, nomeadas Parte I e Parte II. A Parte I foi dedicada à análise inicial dos dados
de teste do sistema previsor de carga, ao preenchimento dos dados inexistentes nas séries
35
temporais de carga ativa, carga reativa e temperatura ambiente, bem como, na validação e/ou
correção da massa de dados originais. A Parte II foi destinada ao treinamento das RNAs do
SPC e aos testes de sensibilidade.
4.2 PARTE I: A MASSA DE DADOS DAS SÉRIES HISTÓRICAS
4.2.1 Massa original de dados horários
As grandezas horárias disponibilizadas pela CELESC foram a carga ativa (P), carga reativa
(Q) e temperatura ambiente (T). Compreendidas entre o período de Janeiro de 2002 até
Novembro de 2004 (ou seja, 35 meses). Todos esses dados históricos são fornecidos em base
horária (ou seja, de hora em hora), perfazendo um total de aproximadamente 25.500 dados
horários para cada variável monitorada (P, Q e T).
A indisponibilidade de dados comprovadamente úteis para a previsão de carga (como, por
exemplo, a velocidade do vento, a pressão atmosférica, os níveis de luminosidade e a umidade
relativa do ar), que não são ainda coletados pela CELESC, não permitiu a execução de
experimentos numéricos mais completos ou sofisticados. No momento, encontra-se em
negociação entre a CELESC e EPAGRI, o acesso direto às bases de dados meteorológicos
desta última, o que permitirá, no futuro, o aumento da precisão dos sistemas de previsão de
carga implantados na CELESC.
A partir dos dados fornecidos pela CELESC, foram gerados vários gráficos para uma melhor
visualização da massa de dados fornecidos. Como se pode observar em um destes exemplos
ilustrado na Figura 6, a falta de dados históricos em algumas séries temporais representa uma
dificuldade adicional ao trabalho, implicando na redução da precisão do SPC ou mesmo de
problema de instabilidade numérica. Destaca-se que esta falta de dados ocorre por problemas
de aquisição e/ou transmissão do sistema SCADA ou mesmo por indisponibilidade dos dados
(durante, por exemplo, desligamentos preventivos ou corretivos de manutenção da
subestação).
36
0,0
10,0
20,0
30,0
40,0
50,0
60,0
70,0
00:0
0
22:0
0
20:0
0
18:0
0
16:0
0
14:0
0
12:0
0
10:0
0
08:0
0
06:0
0
04:0
0
02:0
0
00:0
0
22:0
0
20:0
0
18:0
0
16:0
0
Reativa Ativa
Figura 6: Dados originais de carga ativa e reativa (Março de 2003).
Originalmente, os dados fornecidos (dentre eles carga ativa, reativa, temperatura ou até
mesmo as três variáveis) apresentaram diversas imperfeições, como valores nulos em
pequenos intervalos de tempo (em torno 1.014 dados zerados, ou seja, 4,95% na fase de
treinamento e 107 dados zerados, na fase de teste, isto é, 3,35%). Em função desta falta de
dados em algumas séries temporais e de modo que o sistema SPC não interpretasse estes
dados como de valor nulo, estas faixas de dados inexistentes foram preenchidas através de
algumas regras empíricas, as quais são apresentadas a seguir.
4.2.2 Preenchimento da massa de dados horários inexistentes
Variáveis utilizadas nas regras empíricas: du (dia útil); df (sábado, domingo ou feriado); h (hora do dia) e k (dia).
Regra 1
Quando falta apenas um valor carga ativa e/ou carga reativa e/ou temperatura ambiente entre dois valores existentes:
1.1 Média simples: valor(h) = [valor(h-1) + valor(h + 1)] / 2
Regra 2
Quando falta mais de um valor (carga ativa e/ou reativa e/ou temperatura) entre dois valores existentes:
37
2.1 Caso a variação da temperatura não for significativa (variação menor que 3º), repetir os
valores do dia anterior relativos à faixa de dados inexistentes. Destaca-se que esta regra
só é válida se o dia no qual estão faltando dados for do mesmo tipo (du ou df) do dia
anterior, como por exemplo, se o dia for du e o anterior também deve ser du. Se os dias
(anterior e atual) não forem iguais, utilizar o dia posterior.
2.2 Caso a variação da temperatura seja significativa (variação maior que 3º), usar média
aritmética:
valor(k) = [valor(k-1) + valor(k + 1)] / 2
2.3 Se não houver o valor da temperatura, carga ativa e/ou carga reativa, copiar os valores
correspondentes ao dia anterior se k atual = du e k anterior = du, senão utilizar os valores
do dia posterior. Se k atual = df, copiar os valores do k anterior = df.
Regra 3
Quando os valores inexistentes forem superiores a 10 dias, copiar os valores das
faixas correspondentes do mês anterior.
As Figuras 7, 8a e 8b mostram, respectivamente, os valores de temperatura de Julho de 2003 e
os valores originais e corrigidos de carga ativa e reativa da Subestação Ilha Centro no mês de
Maio de 2003. Como pode ser visto nestas figuras 7, 8a e 8b, as séries temporais em estudo
apresentam um comportamento relativamente cíclico, o que permite o uso adequado das
regras de preenchimento descritas acima. Também pode-se observar ao longo do período
analisado, a existência de alguns picos de valores em algumas variáveis, ou seja, os dias onde
há um maior consumo de energia elétrica. Em geral, estes períodos são influenciados pelos
efeitos meteorológicos (em especial, a temperatura e pressão atmosférica), sendo que a ponta
de carga diária pode se tornar mais acentuada e de crescimento mais abrupto. Destaca-se que
o horário de ponta do sistema elétrico depende da área de concessão da empresa distribuidora
de energia elétrica, do tipo de consumidor (residencial, industrial ou comercial), da
temperatura ambiente e dos hábitos dos consumidores (uso de ar condicionado, ferro de
passar, aquecedor, chuveiro elétrico, etc).
38
0
5
10
15
20
25
1-ju
l
3-ju
l
5-ju
l
7-ju
l
9-ju
l
11-ju
l
13-ju
l
15-ju
l
17-ju
l
19-ju
l
21-ju
l
23-ju
l
25-ju
l
27-ju
l
29-ju
l
31-ju
l
Temperatura
Figura 7: Dados de temperatura ambiente originais (Julho de 2003).
0,05,0
10,015,020,025,030,035,040,045,050,0
00:0
0
22:0
0
20:0
0
18:0
0
16:0
0
14:0
0
12:0
0
10:0
0
08:0
0
06:0
0
04:0
0
02:0
0
00:0
0
22:0
0
20:0
0
18:0
0
16:0
0
Reativa Ativa
Figura 8a: Dados de carga ativa e reativa originais (Maio de 2003).
39
0,05,0
10,015,020,025,030,035,040,045,050,0
00:0
0
22:0
0
20:0
0
18:0
0
16:0
0
14:0
0
12:0
0
10:0
0
08:0
0
06:0
0
04:0
0
02:0
0
00:0
0
22:0
0
20:0
0
18:0
0
16:0
0
Reativa Ativa
Figura 8b: Dados de carga ativa e reativa corrigidos pelas regras de preenchimento (Maio de 2003).
4.3 PARTE II: OS EXPERIMENTOS NUMÉRICOS
Os experimentos numéricos efetuados com o SPC foram realizados em várias etapas de
desenvolvimento. Primeiramente foram realizados alguns testes com os dados horários
históricos já corrigidos pelas regras de preenchimento de dados citados acima e,
posteriormente, com os dados históricos originais. A massa de dados corrigidos foi dividida
em dois conjuntos de dados distintos e utilizada para compor as duas fases de experimento do
SPC: a fase de treinamento das RNAs e a fase de testes de sensibilidade.
Na fase de treinamento do SPC foram utilizados 80% da massa de dados históricos
disponíveis, ou seja, os dados históricos do período compreendido de 01/Janeiro/2002 até
30/Abril/2004, o que resultou em aproximadamente 20.500 pontos de aquisição horária de
carga ativa, carga reativa e temperatura ambiente. Neste período, a carga ativa oscilou de 1,4 a
67,2 MW, a carga reativa de 0,1 a 51,1 MVAr e a temperatura ambiente de 9,3 a 36,7ºC na
subestação sob análise.
Na fase de testes do SPC foram utilizados 20% da massa de dados históricos disponíveis, isto
40
é, os dados históricos do período compreendido de 01/Maio/2004 até 30/Novembro/2004, o
que resultou em aproximadamente 5.100 pontos de aquisição horária de carga ativa, carga
reativa e temperatura ambiente. Nesse período, a carga ativa oscilou de 12,5 a 60,9 MW, a
carga reativa de 2,0 a 17,8 MVAr e a temperatura ambiente de 9,3 a 31,2ºC na subestação sob
análise.
Foram efetuados cerca de 70 testes numéricos de desempenho do SPC em função das
variáveis de entrada (P, Q e/ou T) das RNAs, das janelas de dados históricos horários (até 10
dias), do horizonte de previsão (de 1 até 24 horas à frente), utilização de dados históricos de
dias úteis e/ou finais de semana, feriados e pontos facultativos, do raio da RBF e do número
de neurônios na camada intermediária das RNAs. No próximo capítulo, serão apresentados os
principais resultados obtidos com as simulações numéricas efetuadas nestes experimentos.
41
5 ANÁLISE DOS RESULTADOS NUMÉRICOS DO SPC
5.1 DESCRIÇÃO GERAL
Inicialmente, foram realizados experimentos numéricos para se obter conhecimentos a cerca
do comportamento das redes neurais implementadas no SPC, bem como para a calibração de
seus pré-ajustes e a escolha das variáveis de entrada a serem adotadas no trabalho de pesquisa.
A Figura 9 abaixo ilustra a seqüência das etapas de trabalho utilizada na pesquisa: entrada de
dados, análise das séries temporais de dados, correção dos dados usando as regras empíricas
de preenchimento, treinamento das redes neurais para um determinado conjunto de
parâmetros e os testes de previsão do SPC. A Figura 10 mostra uma configuração típica da
arquitetura do SPC para a previsão de carga reativa de curto prazo.
Figura 9: Diagrama esquemático das etapas de previsão da carga no SPC.
42
Figura 10: Arquitetura do SPC (previsão de carga reativa).
O desempenho do SPC (ou seja, a precisão com que ele estima os montantes de carga ativa ou
carga reativa em um determinado horizonte de previsão) é calculado através da comparação
relativa entre os valores de carga previstos pelo SPC e os medidos, os quais estão contidos na
massa de dados de testes. Para a medição do desempenho é aqui adotado o erro relativo médio
(ERM), o qual é expresso pelas expressões (1a) e (1b).
an
i medidoi
P
medidoi
Pprevistoi
P
nERM 1
1%100.||
1
bn
i medidoi
Q
medidoi
Qprevistoi
Q
nERM 1
1%100.||
1
5.2 TESTES DE PROSPECÇÃO E AJUSTES (PRÉ-PROCESSAMENTO)
Os primeiros experimentos numéricos foram centrados nos ajustes iniciais para a visualização
do comportamento das variáveis de entrada para alguns parâmetros fixos (número de horas do
histórico de dados e horizonte de previsão).
43
Os resultados iniciais de previsão de carga ativa com a massa de dados corrigidos foram
obtidos com o uso dos seguintes parâmetros: variáveis de entrada (P, Q e T), raio da função
RBF (5) e número de neurônios na camada intermediária (20). A rede foi treinada, calibrada e
testada, respectivamente, com a massa inteira de dados de treinamento e testes, sendo que os
principais resultados obtidos são apresentados nas Tabelas 1a a 1d.
Tabela 1a: Testes de previsão de carga ativa somente com dias úteis (horizonte de 1 hora).
Testes Histórico de
dados (k-n)
Horizonte de previsão
(horas)
Dados utilizados na fase de treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 24 horas 1 14.592 3.624 6,5184
2 120 horas 1 14.496 3.528 6,7451
3 240 horas 1 14.376 3.408 7,3895
Observação: Por dias úteis, entende-se a semana compreendida de segunda a sexta-feira, excetuando-se os eventuais dias de feriado ou ponto facultativo.
Tabela 1b: Testes de previsão de carga ativa com a semana completa (horizonte de 1 hora).
Testes Histórico de
dados (k-n)
Horizonte de previsão
(horas)
Dados utilizados na fase de treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
4 24 horas 1 20.400 5.112 10,0739
5 120 horas 1 20.304 5.016 12,4265
6 240 horas 1 20.184 4.896 9,4417
Tabela 1c: Testes de previsão de carga ativa somente com dias úteis (horizonte de 24 horas).
Testes Histórico de
dados (k-n)
Horizonte de previsão
(horas)
Dados utilizados na fase de treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
7 24 horas 24 14.569 3.601 8,5056
8 120 horas 24 14.473 3.505 7,7790
9 240 horas 24 14.356 3.385 7,9211
44
Tabela 1d: Testes de previsão de carga ativa com a semana completa (horizonte de 24 horas).
Testes Histórico de
dados (k-n)
Horizonte de previsão
(horas)
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
10 24 horas 24 20.377 5.089 17,0724
11 120 horas 24 20.281 4.993 14,7401
12 240 horas 24 20.161 4.873 11,0092
Nota-se pelas tabelas acima que, para o conjunto de dados adotado, o erro relativo médio na
previsão de carga ativa é menor quando o treinamento é feito somente com os dias úteis
(segunda a sexta, excetuando-se os feriados e pontos facultativos), para qualquer histórico de
dados. Isto ocorre em função das diferenças existentes entre os perfis de carga ativa em dias
úteis e finais de semana ou feriados e pontos facultativos. Em outras palavras, quando se
utiliza as variáveis de entrada (P, Q e T) dos sábados e domingos na previsão de carga ativa,
aumenta-se o erro relativo médio do SPC.
Um fator interessante ao se usar os finais de semana, feriados e pontos facultativos é que,
comparando as Tabelas 1a e 1b, percebe-se na Tabela 1a que, quanto maior o número de
horas do histórico de dados, maior o percentual de erro do SPC; enquanto que na Tabela 1b,
acontece quase o inverso, pois quanto maior o número de horas do histórico menor o ERM.
Isto se dá pelo fato de os valores das variáveis de sábados e domingos, feriados e pontos
facultativos tornam-se pequenos à medida que a massa de dados aumenta, isto é, não
influenciam tanto no montante de dados utilizados nas fases de treinamento e testes.
De um modo geral e como já era de se esperar, quanto mais distante é efetuada a previsão de
carga, tanto da carga ativa como da carga reativa, menor é a precisão do processo de previsão
de carga. Esta constatação coincide com as conclusões encontradas na literatura técnica.
Os resultados iniciais de previsão de carga reativa com a massa de dados corrigidos foram
obtidos com o uso dos mesmos valores adotados na previsão de carga ativa: variáveis de
entrada (P, Q e T), raio da função RBF (5) e número de neurônios na camada intermediária
(20). A rede foi treinada, calibrada e testada, respectivamente, com a massa inteira de dados
de treinamento e testes, sendo que os principais resultados obtidos são apresentados nas
Tabelas 2a a 2d.
45
Tabela 2a: Testes de previsão de carga reativa somente com dias úteis.
Testes Histórico de
dados (k-n)
Horizonte de previsão
(horas)
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 24 horas 1 14.592 3.624 10,4660
2 120 horas 1 14.496 3.528 13,8725
3 240 horas 1 14.376 3.408 13,5386
4 24 horas 24 14.569 3.601 11,9451
Tabela 2b: Testes de previsão de carga reativa com a semana completa.
Testes Histórico de
dados (k-n)
Horizonte de previsão
(horas)
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
5 24 horas 1 20.400 5.112 13,7686
6 24 horas 24 20.377 5.089 18,4047
7 120 horas 24 20.281 4.993 16,3579
Nota-se que, para o conjunto de dados adotado, o erro relativo médio na previsão de carga
reativa também é menor quando o treinamento é feito somente com os dias úteis (segunda a
sexta, excetuando-se os feriados e pontos facultativos), para qualquer histórico de dados. Isto
ocorre em função das diferenças existentes entre os perfis de carga reativa em dias úteis e
finais de semana ou feriados. Em outras palavras, quando se utiliza as variáveis de entrada (P,
Q e T) dos sábados e domingos na previsão de carga reativa, aumenta-se o erro relativo médio
do SPC.
Nota-se também pelas Tabelas 2a e 2b que, de um modo geral e para o conjunto de dados
utilizado, históricos de dados maiores acabam reduzindo a precisão no SPC na previsão de
carga reativa.
Comparando-se as Tabelas 1a a 2b, contata-se que adicionalmente, a previsão de carga reativa
apresenta uma precisão menor se comparada à previsão de carga ativa. Isto se deve ao fato da
carga reativa possuir um comportamento bem mais complexo do que a carga ativa.
46
5.3 TESTES DE SENSIBILIDADE COM OS DADOS CORRIGIDOS
Diversos testes de sensibilidade foram efetuados com o SPC no que se refere à precisão da
previsão de carga ativa ou reativa em função dos parâmetros de ajustes das redes neurais.
Estes testes estão descritos nos itens a seguir.
5.3.1 Influência da escolha das variáveis de entrada
As Tabelas 3a e 3b ilustram a influência das variáveis de entrada das RNAs do SPC para a
previsão de carga ativa e carga reativa, respectivamente. Nestas tabelas, são fixados os
seguintes parâmetros: histórico de dados somente com os dias úteis (já demonstrado como a
melhor solução), raio da função (5), número de neurônios (20) e horizonte de previsão (1
hora). O melhor resultado obtido é destacado em negrito.
Tabela 3a: Influência das variáveis de entrada na previsão de carga ativa.
Testes Histórico de
dados (k-n)
Variáveis de entrada
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 5 horas P 14.611 3.643 8,3636
2 5 horas P e Q 14.611 3.643 9,3146
3 5 horas P,Q e T 14.611 3.643 11,0858
4 5 horas P e T 14.611 3.643 10,5611
5 12 horas P 14.604 3.636 8,7889
6 24 horas P 14.592 3.624 6,0446
7 24 horas P e Q 14.592 3.624 6,0258
8 24 horas P,Q e T 14.592 3.624 6,5184
9 24 horas P e T 14.592 3.624 6,6781
47
Tabela 3b: Influência das variáveis de entrada na previsão de carga reativa.
Testes Histórico de
dados (k-n)
Variáveis de entrada
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
10 5 horas Q 14.611 3.643 12,0731
11 5 horas P e Q 14.611 3.643 13,2218
12 5 horas P,Q e T 14.611 3.643 13,0822
13 5 horas Q e T 14.611 3.643 13,0679
14 12 horas P e Q 14.604 3.636 15,4252
15 24 horas P,Q e T 14.592 3.624 10,4660
16 24 horas P e Q 14.592 3.624 10,9284
Analisando-se a Tabela 3a, nota-se que, usando-se como entrada somente a variável P na
previsão de carga ativa, o desempenho foi bom para um histórico de 5 horas (Teste 1). Mas,
ao se verificar o ERM para um histórico de 24 horas, o resultado não superou a previsão de
carga ativa efetuada com as variáveis de entrada P e Q (Teste 7).
Para a Tabela 3b, o melhor resultado na previsão de carga reativa é obtido usando-se como
variáveis de entrada os valores históricos P, Q e T (Teste 15). Todavia, os demais testes não
foram efetuados em função de instabilidades numéricas no SPC, as quais se encontram
atualmente sob investigação.
A partir desta etapa, todos os demais testes de sensibilidade foram efetuados usando P e Q
como variáveis de entrada na previsão de carga ativa e P, Q e T como variáveis de entrada na
previsão de carga reativa.
5.3.2 Influência do número de horas dos históricos de dados
As Tabelas 4a e 4b ilustram a influência do número de horas dos históricos de dados para a
previsão de carga ativa e carga reativa, respectivamente. Nestas tabelas, são fixados os
seguintes parâmetros: histórico de dados (dias úteis), variáveis de entrada para a previsão de
carga ativa (P e Q), variáveis de entrada para a previsão de carga reativa (P, Q e T), raio da
48
função (5), número de neurônios (20) e horizonte de previsão (1 hora). O melhor resultado
obtido é destacado em negrito.
Tabela 4a: Influência do número de horas do histórico de dados na previsão de carga ativa.
Testes Histórico de
dados (k-n)
Variável de previsão
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 1 hora P 14.615 3.647 13,1833
2 3 horas P 14.613 3.645 9,6744
3 5 horas P 14.611 3.643 9,3146
4 10 horas P 14.606 3.638 11,0439
5 24 horas P 14.592 3.624 6,0258
Tabela 4b: Influência do número de horas do histórico de dados na previsão de carga reativa.
Testes Histórico de
dados (k-n)
Variável de previsão
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
6 1 hora Q 14.615 3.647 16,7369
7 3 horas Q 14.613 3.645 13,2145
8 5 horas Q 14.611 3.643 13,0822
9 10 horas Q 14.606 3.638 12,1389
10 24 horas Q 14.592 3.624 10,4660
Observa-se nas Tabelas 4a e 4b que, tanto para a previsão de carga ativa como reativa, o
número de horas do histórico de dados que apresenta os melhores resultados de previsão é de
24 horas (Testes 5 e 10).
A partir desta etapa, todos os demais testes de sensibilidade foram efetuados usando um
histórico de dados de 24 horas na previsão de carga ativa e reativa.
5.3.3 Influência do raio da função RBF
As Tabelas 5a e 5b ilustram a influência do raio da função RBF na previsão de carga ativa e
carga reativa, respectivamente. Nestas tabelas, são fixados os seguintes parâmetros: histórico
49
de dados (dias úteis), variáveis de entrada para a previsão de carga ativa (P e Q), variáveis de
entrada para a previsão de carga reativa (P, Q e T), histórico de dados de 24 horas, número de
neurônios (20) e horizonte de previsão (1 hora). O melhor resultado obtido é destacado em
negrito.
Tabela 5a: Influência do raio da função RBF na previsão de carga ativa.
Testes Raio da
função RBF Variável de
previsão Dados utilizados
na fase de treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 1 P 14.592 3.624 7,7680
2 3 P 14.592 3.624 6,5624
3 5 P 14.592 3.624 6,0258
4 10 P 14.592 3.624 5,8575
5 15 P 14.592 3.624 5,8576
Tabela 5b: Influência do raio da função RBF na previsão de carga reativa.
Testes Raio da
função RBF Variável de
previsão Dados utilizados
na fase de treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
6 1 Q 14.592 3.624 11,9902
7 3 Q 14.592 3.624 10,5583
8 5 Q 14.592 3.624 10,4660
9 10 Q 14.592 3.624 10,0800
10 15 Q 14.592 3.624 9,7430
Observa-se nas Tabelas 5a e 5b que os raios da função RBF de 10 e 15 são os mais indicados
para a previsão de carga ativa (Teste 4) e reativa (Teste 10), respectivamente.
A partir desta etapa, todos os demais testes de sensibilidade foram efetuados usando-se raio da
função RBF igual a 10 para a previsão de carga ativa e de 15 para a previsão de carga reativa.
50
5.3.4 Influência do número de neurônios da camada intermediária
As Tabelas 6a e 6b ilustram a influência do número de neurônios da camada intermediária das
RNAs do SPC na previsão de carga ativa e carga reativa, respectivamente. Nestas tabelas, são
fixados os seguintes parâmetros: histórico de dados (dias úteis), variáveis de entrada para a
previsão de carga ativa (P e Q), variáveis de entrada para a previsão de carga reativa (P, Q e
T), histórico de dados de 24 horas, raio da RBF (10 para a carga ativa e 15 para a carga
reativa) e horizonte de previsão (1 hora). O melhor resultado obtido é destacado em negrito.
Tabela 6a: Influência do número de neurônios na previsão de carga ativa.
Testes Número de neurônios
Variável de previsão
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 5 P 14.592 3.624 8,6648
2 10 P 14.592 3.624 8,2042
3 20 P 14.592 3.624 5,8575
4 30 P 14.592 3.624 6,7780
Tabela 6b: Influência do número de neurônios na previsão de carga reativa.
Testes Número de neurônios
Variável de previsão
Dados utilizados na fase de
treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 5 Q 14592 3624 12,9385
2 10 Q 14592 3624 9,7925
3 20 Q 14592 3624 9,7430
Deve-se destacar que a utilização de 20 neurônios na camada intermediária (hidden layer) das
RNAs tipo RBF é a que propiciou os melhores resultados de desempenho do SPC, tanto na
previsão de carga ativa como reativa.
Em função destes resultados, a partir desta etapa todos os demais testes de sensibilidade foram
efetuados usando-se 20 neurônios na camada intermediária das RNAs do SPC.
51
5.3.5 Influência do horizonte de previsão
As Tabelas 7a e 7b ilustram, respectivamente, a influência do horizonte de previsão de carga
ativa e reativa no desempenho do SPC. Nestas tabelas, são fixados os seguintes parâmetros:
histórico de dados (dias úteis), variáveis de entrada para a previsão de carga ativa (P e Q),
variáveis de entrada para a previsão de carga reativa (P, Q e T), histórico de dados de 24
horas, raio da RBF (10 para a carga ativa e 15 para a carga reativa) e número de neurônios
(20). O melhor resultado obtido é destacado em negrito.
Tabela 7a: Influência do horizonte de previsão de carga ativa.
Testes Horizonte de
previsão Variável de
previsão Dados utilizados
na fase de treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
1 1 hora P 14.592 3.624 5,8575
2 2 horas P 14.591 3.623 7,1841
3 4 horas P 14.589 3.621 8,6702
4 8 horas P 14.585 3.617 9,0476
5 16 horas P 14.577 3.609 8,9454
6 24 horas P 14.569 3.601 8,7782
Tabela 7b: Influência do horizonte de previsão de carga reativa.
Testes Horizonte de
previsão Variável de
previsão Dados utilizados
na fase de treinamento
Dados utilizados na fase de testes
Erro relativo médio
(%)
7 1 hora Q 14.592 3.624 9,7430
8 2 horas Q 14.591 3.623 10,4883
9 4 horas Q 14.589 3.621 11,9632
10 8 horas Q 14.585 3.617 11,8286
11 16 horas Q 14.577 3.609 12,1329
12 24 horas Q 14.569 3.601 11,4147
Em observância aos resultados finais obtidos nas Tabelas 7a e 7b e como já era esperado, a
precisão do erro relativo médio calculado no SPC diminui acentuadamente à medida que se
52
efetuam previsões de carga ativa ou reativa em um horizonte de tempo mais distante. Quanto
menor o horizonte de previsão de carga requerido, menor o erro relativo médio do SPC.
De forma a ilustrar a precisão da previsão de carga ativa e reativa do SPC, as Figuras 11 e 12
mostram os valores reais (em verde) e os previstos (em vermelho) pelo SPC para a previsão
da carga ativa (Figura 11) e reativa (Figura 12) para os melhores resultados obtidos (Teste 1
da Tabela 7a e Teste 7 da Tabela 7b).
Figura 9: Valores de carga ativa previstos x valores reais (Teste 1 da Tabela 7a).
53
Figura 10: Valores de carga reativa previstos x valores reais (Teste 7 da Tabela 7b).
Apesar do treinamento do SPC ter sido feito até o mês de abril de 2004 e os testes de
desempenho terem começado a partir de maio de 2004 (ou seja, a fase de treinamento termina
em um mês com temperaturas mais elevadas e a fase de testes inicia em um mês com
temperaturas relativamente amenas), nota-se que o SPC consegue acompanhar o
comportamento da carga ativa e reativa com uma considerável precisão, mesmo em
momentos de grande variação de carga ou de temperatura. Adicionalmente, destaca-se que,
apesar de existente, não foi levado em conta os horários de verão dos anos analisados (2002 a
2004).
Portanto, para um melhor desempenho do SPC na previsão de carga de curto prazo,
utilizaram-se os dias da semana de segunda a sexta; variáveis de entrada P e Q para previsão
de carga ativa e P, Q e T para carga reativa; número de horas do histórico de dados em 24
horas; raio da função em 10 para P e 15 para Q; número de neurônios em 20 e horizonte de
previsão de 1 hora. Em suma, estes foram os parâmetros de ajustes do SPC que implicaria em
maior eficiência.
54
5.4 TESTES DE SENSIBILIDADE COM OS DADOS ORIGINAIS
Foram realizados apenas dois testes de sensibilidade do SPC com a massa de dados originais.
Estes testes foram feitos exatamente com o melhor desempenho com dados corrigidos,
conforme comentado no item acima.
A Tabela 8 mostra os parâmetros de ajuste que apresentaram os resultados dos testes de carga
ativa e reativa, fixando os seguintes parâmetros: histórico de dados (dias úteis), variáveis de
entrada para a previsão de carga ativa (P e Q), variáveis de entrada para a previsão de carga
reativa (P, Q e T), histórico de dados de 24 horas, horizonte de previsão de 1 hora, raio da
RBF (10 para a carga ativa e 15 para a carga reativa) e número de neurônios (20).
Tabela 8: Resultados numéricos com a massa de dados originais.
Testes Variável de saída
Dados utilizados na fase de treinos
Dados utilizados na fase de previsões
Erro relativo médio %
1 P 14.592 3.624 12,2302
2 Q 14.592 3.624 15,7733
Como pode ser notado nesta tabela, a diferença dos resultados encontrados nos testes com a
massa de dados originais e a massa de dados corrigidos é bastante grande de 5,8575% contra
12,2302% para a carga ativa e 9,7430% contra 15,7733% para a carga reativa. Este resultado
conforme o que já era esperado, destaca a importância de se efetuar um tratamento rigoroso
sobre a massa de dados históricas utilizada na previsão de carga.
55
6 CONSIDERAÇÕES FINAIS
Este trabalho mostrou os principais resultados obtidos na análise da influência dos dados de
entrada de redes neurais tipo RBF na previsão de carga elétrica (ativa e reativa) no horizonte
de operação de curto prazo (até 24 horas à frente) usando-se o sistema computacional SPC
(Sistema Previsor de Carga).
Com o intuito de analisar a influência das variáveis de entrada de redes neurais, foram então
realizados cerca de 70 testes. Estes primeiros testes, por volta de 20, consistiram em
combinações de algumas das variáveis de entrada. No entanto, os testes que possuíam
principalmente as variáveis de entrada de dias da semana de segunda a domingo e histórico de
dados de 240 horas (10dias), combinados com as demais variáveis, o tempo de processamento
chegou a 74 horas (3 dias e 2 horas). Esta demora em concluir, fez com que os testes com
estas variáveis de entrada tornaram-se inviáveis.
Para facilitar o andamento dos testes, foram sendo fixadas algumas variáveis no decorrer dos
testes, que iam apresentando melhores resultados nos testes realizados anteriormente.
Os resultados numéricos indicaram que, para a massa de dados utilizada, a topologia das redes
neurais utilizando dados históricos de carga ativa e carga reativa, mostraram ser as variáveis
que possibilitaram a previsão de carga ativa com um desempenho razoável (erro relativo
médio de 5,85%, dependendo do grau de especialização das redes neurais e do horizonte de
previsão). Já para a carga reativa, a utilização de dados históricos de carga ativa, carga reativa
e de temperatura ambiente foram as que possibilitaram a previsão de carga reativa com um
desempenho relativamente razoável (erro relativo médio de 9,74%, dependendo do grau de
especialização das redes neurais e do horizonte de previsão) se considerarmos a complexidade
do comportamento intrínseco da carga reativa.
Pode-se verificar abaixo os parâmetros de ajuste que permitiram os melhores desempenhos do
56
Sistema Previsor de Carga.
PARÂMETROS DE AJUSTE CARGA ATIVA (P) CARGA REATIVA (Q)
Dias da semana Segunda a Sexta Segunda a Sexta
Histórico de dados 24 horas 24 horas
Variáveis de entrada P e Q P, Q e T
Raio da função RBF 10 15
Número de neurônios 20 20
Horizonte de previsão 1 hora 1 hora
Com os parâmetros de ajuste indicados acima, foram obtidos resultados razoáveis, apesar do
treinamento do SPC ter sido feito até o mês de abril de 2004 e os testes de desempenho terem
começado a partir de maio de 2004 (ou seja, a fase de treinamento termina em um mês
consideravelmente quente e a fase de testes inicia em um mês com temperaturas relativamente
amenas). Desta forma, destaca-se também que, apesar de existente, não foi levado em conta
os horários de verão dos anos analisados (2002 a 2004).
Como sugestão a trabalhos futuros, de ordem prática sugere-se que o SPC possa efetuar
acesso direto ao banco de dados do sistema SCADA ou ao banco de dados corporativo da
empresa distribuidora de energia elétrica, de modo a permitir a previsão automática de carga
ativa ou reativa a partir de medições atualizadas de forma contínua. Sugere-se também o
tratamento dos dados no que diz respeito ao horário de verão.
Como proposta a trabalhos futuros da natureza acadêmica, sugere-se o teste do uso de
previsão de carga em cima da hora dos k dias anteriores. Esta estratégia já encontra-se em
simulação para a inclusão deste trabalho de pesquisa em um artigo técnico e os resultados
iniciais são mais promissores do que os atualmente mostrados neste trabalho.
57
7 REFERÊNCIAS
BAUCHPIESS, A. et all. Redes neurais de base radial para o servocontrole auto-
ajustável de sistemas posicionadores. Anais do III Congresso brasileiro de redes neurais.
Florianópolis. Julho, 1997, pg. 472-477.
BET, Sabrina. Aperfeiçoamento de algoritmo genético para seleção de variáveis de
entrada para rede neural para previsão de carga elétrica de curto prazo. 2005. 52 fl.
Dissertação de mestre em Ciência da Computação. Florianópolis, UFSC: 2005.
BETTIOL, Arlan Luiz. Maximum power transfer in transient stability-constrained power
systems: application to a Brazilian power network; Tese de Doctorat en Sciences
Appliquées; Université de Liège (Bélgica). Julho, 1999.
BETTIOL, Arlan Luiz et alli. Estimation of Critical Clearing Times Using Neural
Networks. Anais do Bologna PowerTech 2003. Bolonha (Itália), Junho, 2003.
BRAGA, Antonio de Pádua. LUDERMIR, T. B., CARVALHO, A. C. P. L F. Redes Neurais
artificiais: Teoria e aplicações. Rio de Janeiro: 2000. LTC.
COELHO, J., GAUCHE, E., NASSAR, S. M., WRONSCKI, V. R., QUEIROZ, H. LIMA, M.
de., LOURENÇO, M. C. 2002, May. Influence of weather variables in continuity levels of
electrical power supply through artificial neural networks. VIII SEPOPE, Brasília, Brazil.
DANESHDOOST, M. LOTFALIAN, M. BUMROONGGIT, G. NGOY, J. P. Neural
network with fuzzy set-based classification for short-term load forecast-ing. IEEE Trans.
Power Systems, vol. 13, pp. 1386-1391, Nov. 1998.
DEMUTH, H., BEALE, M. Neural network toolbox: for use with Matlab. Natick: The
MathWorks Inc, 1994.
58
DREZGA, I. RAHMAN, S. (1998). Input variable selection for ANN-based short-term
load forecasting. IEEE Transactions on Power Systems, vol. 13, No. 4, November 1998, p.
1238-1244.
FAUSSET, L.V. Fundamentals of neural networks: architectures, algorithms and
applications. New Jersey: Prentice-Hall, 1994.
FIDALGO, J. N., LOPES, Peças J. A. Load Forecasting dealing with Médium Voltage
Network Reconfiguration. ESANN 2000 procedings
European Symposium on Artificial
Neural Networks Bruges (Belgium), April 2000, pp. 407-412.
HARRISON, T.H. Intranet data warehouse. São Paulo: Berkeley Brasil, 1998.
HAYKIN, Simon. Redes Neurais. Princípios e prática. Tradutor: Paulo Martins Engel. 2ª
edição. Porto Alegre: Bookman. 2001.
HYEONJOONG, Y. RUSSELL, L. P. Short term load forecasting using a self-supervised
adaptive neural network. IEEE Trans. Power Systems,vol. 14, pp. 779-784, May 1999.
KARTALOPOULOS, S.V. Understanding neural networks and fuzzy logic: basic
concepts and applications. Piscataway: IEEE Press, 1996.
KHOTANZAD, A. AFKHAMI-ROHANI, R. MARATUKULAM, D. ANNSTLF
Artificial Neural Network Short-Term Load Forecaster
Generation Three. IEEE
Trans. Power Systems, vol. 13, pp. 1413-1422, Nov. 1998.
LEE, K. Y. PARK, J. H. Short-term load forecasting using an artificial neural network.
Transactions on Power Systems, Vol. 7, No 1, February 1992 p. 124-132.
LIMA, Wagner da Silva. CASTRO, Leandro Nunes de. OHISHI, Takaaki. Mapas auto-
organizáveis não-paramétricos para análise da influência climática em curvas de carga.
XV Seminário Nacional de produção e transmissão de energia elétrica. 17 a 22 de outubro de
1999. Foz do Iguaçu (PR).
LIMA, Wagner da Silva. OHISHI, Takaaki. Uso de variáveis climáticas em previsão de
carga no período de demanda de ponta utilizando redes neurais artificiais. XIV
Seminário Nacional de produção e transmissão de energia elétrica. 1997. Belém (PA).
59
LOESCH, C. Redes Neurais Artificiais: fundamentos e modelos. Blumenau: Ed. da Furb,
1996.
LOTUFO, A. D. P., MINUSSI, C. R. Electric Power systems load forecasting: A Survey.
PowerTech1999. Budapest, Hungary.
MARRA, Walmir. LAGE, Wilson Fernandes. MIRANDA, Carlos Alberto Scolari. Previsão
de carga de curto prazo. XV Seminário Nacional de produção e transmissão de energia
elétrica. 17 a 22 de outubro de 1999. Foz do Iguaçu (PR).
MÜLLER, Mauricio. FILL, Heinz Dieter. Redes neurais aplicadas na propagação de
vazões. XV Simpósio Brasileiro de Recursos Hídricos. 23 e 27 de novembro de 2003.
Curitiba (PR).
NASCIMENTO, P. C. SILVA, A. P. A. da. Self-Organizing Neural Network 2. 1997. in III
Congresso Brasileiro de Redes Neurais e IV Escola de Redes Neurais, pp. 45-50.
NORVIG, P. RUSSELL, S. Artificial Intelligence: A Modern Approach. New Jersey:
Prentice Hall, 1995.
OLIVEIRA, Cláudio Magalhães de. Um sistema de previsão automática de cargas para
uso em sistemas de transmissão e distribuição de energia elétrica. 2001, Abril. Disponível
em: <http://www.inf.ufsc.br/~jbosco/adriana/Claudio/artbosco8.html>
OLIVEIRA, Cláudio Magalhães de. Modelo adaptativo para previsão de cargas de curto
prazo. 2004. 226 fl. Tese de Doutorado em Engenharia de Produção. Florianópolis, UFSC:
2004.
ORR, M.J.L. Introduction to radial basis function networks. Disponível em:
<http://www.cns.ed.ac.uk/people/intro.html>. Acesso em: 17 maio 1997.
PANDYA, A. S. Pattern recognition with neural network in C++. Boca Raton: CRC Press,
1995.
REIS, A. J. R. SILVA, A. P. A. da. Previsor neural de carga elétrica baseado em análise
de multiresolução via wavelets. 2002. in VIII Simpósio de Especialistas em Planejamento da
Operação e Expansão Elétrica, pp. 1-6.
60
ROSS, T.J. Fuzzy logic with engineering applications. New York: McGraw-Hill Inc., 1995.
SKAPURA, D. M. Building Neural Networks. New York: ACM Press, 1996.
SOARES, Alexandre Pinhel. NASCIMENTO, Fernando J. L. do. Modelagem neural na
previsão diária de carga. XIV Seminário Nacional de produção e transmissão de energia
elétrica. 1997. Belém (PA).
SOARES, Alexandre Pinhel. SOARES, André Pinhel. Utilização de variáveis
meteorológicas na previsão de carga através de redes neurais. XV Seminário Nacional de
produção e transmissão de energia elétrica. 17 a 22 de outubro de 1999. Foz do Iguaçu (PR)
TATIBANA, Cassia Yuri, KAETSU, Deisi Yuki. Uma Introdução às Redes Neurais.
Disponível em: <http://www.din.uem.br/ia/neurais>. Acesso em: 29 maio 2005.
TODESCO, J.L. Reconhecimento de padrões usando rede neuronal artificial com uma
função de base radial: uma aplicação na classificação de cromossomos humanos; Tese de
Doutorado em Engenharia de Produção. UFSC, 1995.
VARGA, L. Z. COCKBURN, D. JENNINGS, N. R. Inte-grating intelligent systems into a
cooperating community for electricity distribution management. Int. Journal of Expert
Systems with Applications. 1997, Outubro. pp. 563-579. Disponível em:
<http://elec.qmw.ac.uk/pub/isag/distributed-ai/publications>
VIEIRA, Renato Corrêa, ROISENBERG Mauro. Redes Neurais Artificiais: Um Breve
Tutorial. 17 fl. Ufsc.
XIAO, B. MCLAREN, P. G. An Artificial Neural Network for Short Term Load
Forecasting. 1995 in Proc. IEEE/WESCANEX'95, pp.129-132.
YOO, Hyeonjoong, PIMMEL, Russell L. Short term loadforecasting using a self-
supervised adaptive neural network. IEEE Transactions on Power Systems, Vol. 14, No. 2,
May 1999.
ZEBULUM, R. S. PACHECO, M. A. VELLASCO, M. Um sistema inteligente de previsão
de carga aplicado ao setor elétrico brasileiro. 1996. in V Simpósio de Especialistas em
Planejamento da Operação e Expansão Elétrica, pp.791-797.
This document was created with Win2PDF available at http://www.daneprairie.com.The unregistered version of Win2PDF is for evaluation or non-commercial use only.