8/8/2019 Apresentao - Sistemas Inteligentes
1/16
Sistemas Multi-Agentes com programao Quantic
Disciplina: Sistemas Inteligentes Aplicados
Professora: Marley Maria B. R. Vellasco
Aluno: Eduardo Dessupoio Moreira Dias
8/8/2019 Apresentao - Sistemas Inteligentes
2/16
Lgica FuzzyJulho - 2010
ndice
Introduo
Descrio do Problema
Objetivos Modelagem ANFIS
Resultados Obtidos
Consideraes Finais
Referncias
8/8/2019 Apresentao - Sistemas Inteligentes
3/16
1. INTRODUO:
Atualmente, empresas que desejam estar bem posicionadas no mercado devemdesenvolver bons mecanismos para a tomada de decises.
O setor de energia eltrica tem observado uma crescente expanso da rea de gesto
de riscos, principalmente aps a liberao e estmulo da competio na indstria de
energia.
Peculiaridades do setor de energia eltrica:
Produo e utilizao da energia de forma quase que simultnea;
Sem possibilidade de armazenamento;
Sem grandes espaos de tempo para o planejamento.
Fatores Climticos: extrema importncia para a tomada de deciso em uma
companhia de energia eltrica
Lgica FuzzyJulho - 2010
8/8/2019 Apresentao - Sistemas Inteligentes
4/16
2. CONTEXTUALIZAO DO PROBLEMA:
As concessionrias de energia eltrica compram energia baseada na demanda futura.
A Aneel permite um erro de at 3% quando o valor estimado para previso
de carga est superestimado
O clima (temperatura, precipitao, umidade relativa do ar) afeta, principalmente, o
consumo de energia eltrica das classes residencial e comercial
A Light, concessionria caracterizada pelo consumo destas duas classes, necessita
prever, de forma adequada, os fatores climticos
Minimizar seus riscos e maximizar seus lucros;
Maiores fluxos de caixa e, conseqentemente, maiores volumes de
investimentos;
Maiores benefcios para seus clientes.
Lgica FuzzyJulho - 2010
8/8/2019 Apresentao - Sistemas Inteligentes
5/16
3. OBJETIVO PRINCIPAL:
O objetivo principal deste trabalho criar um modelo univariado, utilizando ametodologia ANFIS, para a previso mensal da sensao trmica do microclima
selecionado
Lgica FuzzyJulho - 2010
8/8/2019 Apresentao - Sistemas Inteligentes
6/16
4. Modelagem ANFIS(Metodologia):
Escolha do Microclima a ser estudado:
Lgica FuzzyJulho - 2010
L GAR E AAZUL
BARRA A T JUCA GLORA
BOTAFOGO GRAJAUCATETE JACARE AGUA
CATUMB ECH CHA
CE TRO(RJ E R A E GUARAT BA
C ADE DE DEUS PRACADA BANDE RA
C DADE NOVA RO COMPRDO
CUR C CA SANTA TERESA
ESTAC O SAUDEFREGUESIA TIJUCA
GAMBOAFo te: Ela orao Prpria dos Autores
Re ie d Ri de J eir
8/8/2019 Apresentao - Sistemas Inteligentes
7/16
4. Modelagem ANFIS(Metodologia):
Dados de sensao trmica utilizados so mensais, do perodo compreendido de
janeiro de 1998 a dezembro de 2009 para o referido Microclima.
Lgica FuzzyJulho - 2010
8/8/2019 Apresentao - Sistemas Inteligentes
8/16
4.Modelagem ANFIS(Metodologia):
Sistemas Fuzzy no possuem a capacidade de aprender suas prprias regras e nem
otimizar seus parmetros para modelar especificamente um problema.
Para tal, ser utilizado um modelo de Redes Neurais, dando origem aos chamad
ANFIS ( Adaptative Neuro-Fuzzy Inference System).
Tais sistemas conseguem conjugar a capacidade de aprendizado das Redes Neura
com o processamento de variveis lingusticas dos modelos Fuzzy
Lgica FuzzyJulho - 2010
8/8/2019 Apresentao - Sistemas Inteligentes
9/16
4.Modelagem ANFIS(Metodologia):
Lgica FuzzyJulho - 2010
8/8/2019 Apresentao - Sistemas Inteligentes
10/16
Lgica FuzzyJulho - 2010
5. Resultados Obtidos:
Defasagens utilizadas D1 D1 D2D1 D2
D3D1 D12
D1 D2
D12
MAPE treino 2,32 1,86 1,68 1,62 1,42
MAPE validao 1,75 1,39 1,14 1,41 1,39
MAPE teste 3,41 3,33 2,54 3,24 3,97
8/8/2019 Apresentao - Sistemas Inteligentes
11/16
Lgica FuzzyJulho - 2010
5. Resultados Obtidos:
Treinamento: Real x Estimado
8/8/2019 Apresentao - Sistemas Inteligentes
12/16
Lgica FuzzyJulho - 2010
5. Resultados Obtidos:
Validao : Real x Estimado
8/8/2019 Apresentao - Sistemas Inteligentes
13/16
Lgica FuzzyJulho - 2010
5. Resultados Obtidos:
Teste : Real x Estimado
8/8/2019 Apresentao - Sistemas Inteligentes
14/16
Lgica FuzzyJulho - 2010
5. Resultados Obtidos:
In sample Out of Sample
ANFIS 1,68% 2,54%Box & Jenkins 3,15% 6,6%
8/8/2019 Apresentao - Sistemas Inteligentes
15/16
6. Comentrios Finais:
Os resultados obtidos neste estudo mostram a aplicabilidade dos modelos ANFISpreviso de Sensao Trmica mensal para o Setor de Energia Eltrica;
Vantagens:
Bons ajustes in sample e out of sample
ANFIS x Box & Jenkins : ANFIS
Recomendaes Futuras:
Insero de outras variveis relevantes ao modelo.
Lgica FuzzyJulho - 2010
8/8/2019 Apresentao - Sistemas Inteligentes
16/16
7. REFERNCIAS:
[1] G. B. SILVA, R. R. B. AQUINO, A. A. FERREIRA, M. M. S. LIRA, M. A. CARVALHO Jr., O.
NOBREGA, J. B. OLIVEIRA. Combinando redes neurais artificiais e ANFIS para a previso de cargahorria. So Paulo: DCC/IM, COPPE/Sistemas, NCE/UFRJ, 1998.
[2] MORETTIN, P.A.; TOLOI, C.M. de Castro. Previso de Sries Temporais. 2a edio, EditoraAtual. So Paulo. 1987.
[3] JANG, J.R. ANFIS : Adaptive-Network-BasedFuzzy Inference System. Electric Power SystemsResearch, IEEE Transactioms onsystems, Vol. 23, No 3, pp. 169-176 , 1993.
[4] SOUZA, R.C.; CAMARGO, M.E.Anlise e previso de sries temporais: os modelos ARIMA.
Iju: SEDIGRAF, 1996.
[5] VELLASCO, M. M. B. R. Notas de aula da disciplina Lgica Fuzzy. PUC-Rio, Departamento deEngenharia Eltrica, 2008.
[6] VELSQUEZ, R.M.G.; PESSANHA, J.F.M. Previso de Carga Semanal com RNA: AExperincia da Coelba. XVI Seminrio Nacional de Distribuio de Energia Eltrica, 2004.
[7] VIGLIONI, G. M. C. Comparao entre redes neurais e tcnicas clssicas para previso dedemanda de transporte ferrovirio. Revista ICA on line, n1.
[8] ZANINI, A. Redes Neurais e Regresso Dinmica: um modelo hbrido para previso de curtoprazo da demanda de gasolina automotiva no Brasil. PUC-Rio, Dissertao de Mestrado em EngenhariaEltrica, 2000.