TCC - Avaliação de topologias de Redes Neurais Artiﬁciais para previsão do consumo de carga em sistema de potência na faixa temporal de curto e longo prazo

Avaliação de topologias de Redes
Neurais Artificiais para previsão
do consumo de carga em sistema
de potência na faixa temporal de
curto e longo prazo

Giovani Manica Barili
giovanimanicabarili@gmail.com

Prof. Dr. Adelmo Luis Cechin (Orientador)

Universidade do Vale do Rio dos Sinos
Engenharia da Computação

Dezembro 2008

Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Resultados por métodos
 Longo Prazo
 Conclusão

5 de setembro de 2012 2

Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Introdução
 Justificativa
 Lei Federal n. 10.848 de 15/05/2004;

 Divisão do setor elétrico brasileiro:
Geração;
Transmissão;
Distribuição;

 Art. 3§: Necessidade de contratação de energia previamente;

 Art. 4§: Criação da Câmara de comércio de energia elétrica;
Compra e venda de energia.


Introdução
 Objetivo geral:
 Analisar diversas Redes Neurais Artificiais (RNA) e determinar a
melhor entre elas;
 Erro médio inferior a 5%;

 Objetivo específico:
 Escolha das melhores variáveis de entrada:
 Forward Selection;
Análise de Componentes Principais;
Auto-Correlação;

 Determinar a melhor topologia através do treinamento de diversas
RNAs variando a sua configuração:
Neurônios ocultos;
Épocas de treinamento;
Inicialização;
 Short-cut connection.


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Trabalhos Correlatos
 Diversos trabalhos na área:
 Longo Prazo:
Tsekouras,Hatziargyrioue e Dialynas (2006);
 Curto Prazo:
Bakirtzis et al. (1996);
Khotanzad et al. (1995);
Chen, Yu e Moghaddamjo (1992);
Afkhami e Yazdi (2006);
Ortiz-Arroyo, Skov e Huynh (2005);
Abdel-Aal (2004);
Senjyu et al. (2002);
Charytoniuk e Chen (2000);
Drezga e Rahman (1999);
Vermaak e Botha (1998);

Trabalhos Correlatos
 Chen, Yu e Moghaddamjo (1992)
 Rede não totalmente conectada;

 Al-Rashid e Paarmann (1997)
 Utilização de dois modelos neurais para previsão da carga futura:
Verão  Heat Index;
Inverno  Temperatura;

 Bakirtzis et al. (1996)
 Utilização de duas previsão de temperatura para a Grécia:
Norte;
Sul;
 Utilização do fator de correção;

 Khotanzad et al. (1995)
 Utilização de diversos módulos.


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Metodologia – Campo de Testes
 Área de concessão da distribuidora de energia RGE (Rio Grande Energia,
uma empresa CPFL energia)
 140 pontos;
 Início de 2003 ao final de 2007;
 Intervalo horário;

 Tipos de Pontos:
 Pontos de Intercâmbio (IN);
 Fronteiras AES Sul (FR);
 Serviços Auxiliares (SA);
 Consumidores Livres (CL);
 Geradores Distribuídos (G1);
 Geradores Embutidos (G2);
 Geradores Compensados (G3);

 Cálculo do carga da distribuidora:
 IN + G1 + G2 - ( CL + SA + FR ).


 Pontos Geo-Elétricos (PGE):


 Dados INMET – (Instituto Nacional de Meteorologia)
 Estações Automáticas;
 Estações Convencionais;
 Período:
Início de 2003 ao final de 2007;
Intervalo de hora em hora e de 3 em 3 horas;

 Dados IPEA – (Instituto de Pesquisa Econômica Aplicada)
 Dados econômicos;
Consumo de condicionadores de ar;
Câmbio (Dólar, Euro);
Consumo de energia;
 Período:
Desde o início da coleta até os dias de hoje;
Intervalo de meses, bimestres e trimestres;

Metodologia – Dados utilizados
 Carga:
 Subestação de Cachoeirinha CAC1;
 Ponto Geo-Elétrico de Gravataí;



 Cálculo de carga da distribuidora para o PGE de Gravataí:

 Entrada:
 CAC1 + CAC2 + GRA1 + GRA2 + GRA3

 Saída:
TR7+AL202+AL201+Souza
Cruz+Epcos+Dana+Kaiser+Fitesa+Mundial

 Retirada dos consumidores livres;


 Temperatura:
 Estação automática de Porto Alegre:
Temperatura;
◊ Máxima;
◊ Mínima;
◊ Instantânea;
Umidade;
◊ Máxima;
◊ Mínima;
◊ Instantânea;
Pressão;
◊ Máxima;
◊ Mínima;
◊ Instantânea;



 Econômicas:
 Selecionados caso sejam necessários:



 Normalização:

D D
Dn
Ddp


Metodologia – Métodos de seleção de
variáveis

 Forward Selection;

 Análise de Componentes Principais:
 Kaiser;
 Jolliffe;
 Retenção dos 90%;

 Auto-Correlação:
 Cruzamento por Zero;
 Pontos Máximos;


Metodologia – Variação das topologias

 Neurônios ocultos:
 1, 2, 4, 8, 16

 Épocas de treinamento:
 1000, 2000 e 4000

 Incialização:
 0:10

 Short-cut connections:
 Com ou sem


Metodologia
 Ferramentas
 Linguagem R;
 Programa SNNS;

 Dados de treinamento:
 Início de 2003 ao final de 2006;

 Teste com a melhor rede:
 Dados de 2007;

 Validação:
 Ten-Fold Cross-Validation;
 TreinoTeste (13 e 23).


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Resultados

 Divisão para apresentação:

 Curto Prazo:
Cachoeirinha;
Gravataí;

 Longo Prazo:
Gravataí;


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Curto Prazo para Cachoeirinha – Forward Selecion
 Forward Selection:
 2 a 200 horas de atraso;
 Selecionar as 4 melhores entradas;

 Rede Base:
 16 neurônios ocultos;
 4000 épocas de treinamento;
 Semente de inicialização igual a 8;
 Com short-cut connections;

 Resultados da rede Base:
 Erro médio de 17,59%.



 Resultado para o método:

Entradas Atrasos Erro Médio (%)
1 1 17,59
2 168 16,44
3 169 16,34
4 2 3,64

 168 horas de atraso igual a um semana da atraso;


Curto Prazo para Cachoeirinha – ACP
 Últimas 20 horas;
 Critérios:
Kaiser: 3 primeiras componentes;
Jolliffe: 4 primeiras componentes;
Retenção dos 90%: 14 primeiras componentes;



Critério N° de Neurônios Épocas Inicialização Short-Cut Erro
Entradas Ocultos Connections Médio
(%)
Jolliffe 4 16 4000 9 Sim 7,43

90% 14 16 4000 4 Não 17,51

Kaiser 3 16 4000 9 Não 17,83


Curto Prazo para Cachoeirinha – Auto-Correlação
 Cruzamento por Zero;
 Entradas:
 1, 30, 45 e 50;

 Resultado:
 16 neurônios Ocultos;
 4000 épocas de
treinamento;
 Semente igual a 9;
 Com short-cut;



 Pontos Máximos:
 Variação das entradas de 1 a 60 Pontos Máximos

 Rede base:
 Semente de inicialização 10;
 Com short-cut connections;

 Resultado da rede base:
 11,67% de erro médio

 Resultado da rede:
 19 pontos máximos
 11,3% de erro médio


Curto Prazo para Cachoeirinha


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Curto Prazo para Gravataí
 Modificações:
 Ferramentas:
Linguagem R;
Biblioteca NNet;

 Método de treinamento:
Levenberg-Marquardt;

 Variações:
Neurônios Ocultos:
◊ 1, 2, 4, 8, 16 e 32;
Épocas de treinamento:
◊ 400, 800, 1600;
Semente de inicialização:
◊ 1:10;
 Short-cut connections:
◊ Com;


Curto Prazo para Gravataí – Forward Selecion
 Forward Selection:
 1 a 400 horas de atraso;
 Selecionar as 10 melhores entradas;

 Rede Base:
 Semente de inicialização igual a 7;

 Resultados da rede Base:


 Resultado para o método:
Entradas Atrasos Erro Médio (%)
1 1 6,53
2 142 5,14
3 146 4,07
4 29 3,84
5 207 3,78
6 35 3,87
7 49 3,91
8 144 4,04
9 99 3,53
10 17 3,49


Curto Prazo para Gravataí – ACP
 Entradas:
24 horas antes da previsão, tendência horária;
6 últimos dias a mesma hora da previsão, tendência diária;
3 últimas semanas, do mesmo dia da semana, da mesma
hora, tendência semanal;
última hora do mesmo dia de um mês atrás, tendência
mensal;


 Segundo os critérios:
 Kaiser, as 6 primeiras componentes;
 Jolliffe, as 9 primeiras componentes;
 retenção dos 90%, as 19 primeiras componentes.



Critério N° de Neurônios Épocas Inicialização Erro
Entradas Ocultos Médio
(%)
90% 19 32 400 8 2,82
Jolliffe 9 32 800 5 3,43
Kaiser 6 32 800 9 3,79


Curto Prazo para Gravataí – Auto-Correlação
 Cruzamento por Zero;
 1, 39, 43, 55 e 68;

 Resultado:
 32 neurônios Ocultos;
 1600 épocas de
treinamento;
 Semente igual a 1;



 Pontos Máximos:
 Variação das entradas de 1 a 60 Pontos Máximos;

 Rede base:
 Semente de inicialização 3;

 Resultado da rede base:
 2,41% de erro médio ;

 Resultado da rede:
 46 pontos máximos;
 2,25% de erro médio.



Entradas Retardos Erro Médio (%)
1 1 736,88
2 2 4,49
3 169 4,55
4 3 4,38
5 337 4,39
6 168 2,63
7 170 2,50
8 505 2,41
9 673 2,68
10 336 2,55


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Resultados por Métodos - Cachoeirinha

Método Critério Entradas Erro Médio (%)
Forward Selection - 4 3,64
ACP Jolliffe 4 7,43
Auto-Correlação Pontos Máximos 19 11,3
ACP 90% 14 17,51
Auto-Correlação Cruzamento por Zero 4 17,75
Acp Kaiser 3 17,83


Resultados por Métodos - Gravataí

Método Critério Entradas Erro Médio (%)
Auto-Correlação Pontos Máximos 46 2,25
ACP 90% 19 2,82
Auto-Correlação Cruzamento por Zero 5 3,25
ACP Jolliffe 5 3,43
Forward Selection - 10 3,49
ACP Kaiser 9 3,79


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Longo Prazo
 Primeiros testes:
 3 últimas demandas mensais;
 Configuração da rede;
 2 neurônios ocultos;
 Semente de inicialização igual a 3;
 Épocas de treinamento: 400, 800 e 1600;

 Erro médio de 41,56%;

 Quantidade de padrões:
 48 padrões;


Longo Prazo


Longo Prazo
 Testes com janelamento:
 3 últimas demandas mensais;
 Configuração da rede;
 32 neurônios ocultos;
 Semente de inicialização igual a 8;
 Épocas de treinamento: 1600;

 Erro médio de 1,3%;

 Quantidade de padrões:
 34342 padrões;


Longo Prazo


Sumário
 Introdução
 Metodologia
 Resultados
 Curto Prazo
Cachoeirinha
Gravataí
 Longo Prazo
 Conclusão


Conclusão
 Resultados de:
 3,64% para o curto prazo de subestação de Cachoeirinha
utilizando Forward Selection;
 2,25% para o curto prazo a região de Gravataí utilizando Auto-
Correlação com o critério de Pontos Máximos;
 1,30% para o longo prazo a região de Gravataí;

 Observações em relação aos resultados:
 Utilização de somente carga para a realização da previsão;
 Redes baseadas em métodos e critérios;

 Trabalhos futuros:
 Testes com maior quantidade de épocas e neurônios ocultos;
 Experimentos com as melhores redes em outras regiões;


Bibliografia
 ABDEL-AAL, R. E. Short-term hourly load forecasting using abductive networks.
IEEE Transactions on Power Systems, v. 19, n. 1, p. 164–173, 2004.

 AFKHAMI, R.; YAZDI, F. M. Application of neural networks for short-term load
forecasting.IEEE Power India Conf, p. 349–353, 2006.

 AL-RASHID, Y.; PAARMANN, L. D. Short-term electric load forecasting using
neural network models. IEEE Transactions on Power Systems, v. 3, p. 1463–
1439, 1997.BAKIRTZIS, A. G. et al. A neural network short term load forecasting
model for the greek power system. IEEE Transactions on Power Systems, v. 11,
n. 2, p. 858–863, 1996.

 BAKIRTZIS, A. G. et al. A neural network short term load forecasting model for
the greek power system. IEEE Transactions on Power Systems, v. 11, n. 2, p.
858–863, 1996.

 BARILI, G.; CECHIN, A. Aplicação de redes neurais artificial ao problema de
previsão de demanda de energia elétrica no curto prazo. Simpósio Brasileiro de
Pesquisas Operacionais (SBPO), 2008.


Bibliografia
 BARILI, G.; CECHIN, A. Seleção de variáveis de entrada para rede neural
artificial de previsão de demanda em sistemas de potência beseado em forward
selection, análise de componentes principais e auto-correlaçcão. Encontro
Regional de Matemática Aplicada e Computação (ERMAC), 2008.

 CHARYTONIUK,W.; CHEN, M.-S. Very short-term load forecasting using artificial
neural networks. IEEE Transactions on Power Systems, v. 15, n. 1, p. 263–268,
2000.

 CHEN, S.-T.; YU, D. C.; MOGHADDAMJO, A. R.Weather sensitive short-term load
forecasting using nonfully connected artificial neural network. IEEE Transactions
on Power Systems, v. 7, n. 3, p. 1098–1105, 1992. ISSN 0885-8950.

 DREZGA, I.; RAHMAN, S. Short-term load forecasting with local ann predictors.

 KHOTANZAD, A. et al. An adaptive modular artificial neural network hourly load
forecaster and its implementation at eletric utilities. IEEE Transactions on Power
Systems, v. 10, n. 3, p. 1716–1722, 1995.


Bibliografia
 ORTIZ-ARROYO, D.; SKOV, M. K.; HUYNH, Q. Accurate electricity
load forecasting with artificial neural networks. Int. Conf. on Control
and Automation, v. 1, n. 1, p. 94–99, 2005.

 SENJYU, T. et al. One-hour-ahead load forecasting using neural
network. IEEE Transactions on Power Systems, v. 17, n. 1, p. 113–
118, 2002.

 TSEKOURAS, G.; HATZIARGYRIOU, N.; DIALYNAS, E. An optimized
adaptive neural network for annual midterm energy forecasting.

 VERMAAK, J.; BOTHA, E. Recurrent neural networks for short-term
load forecasting. IEEE Transactions on Power Systems, v. 13, n. 1,
p. 126–132, 1998.


Perguntas


TCC - Avaliação de topologias de Redes Neurais Artiﬁciais para previsão do consumo de carga em sistema de potência na faixa temporal de curto e longo prazo

Mais conteúdo relacionado

Destaque

TCC - Avaliação de topologias de Redes Neurais Artiﬁciais para previsão do consumo de carga em sistema de potência na faixa temporal de curto e longo prazo