Previsão de Carga de Curto Prazo usando Rede Neural

Prévia do material em texto

THE 12th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2017 1 
 
Abstract-- Electrical power systems with generation, transmission 
and distribution require studies and methods to predict the load with 
assurance. The innovation of intelligent cities is due to the intelligent 
systems that allow a modernization using technologies to improve the 
system besides being more reliable. Thus to assure that the electrical 
demand is enough and with quality, it is necessary to provide a very good 
prediction. The proposal of this work is to realize the short term global 
load forecasting using a precise and reliable technique with low 
computational costs. The technique used is the Euclidian ARTMAP neural 
network, which is based on Adaptive Resonance Theory, preserving the 
plasticity and stability characteristics. The advantage of this version 
(Euclidian ARTMAP) is that the input data normalization is not necessary, 
which represents a faster processing when compared to the traditional 
Fuzzy ARTMAP. Thus, it is adequate to realize short term load 
forecasting. The data used on the simulations are from a Brazilian electric 
system. The results are presented comparing the MAPE (mean average 
perceptual error). Conclusions consider that this tool is adequate for short 
term load forecasting. 
 
Index Terms – Short term load forecasting, Euclidean distance, 
Adaptive Resonance Theory, Euclidean ARTMAP neural 
network. 
I. NOMENCLATURA 
ARIMA - Auto Regressive Integrated Moving Average. 
ART - Adaptive Resonance Theory. 
ARTMAP - Adaptive Resonance Theory – Supervised 
Predictive Mapping. 
CPNN - Counter Propagation Neural Network. 
EQTAM - Euclidean Quality Threshold Adaptive Resonance 
Theory-Supervised Predictive Mapping. 
GRNN - Generalized Regression Neural Network. 
MAPE - Mean Absolute Percentage Error. 
MLP - Multilayer Perceptron. 
RBFNN - Radial Basis Function Neural Network. 
RNA - Rede Neural Artificial. 
SARIMA - Seasonal Auto Regressive Integrated Moving 
Average. 
SOM - Self Organizing Map. 
II. INTRODUÇÃO 
ada vez mais, as grandes e pequenas companhias do setor 
de energia elétrica necessitam de tomadas de decisões 
precisas em relação ao planejamento e organização de sua 
 
This work was supported by CAPES (Brazilian Supporting Research 
Agency) 
T. T. Gomes is a M.Sc student at UNESP Campus of Ilha Solteira, SP, 
Brazil (taniatgs@yahoo.com.br). 
M. L. Lopes is with Mathematics Department at UNESP Campus of Ilha 
Solteira, SP, Brazil (mara@mat.feis.unesp.br). 
produção, para fornecer energia de qualidade para as indústrias, 
empresas e residências. 
Sabe-se que existem fatores que influenciam no 
comportamento das cargas elétricas, e que podem influenciar 
no aumento do consumo de energia de forma relevante, como a 
mudança climática, os finais de semana, feriados e/ou dias 
atípicos [1]. 
No Brasil a grande fonte de energia provém de usinas 
hidrelétricas, no qual necessitam de um bom nível de água no 
reservatório, caso a pluviosidade seja de volume baixo, 
necessita-se de acionamento de outras fontes de energia, tais 
como usina nuclear, eólicas, solar entre outras. Conforme o 
aumento da população, também há um acréscimo no consumo 
de energia em nosso país de 2,2% ao ano por habitante [2]. 
Diante deste cenário surge um novo projeto, o sistema de 
energia elétrica inteligente (Smart Grid), capaz de monitorar a 
geração, distribuição e o consumo da energia atribuída. Com a 
chegada da rede inteligente, os consumidores poderão adquirir 
informações sobre o consumo de energia por horário, com o 
banco de dados do último período de faturamento e também a 
demonstração da qualidade de energia ofertada pelas 
concessionárias. Entretanto, substitui os medidores 
eletromecânicos por eletrônicos inteligentes para o novo 
sistema (smart meters) [3]. 
Com este novo panorama do setor elétrico pode-se também 
se estender para outros setores ou serviços como da água, gás, 
segurança, trânsito entre outros. 
Atualmente o sistema de redes inteligentes encontra-se em 
uma fase de nascimento, com a implementação dos medidores 
inteligentes, depois do processo de novas tecnologias de 
informações poderão executar e aperfeiçoar o desenvolvimento 
da produção da energia elétrica local ou regional em uma escala 
significativa para consumo necessário. A nova infraestrutura de 
informação e tecnologias eletrônicas deve-se abranger de forma 
a evoluir para um novo conceito de cidades inteligentes (smart 
cities), e também para ambientes nos quais todos os objetos 
podem ser identificados, reconhecidos e localizados, este 
sistema chama-se Internet das Coisas (Internet of Things - IoT) 
[4]. 
Inúmeras pesquisas tem se desenvolvido para prever o futuro 
C. R. Santos Junior is PhD student at UNESP Campus of Ilha Solteira, SP, 
Brazil (carlos.rsantos@ifsp.edu.br). 
M. F. Alves is PhD student at UNESP Campus of Ilha Solteira, SP, Brazil 
(marleidealves11@gmail.com). 
A. D. P. Lotufo is with Electrical Engineering Department of UNESP 
Campus of Ilha Solteira, SP, Brazil, (annadiva@ieee.org). 
 
Rede ARTMAP Euclidiana na solução do 
problema de previsão de cargas elétricas 
Gomes T. T., Lopes M. L. M., Santos C. R. J., Alves M. F., Lotufo A. D. P. 
taniatgs@yahoo.com.br, mara@mat.feis.unesp.br, carlos.rsantos@ifsp.edu.br, marleidealves11@gmail.com, 
annadiva@ieee.org 
C 
mailto:mara@mat.feis.unesp.br
mailto:carlos.rsantos@ifsp.edu.br
mailto:marleidealves11@gmail.com
mailto:annadiva@ieee.org
mailto:taniatgs@yahoo.com.br
mailto:mara@mat.feis.unesp.br
mailto:carlos.rsantos@ifsp.edu.br
mailto:marleidealves11@gmail.com
mailto:annadiva@ieee.org
THE 12th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2017 2 
do sistema elétrico para geração, transmissão e distribuição de 
energia com uma demanda suficiente capaz de suprir as 
necessidades dos consumidores e empresas em geral. Diante 
deste paradigma o aprimoramento e surgimento das novas 
técnicas de previsão de carga elétrica tem sido uma ferramenta 
eficaz para tratar e prever futuras expansões de rede, coletando 
dados e proporcionando um acervo de informações para um 
prévio diagnóstico no projeto deste sistema. 
As técnicas de previsão de cargas elétricas que já tiveram 
grande destaque na literatura são: técnica de regressão linear 
simples ou múltipla, alisamento exponencial, estimação de 
estado, filtro de Kalman, ARIMA (Auto Regressive Integrated 
Moving Average) de Box e Jenkins (1976), todas estas 
necessitam da modelagem da carga elétrica. Atualmente são 
utilizadas técnicas inteligentes por fornecerem um 
processamento mais rápido e robusto. 
Há um número considerável de pesquisas disponíveis na 
literatura fornecendo resultados mais eficientes e rápidos na 
aquisição de alternativas para previsão de cargas elétricas, entre 
elas as combinações das redes neurais e com as técnicas de 
inteligência artificial como, por exemplo, em [5] foi utilizado a 
união de três técnicas: as redes neurais com o algoritmo 
Backpropagation, Adaptive Network Based Fuzzy Inference 
System (ANFIS) e o modelo Seasonal Auto Regressive 
Integrated Moving Average (SARIMA), no qual os resultados 
de previsão do método combinado mostraram-se melhores do 
que todos os três métodos individuais e o método combinado 
(híbrido) foi capaz de reduzir os erros e melhorar a precisão 
entre os valores reais e os valores previstos de forma eficaz. O 
trabalho [6] utilizou a rede neural artificial Multi Layer 
Perceptron (MLP) com o algoritmo Backpropagation e um 
algoritmo de minimização conhecido como Levenberg-
Marquardt para prever cargas elétricas de distribuição de média 
e baixa tensão e [7] propôs um estudo amplo e comparativo 
entre as redes neurais com base nas MLP, RBFNN (Radial 
Basis Function Neural Network), GRNN (GeneralizedRegression Neural Network), CPNN (Counter Propagation 
Neural Network) e SOM (Self Organizing Map) para previsão 
de carga a curto prazo. 
 Foi desenvolvido em [8] desenvolveu uma rede neural 
híbrida composta por duas redes de arquiteturas diferentes 
como a ART Fuzzy e a MLP para previsão de cargas elétricas a 
curto prazo; [9] obteve resultados de previsão utilizando uma 
rede híbrida com o método de Regressão Linear com Seleção 
de Variáveis Stepwise juntamente com a rede neural artificial 
MLP com o algoritmo Backpropagation; [10] desenvolveu um 
modelo híbrido utilizando os modelos ARIMA de Box & 
Jenkins e redes neurais artificiais com treinamento realizado 
pelo algoritmo de Levenberg-Marquartd para previsão de 
cargas elétricas a curto prazo. 
A rede ARTMAP Euclidiana foi utilizada para um 
Desenvolvimento de um Sistema de Análise da Estabilidade 
Transitória de Sistemas de Energia Elétrica por [11] em 2006, 
nesta pesquisa a rede teve um papel de grande importância 
satisfazendo um resultado de boa qualidade superando as 
expectativas. Em [12], criou a ART-ARTMAP Fuzzy 
Euclidiana Modificada com o mesmo propósito Analisar a 
Estabilidade Transitória da Energia Elétrica com Treinamento 
Continuo. Com esta mesma nova técnica [13], trabalhou com 
Detecção e Classificação de Distúrbios de Tensão. 
Foi apresentada em [14] um novo modelo de rede neural, a 
EQTAM, baseada na ARTMAP Euclidiana e comparada com 
outros tipos de redes para classificação de um conjunto de 
dados clínicos para avaliar problemas médicos do tipo: 
diabetes, câncer de mama, doenças cardíacas e dermatológicas 
de um hospital da Malásia. 
Este trabalho apresenta uma proposta para obter a previsão 
de carga elétrica global a curto prazo fundamentada num 
sistema inteligente. Assim é utilizada uma rede neural artificial 
baseada na Teoria da Ressonância Adaptativa, mais 
precisamente a Rede Neural Artificial (RNA) ARTMAP 
Euclidiana. Uma das principais vantagens de utilizar uma rede 
baseada na Teoria da Ressonância Adaptativa é sua capacidade 
aprender novos padrões, sem perder o conhecimento adquirido 
anteriormente, o que confere a este tipo de rede as 
características de plasticidade e estabilidade [15]. 
Uma das motivações de utilizar RNA ARTMAP Euclidiana 
é de não necessitar de realizar a normalização e 
complementação nos dados de entrada, reduzindo-a pela 
metade a dimensão do vetor de entrada, isto representa um 
processamento mais rápido, ou seja, um baixo custo 
computacional, em relação à rede ARTMAP Fuzzy [16]. Logo, 
o objetivo principal deste trabalho, favorece a análise do 
modelo da RNA ARTMAP Euclidiana utilizada para obter 
informações prognósticas para a previsão de cargas elétricas a 
curto prazo. Ressalta-se que não se encontra na literatura 
trabalhos que abordem a aplicação desta arquitetura no 
problema de previsão de cargas elétricas, o que torna o trabalho 
inovador. 
Os resultados obtidos pela metodologia proposta foram 
avaliados através do Erro Percentual Médio Absoluto (MAPE) 
e erro máximo, o que permite analisar e concluir que a 
utilização da rede neural ARTMAP Euclidiana garante um bom 
desempenho e uma boa precisão. 
III. REDE NEURAL ARTMAP EUCLIDIANA 
As Redes Neurais Artificiais são uma poderosa ferramenta 
na classificação e reconhecimento de padrões. RNAs são 
técnicas computacionais que representam um modelo 
matemático inspirado na estrutura neural de organismos 
inteligentes e são capazes de aprender através da experiência e 
generalização adquiridos com dados (anteriores) passados [17]. 
Desde 1974 pesquisadores trabalham no desenvolvimento 
das redes neurais buscando uma melhoria significativa. Em 
1976, Carpenter & Grossberg, desenvolvem a rede neural 
baseada na Teoria da Ressonância Adaptativa (ART). A 
arquitetura ART foi desenvolvida, em 1987 para realizar 
agrupamentos de padrões binários, realizando o treinamento 
não-supervisionado, neste mesmo ano foi estendida para 
valores analógicos. A rede ARTMAP é composta por dois 
módulos ART, denominados ARTa e ARTb, que são 
interligados por um módulo inter-ART responsável por “casar” 
as informações de entrada e saída codificadas nos módulos 
ARTa e ARTb [18]. Foi a primeira arquitetura baseada na 
THE 12th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2017 3 
teoria da ressonância adaptativa apropriada para o 
reconhecimento de padrões. A RNA ARTMAP Euclidiana é 
composta também por dois módulos, sendo que cada um desses 
módulos preservam as características do modelo não-
supervisionado. 
A rede neural ARTMAP Euclidiana é um modelo neural que 
utiliza a distância Euclidiana entre os padrões de entrada (I) e 
os respectivos centros de classes para escolher a qual classe o 
padrão pertencerá. Uma vantagem desta rede refere-se a não 
necessidade da normalização e codificação complementar dos 
padrões de entrada, que duplica a dimensão do vetor de entrada, 
o que reduz o custo computacional [18]. O parâmetro mais 
sensível nas redes da família ART é o parâmetro de vigilância 
(𝜌), que controla a resolução do processo de classificação. Se 
𝜌 tem um valor baixo, a rede será mais criteriosa na 
classificação e produzirá mais classes, no entanto uma decisão 
de classificação alta produzirá um pequeno número de classes. 
Os parâmetros da rede ARTMAP Euclidiana: 
-Taxa de Treinamento: 𝛽 ∈ [0, 1]; 
-Parâmetro de vigilância ARTa, ARTb e Inter-ART: 𝜌 ∈
[0, 1]. 
O cálculo função escolha da categoria da ARTMAP 
Euclidiana [6]: 
𝑇𝑗 = (𝐼 − 𝑤𝑗)(𝐼 − 𝑤𝑗)𝑇 (1) 
A categoria escolhida na rede ART Euclidiana é aquela que 
possui ativação mínima, ou seja, menor valor de 𝑇𝑗. 
𝑇𝐽 = 𝑚𝑖𝑛{𝑇𝑗 : 𝑗 = 1, …𝑀} (2) 
O critério de vigilância da rede ARTMAP Euclidiana tem a 
função: 
𝑇𝐽
𝑚𝑎𝑥⁡(𝐼 𝐼𝑇 , 𝑤𝑗𝑤𝑗𝑇)
˂⁡ρ⁡ 
(3) 
 
O módulo Inter-ART ou Match Tracking tem a função 
responsável pela verificação se há “casamento” entre a entrada 
ARTa e a saída ARTb, ou seja, se a entrada representada pela 
categoria ativa (J) do módulo ARTa e a saída desejada 
representada pela categoria ativa (K) do módulo ARTb se 
confirmam na rede: 
|𝑦𝑏⋀𝑤𝑗
𝑎𝑏| < 𝜌𝑎𝑏 (4) 
O vetor peso da ARTMAP Euclidiana é atualizado conforme 
a seguinte equação: 
𝑤𝐽
𝑛𝑜𝑣𝑜 = 𝛽(𝐼) + (1 − 𝛽)𝑤𝐽
𝑣𝑒𝑙ℎ𝑜 (5) 
Segue o modelo representado pelo algoritmo da rede neural 
ARTMAP Euclidiana a ser executado para a realização do 
processamento da rede neural dividido em três etapas: 
1ª Etapa - Início: Definição do vetor padrão de entrada, pesos e 
parâmetros: 
- Leitura dos vetores padrão de entrada. 
 Vetor de entrada: ⁡𝐼𝑖
𝑎 = [𝑎1 𝑎2… 𝑎𝑛] 
 Vetor de saída: 𝐼𝑖
𝑏 = [𝑏1 𝑏2… 𝑏𝑛]; 
 n: números padrões de entrada. 
- Construção das matrizes pesos: 
⁡⁡𝑤𝑗
𝑎 e 𝑤𝑘
𝑏 são iniciados com valor igual a 0, indicando a 
presença de um único cluster (categoria) ativa. 
𝑤𝑗𝑘
𝑎𝑏 inicia com o valor igual a 1, indicando que não existe 
nenhuma categoria ativa. 
- Leitura dos dados dos Parâmetros: 
 𝛽: taxa de treinamento [0, 1]; 
𝜌𝑎: parâmetro de vigilância do módulo ARTa [0, 1]; 
𝜌𝑏: parâmetro de vigilância do módulo ARTb [0, 1]; 
𝜌𝑎𝑏: parâmetro de vigilância do módulo ARTab [0, 1]; 
𝜀: incremento do parâmetro 𝜌𝑎; 
2ª Etapa - Processo de Treinamento dos dados do vetor padrão 
de entrada nos módulos: ARTb Euclidiana e ARTa Euclidiana: 
A) Módulo ARTb Euclidiana 
A1) Cálculo da função 𝑇𝑘
𝑏 com o uso da distância Euclidiana: 
𝑇𝑘
𝑏 = (𝐼𝑘
𝑏 − 𝑤𝑘
𝑏)(𝐼𝑘
𝑏 −𝑤𝑘
𝑏)𝑇 (6) 
A2) O critério de vigilância do módulo ARTb é determinado 
através da função: 
𝑇𝑘
𝑏
𝑚𝑎𝑥(𝐼𝑘
𝑏𝐼𝑘
𝑏𝑇, 𝑤𝑘
𝑏𝑤𝑘
𝑏𝑇)
˂𝜌𝑏 
(7) 
A3) Se o critério de vigilância for satisfeito, houve ressonância 
e passamos para próximo passo no qual se atualiza o vetor peso 
𝑤𝐾
𝑏: 
𝑤𝐾
𝑏 = 𝛽(𝐼𝐾
𝑏) + (1 − 𝛽)𝑤𝐾
𝑏 (8) 
A4) Cálculo do vetor atividade para o númerode categorias 
criadas: 
𝑦𝑘
𝑏 = [𝑦1
𝑏 𝑦2
𝑏 … 𝑦𝑁
𝑏] 
 
sendo: 
⁡𝑦 = {
𝑦𝑘
𝑏 = 0, 𝑠𝑒⁡𝑘 ≠ 𝐾⁡
𝑦𝑘
𝑏 = 1, 𝑠𝑒⁡𝑘 = 𝐾
⁡⁡⁡⁡⁡⁡ 
(9) 
A5) Se o critério de vigilância não for satisfeito, então não 
houve ressonância e faz-se 𝑇𝑘
𝑏 = 0 e ocorre o reset. 
A6) Módulo Inter-ART ou Match Tracking 
B) Módulo ARTa Euclidiana 
- Este módulo possui a mesma estrutura e característica do 
Módulo ARTb Euclidiana usada anteriormente, porém a 
atualização de 𝑤𝐽
𝑎 e vetor atividade 𝑦𝐽
𝑎, será realizado somente 
no Módulo Inter-ART, logo após o teste de vigilância. 
Na ultima etapa deste módulo verifica-se se há o 
“casamento” da entrada de ARTa com a saída de ARTb. 
THE 12th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2017 4 
3ª Etapa - É na finalização deste módulo que se verifica se 
houve “casamento” entres os Módulo ARTa Euclidiana e 
Módulo ARTb Euclidiana. 
C) Módulo Inter-ART ou Match Tracking. 
C1) O critério de vigilância no módulo Inter-ART é verificado 
por meio da inequação: 
|𝑦𝑗
𝑏˄𝑤𝑗
𝑎𝑏|˃𝜌𝑎𝑏 (10) 
C2) Se a inequação a cima for satisfeita, então realiza-se: 
 - Vetor atividade do Módulo ARTa Euclidiana 
 𝑦𝑗
𝑎 = [𝑦1
𝑎 ⁡𝑦2
𝑎 … 𝑦𝑁
𝑎], para: 
 
𝑦 = {
𝑦𝑗
𝑎 = 0, 𝑠𝑒⁡𝑗 ≠ 𝐽⁡
𝑦𝑗
𝑎 = 1, 𝑠𝑒⁡𝑗 = 𝐽
 
(11) 
 - Atualização do vetor de pesos 𝑤𝐽
𝑎: 
 
𝑤𝐽
𝑎 = 𝛽(𝐼𝐽
𝑎) + (1 − 𝛽)𝑤𝐽
𝑎 (12) 
- Atualização do vetor de pesos 𝑊𝐽𝐾
𝑎𝑏 = [𝑦1
𝑎𝑏 , 𝑦2
𝑎𝑏 , … , 𝑦𝑁
𝑎𝑏], 
para: 
𝑦𝑗𝑘
𝑎𝑏 = {
0, 𝑠𝑒 𝑗 ≠ 𝐽; 𝑘 ≠ 𝐾 
1, 𝑠𝑒 𝑗 = 𝐽; 𝑘 = 𝐾
 
(13) 
C3) Se não ocorre ressonância no módulo Inter-ART é 
acrescentado um incremento no parâmetro de vigilância: 
𝜌𝑎 =
𝑇𝐽
𝑎
𝑚𝑎𝑥(𝐼𝐽
𝑎𝐼𝐽
𝑎𝑇 , 𝑤𝐽
𝑎𝑤𝐽
𝑎𝑇)
− 𝜀⁡ 
(14) 
C4) Segue para o critério de vigilância do Módulo ARTa 
Euclidiana. 
C5) Fim do Treinamento. 
IV. REDE NEURAL ARTMAP EUCLIDIANA APLICADA EM 
PREVISÃO DE CARGAS ELÉTRICAS 
As previsões de cargas elétricas podem ser agrupadas em: 
curtíssimo prazo (prevê segundos a minutos), curto prazo 
(algumas horas e poucos dias), médio prazo (pode variar de 
meses a um ano) e longo prazo (período podendo variar de anos 
até uma década) [1]. 
As medições e as coletas de dados das cargas elétricas foram 
cedidas por uma das Companhias de Energia Elétrica 
Brasileiras, no período de Junho e Julho do ano de 1990, as 
medidas das cargas utilizadas para previsão a curto prazo foram 
realizadas no período de um intervalo de 1 hora, sendo 744 
dados para o mês de Julho e 1464 dados para os meses de Junho 
e Julho. 
Todos os dados de cargas de energia coletados serviram 
como conjunto de padrões de entrada apresentados à rede neural 
ARTMAP Euclidiana. Foi utilizado um sistema de janelamento 
referente ao vetor padrão entrada e padrão de saída desejada 
para treinamento da rede. Logo após o treinamento, determina-
se a previsão com os dados já treinados anteriormente e com 
seus pesos atualizados. Para obter os resultados e os gráficos 
foram utilizados como critério de avaliação o MAPE e Erro 
Máximo, que permite concluir que a metodologia aplicada 
garante um bom desempenho na tomada de decisões. A resposta 
do MAPE deve ser de valor pequeno, isso demonstra que há 
uma maior precisão na previsão, representado na equação (15): 
𝑀𝐴𝑃𝐸 =
1
𝑛𝑒
∑{
|𝐿(ℎ) − 𝐿(ℎ)|
𝐿(ℎ)
} × 100
𝑛𝑒
ℎ=1
 
(15) 
no qual: 
 
𝐿(ℎ): valor da carga elétrica real na hora ℎ; 
𝐿(ℎ): valor da carga elétrica prevista na hora ℎ; 
ne: número total de horas para entradas apresentadas na fase de 
diagnóstico. 
O erro máximo é dado pela equação (16): 
𝐸𝑟𝑟𝑜⁡𝑀á𝑥𝑖𝑚𝑜 = 𝑚á𝑥 {
|𝐿(ℎ) − 𝐿(ℎ)|
𝐿(ℎ)
} × 100 
(16) 
 
As simulações foram realizadas com o programa MATLAB 
e foram divididas em duas fases, como indica a Figura 1: 
 
Fig. 1. Processo Esquemático para previsão de demanda através da rede 
neural ARTMAP Euclidiana. 
 
Na primeira fase realiza-se o treinamento, apresentando a 
rede os dados de entrada referente a cargas e os dados referentes 
ao período (horas). Após a conclusão desta fase, adquire-se os 
resultados e gráficos das previsões na segunda fase, no qual 
utiliza-se dados de saída no intervalo de 24h. 
V. RESULTADOS DE SIMULAÇÕES 
A TABELA I exibe os parâmetros utilizados no 
processamento da fase de treinamento da rede para o mês de 
Julho (Caso1) e para os meses de Junho e Julho (Caso 2). 
Através das Figuras 2 e 3, é possível notar que as curvas das 
cargas elétricas previstas, obtidas pela rede neural ARTMAP 
Euclidiana se encontram bem próximas da curva real, o que 
fornece uma confiabilidade na metodologia utilizada. 
Observa-se que os valores dos MAPEs mostrados na Tabela 
2 são inferiores a 5% de precisão, o que oferece uma redução 
significativa [21]. 
THE 12th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2017 5 
TABELA I 
TAXA DE PARÂMETROS PARA TREINAMENTO 
 
Parâmetros Caso 1 Caso 2 
Vetores Padrão de Entrada 744 1464 
Taxa de Treinamento 0,999412 0,999412 
Parâmetro de Vigilância – 
ART Euclidiana A 
0,15 0,15 
Parâmetro de Vigilância – 
ART Euclidiana B 
0,000001 0,000001 
Parâmetro de Vigilância – 
Inter-ART 
0,15 0,15 
Incremento 0,0001 0,0001 
 
 
Fig. 2. Resultado da Previsão Carga Global (Caso 1). 
 
Fig. 3. Resultado da Previsão Carga Global (Caso 2). 
 
O Parâmetro de Vigilância (𝜌 = 0,001) da ART Euclidiana 
para previsão de carga global tem o mesmo valor para todos os 
casos. 
A TABELA II apresenta o resultado dos MAPEs, Erros 
Máximos e Tempo de processamento da previsão realizados 
através do treinamento feito nas simulações dos casos 1 e 2. 
 
TABELA II 
MAPE, ERRO MÁXIMO E TEMPO DE PROCESSAMENTO DA PREVISÃO. 
 
Testes MAPE (%) Erro Máximo (%) Tempo (s) 
Caso 1 2,29 19,75 0,017 
Caso 2 1,78 14,29 0,005 
VI. CONCLUSÃO 
Este artigo trata de uma metodologia alternativa para resolver o 
problema de previsão de carga global a curto prazo realizada 
através de redes neurais artificiais, mais precisamente, a rede 
neural ARTMAP Euclidiana. 
Foram realizados vários testes visando prever a carga global 
a curto prazo utilizando dados históricos de uma companhia de 
energia elétrica brasileira. 
Observa-se através dos resultados obtidos que os erros 
percentuais médios (MAPE) são satisfatórios se comparado 
com outros trabalhos relacionados a diversas arquiteturas 
neurais e híbridas. Ainda se faz necessário um ajuste de 
parâmetros para a evolução da curva da saída da previsão de 
forma a tratar o erro máximo que se manteve um pouco 
acentuado. Este pode ser melhorado com o ajuste dos 
parâmetros ou até mesmo com a inclusão de informações no 
conjunto de dados de entrada que sejam relevantes para 
reconhecimento deste pela arquitetura neural. 
É importante enfatizar que não há trabalhos relacionados a 
previsão de cargas elétricas baseado na ARTMAP Euclidiana e 
que a arquitetura mantêm as características das redes neurais 
baseadas na teoria da ressonância adaptativa (plasticidade e 
estabilidade – capacidade de aprender com a atualização dos 
pesos, sem perder o conhecimento anteriormente adquirido), 
portanto, o treinamento é praticamente feito de forma online. 
Isto, é uma vantagem desta arquitetura e favorece a aplicação 
desta metodologia visando para fins futuros sua implantação 
nos sistemas smart-grids, visto que esta arquitetura é rápida, 
precisa e robusta. 
VII. REFERÊNCIAS BIBLIOGRÁFICAS 
[1] T. M. O’Donovan, Short Term Forecasting: An Introduction to the Box-
Jenkins Approach, New York: John Wiley & Sons, 1983. 
[2] Empresa de Pesquisa Energética - EPE. Projeção da demanda por energia 
elétrica para os próximos 10 anos (2015-2024). Brasília: EPE, 2015b. 
[Online]. Disponível em: 
http://www.epe.gov.br/mercado/Documents/DEA%2003-2015 
[3] A. H. Rosenfeld, D. A. Bulleit and R. A. Peddie, Smart meters and spot 
pricing: experimentsand potential. IEEE Technology and Society 
Magazine, Piscataway, v. 5, n. 1, p. 23-28, 1986. 
[4] I.Teixeira, A. S. Esposito e R. Rivera, Redes Elétricas Inteligentes 
(Smart Grid): Oportunidade para Adensamento Produtivo e Tecnológico 
Local, http//www.bndes.gov.br/bibliotecadigital 
 [5] Y. Yang, Y. Chen, Y. W. Yachen, C. Li and L. Li, Modelling a 
combined method based on ANFIS and neural network improved by DE 
algorithm: A case study for short-term electricity demand forecasting, 
Applied Soft Computing, Journal Home Page: 
www.elsevier.com/locate/asoc, 2016. 
[6] N. Ding, C. Benoit, G. Foggia and Y. Bésanger, Wurtz F., Neural 
Network-Based Model Design for Short-Term Load Forecast in 
Distribution Systems, IEEE Transactions on Power Systems, Vol. 31, Nº. 
1, 2016. 
[7] G. Dudek, Neural networks for pattern-based short-term load 
forecasting: A comparative study, Neurocomputing, Journal Home Page: 
www.elsevier.com/locate/neucom, 2016. 
[8] C. M. Oliveira, A. D. P. Lotufo, M. L. M. Lopes e M.C.G. Silveira, 
Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-
ART Fuzzy, XI CBIC - Brazilian Congress on Computational 
Intelligence, Porto de Galinhas PE, 2013. 
[9] M. F. Alves, A.D.P. Lotufo e M.L.M. Lopes, Seleção de Variáveis 
Stepwise aplicadas a previsão de Demandas de Cargas Elétricas, XI 
SBAI – Simpósio Brasileira de Automação Inteligente, Fortaleza CE, 
2013. 
[10] T. Abreu, M. Paredes, K. A. M. Araújo, M.L.M. Lopes e A.D.P. Lotufo, 
Previsão de Cargas Elétricas através de um Modelo Híbrido de 
http://www.elsevier.com/locate/asoc
http://www.elsevier.com/locate/neucom
THE 12th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2017 6 
Regressão com Redes Neurais Artificiais, IV SBSE, Simpósio Brasileiro 
de Sistemas Elétricos, Goiânia, GO, 2012. 
[11] S. C. Marchiori, Desenvolvimento de um Sistema para Análise da 
Estabilidade Transitória de Sistemas de Energia Elétrica vai Redes 
Neurais, Tese de Doutorado submetida ao Programa de Pós-graduação 
em Engenharia Elétrica da Faculdade de Engenharia de Ilha Solteira–
UNESP, Ilha Solteira-SP, 2006. 
[12] A. L. Moreno, Análise da Estabilidade Transitória via Rede Neural 
ART-ARTMAP Fuzzy Euclidiana Modificada com Treinamento 
Continuado, Tese de Doutorado submetida ao Programa de Pós-
graduação em Engenharia Elétrica da Faculdade de Engenharia de Ilha 
Solteira–UNESP, Ilha Solteira-SP, 2010. 
[13] A. C. Barros, Detecção e Classificação de Distúrbios de Tensão Usando 
Redes Neurais ARTMAP Euclidiana Modificada com Treinamento 
Continuado, Tese de Doutorado submetida ao Programa de Pós-
graduação em Engenharia Elétrica da Faculdade de Engenharia de Ilha 
Solteira–UNESP, Ilha Solteira-SP, 2013. 
[14] S. N. Yaakob and C. P. Lim, Jain L., “A novel Euclidean quality 
threshold ARTMAP network and its application to pattern 
classification”, Neural Comput & Applic (2010) 227–236. 
[15] S. Grossberg, Adaptive Pattern Recognition and Universal Encoding II: 
Feedback, Expectation, Olfaction, and Illusions, Biological Cybernetics, 
Vol. 23, pp. 187-202, 1976. Self-organizing neural pattern recognition 
machine, Computer Vision. 
[16] M.Vuskovic and S. Du, Classification of EMG Patterns with Simplified 
Fuzzy ARTMAP Networks, Proceeding of the 2002 International Joint 
Conference on Neural Networks, Networks, Honolulu – Hawaii, May 
12-17, 2002a 
[17] S. Haykin, Neural networks: A comprehensive foundation, Prentice-
Hall, Upper Saddle River, New Jersey, USA, 1994. 
[18] G. A. Carpenter, S. Grossberg and J. H. Reynolds ARTMAP: Supervised 
real-learning and classification of non-stationary data by a self 
organizing neural network,” Neural Network, Vol. 4, No. 5, pp. 565-588, 
1991a. 
[19] R. Kenaya, Euclidean ART neural networks. World Congresss on 
Engeneering and Computer Science, 2008, San Francisco. Proceedings 
San Francisco: Newswood, 2008. p.1-6. 
[20] M. L. M. Lopes, “Desenvolvimento de Redes Neurais para Previsão de 
Cargas Elétricas de Sistemas de Energia Elétrica”. Tese de Doutorado 
submetida ao Programa de Pós-graduação em Engenharia Elétrica da 
Faculdade de Engenharia de Ilha Solteira–UNESP, Ilha Solteira-SP, 
2005. 
[21] K. D. Ranaweera, G. G. Karady and G. R. Farner, “Economic impact 
Analysis of Load Forecasting,” IEEE Transactions on Power Systems, 
Vol. 12, No. 3, pp. 1388-1392, Aug. 1997. 
 
VIII. BIOGRAFIAS 
Tânia Tenório Gomes graduada em Matemática pela 
Universidade Federal de Mato Grosso do Sul em 1997. 
Atualmente é estudante de Pós-graduação em 
Engenharia Elétrica, Mestrado, pela UNESP de Ilha 
Solteira e sua área de pesquisa é previsão de cargas 
elétricas utilizando redes neurais artificiais. 
 
 
 
 Anna Diva Plasencia Lotufo graduada em 
Engenharia Elétrica pela UFSM, Santa Maria, RS, em 
1978, M.Sc. pela UFSC, Florianópolis, SC, em 1982 e 
PhD pela UNESP Ilha Solteira em 2004. Atualmente 
é Professor Adjunto na UNESP - Ilha Solteira, SP, 
realizando pesquisas nas áreas de previsão de cargas 
por redes neurais e aplicações em geral de redes 
neurais e lógica fuzzy. 
 
Mara Lúcia Martins Lopes graduada em 
Matemática pela Universidade Federal de Mato 
Grosso do Sul em 1997. Obteve os títulos de mestre e 
de doutor, em Engenharia Elétrica, pela UNESP/Ilha 
Solteira, SP, em 2000 e 2005, respectivamente. Entre 
os anos de 2006 e 2007 desenvolveu o Pós - 
Doutorado Júnior na UNESP/Ilha Solteira, SP, com o 
apoio da CNPq e da FAPESP - “Primeiros Projetos”. 
Atualmente é Professor Assistente Doutor na UNESP 
- Ilha Solteira, SP, realizando pesquisas nas áreas de 
previsão de carga, redes neurais artificiais, lógica nebulosa e estatística. 
 
 Carlos Roberto dos Santos Júnior possui graduação 
em Ciência da Computação pela Universidade de 
Marília (2009) e mestrado em Engenharia Elétrica 
pela Universidade Estadual Paulista Júlio de Mesquita 
Filho, Ilha Solteira - SP (2013). Atualmente é 
professor EBTT do Instituto Federal de São Paulo, 
Hortolândia - SP (a partir de 2014) e doutorando em 
Engenharia Elétrica pela Universidade Estadual 
Paulista Júlio de Mesquita, Ilha Solteira - SP, atuando 
principalmente nos seguintes temas: Arquitetura e 
Redes de Computadores e Sistemas Inteligentes. 
 
 Marleide Ferreira Alves graduada em Matemática 
pela Universidade Federal de Mato Grosso do Sul em 
2004. M.Sc. pela UNESP, Ilha Solteira, SP, em 2013, 
atualmente é doutoranda em Engenharia Elétrica pela 
UNESP de Ilha Solteira, SP, sua área de pesquisa é 
previsão de cargas elétricas não residenciais mistas 
por redes neurais ARTMAP Fuzzy.