Baixe o app para aproveitar ainda mais
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, 𝑠𝑒𝑘 ≠ 𝐾 𝑦𝑘 𝑏 = 1, 𝑠𝑒𝑘 = 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, 𝑠𝑒𝑗 ≠ 𝐽 𝑦𝑗 𝑎 = 1, 𝑠𝑒𝑗 = 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): 𝐸𝑟𝑟𝑜𝑀á𝑥𝑖𝑚𝑜 = 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.
Compartilhar