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
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
1. 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
2. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 2
3. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 3
4. 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.
5 de setembro de 2012 4
5. 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.
5 de setembro de 2012 5
6. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 6
7. 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);
5 de setembro de 2012 7
8. 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.
5 de setembro de 2012 8
9. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 9
10. 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 ).
5 de setembro de 2012 10
12. Metodologia – Campo de Testes
Pontos Geo-Elétricos (PGE):
5 de setembro de 2012 12
13. Metodologia – Campo de Testes
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;
5 de setembro de 2012 13
14. Metodologia – Dados utilizados
Carga:
Subestação de Cachoeirinha CAC1;
Ponto Geo-Elétrico de Gravataí;
5 de setembro de 2012 14
15. Metodologia – Dados utilizados
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;
5 de setembro de 2012 15
19. Metodologia – Dados utilizados
Econômicas:
Selecionados caso sejam necessários:
5 de setembro de 2012 19
20. Metodologia – Dados utilizados
Normalização:
D D
Dn
Ddp
5 de setembro de 2012 20
21. Metodologia – Métodos de seleção de
variáveis
Forward Selection;
Análise de Componentes Principais:
Kaiser;
Jolliffe;
Retenção dos 90%;
Auto-Correlação:
Cruzamento por Zero;
Pontos Máximos;
5 de setembro de 2012 21
22. 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
5 de setembro de 2012 22
23. 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).
5 de setembro de 2012 23
24. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 24
25. Resultados
Divisão para apresentação:
Curto Prazo:
Cachoeirinha;
Gravataí;
Longo Prazo:
Gravataí;
5 de setembro de 2012 25
26. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 26
27. 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%.
5 de setembro de 2012 27
28. Curto Prazo para Cachoeirinha – Forward Selecion
5 de setembro de 2012 28
29. Curto Prazo para Cachoeirinha – Forward Selecion
5 de setembro de 2012 29
30. Curto Prazo para Cachoeirinha – Forward Selecion
5 de setembro de 2012 30
31. Curto Prazo para Cachoeirinha – Forward Selecion
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;
5 de setembro de 2012 31
32. Curto Prazo para Cachoeirinha – ACP
Análise de Componentes Principais:
Últimas 20 horas;
Critérios:
Kaiser: 3 primeiras componentes;
Jolliffe: 4 primeiras componentes;
Retenção dos 90%: 14 primeiras componentes;
5 de setembro de 2012 32
33. Curto Prazo para Cachoeirinha – ACP
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
5 de setembro de 2012 33
35. 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;
Erro médio de 17,75%.
5 de setembro de 2012 35
36. Curto Prazo para Cachoeirinha – Auto-Correlação
5 de setembro de 2012 36
37. Curto Prazo para Cachoeirinha – Auto-Correlação
Pontos Máximos:
Variação das entradas de 1 a 60 Pontos Máximos
Rede base:
8 neurônios ocultos;
4000 épocas de treinamento;
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
5 de setembro de 2012 37
39. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 39
40. 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;
5 de setembro de 2012 40
41. Curto Prazo para Gravataí – Forward Selecion
Forward Selection:
1 a 400 horas de atraso;
Selecionar as 10 melhores entradas;
Rede Base:
32 neurônios ocultos;
800 épocas de treinamento;
Semente de inicialização igual a 7;
Resultados da rede Base:
Erro médio de 3,63%.
5 de setembro de 2012 41
42. Curto Prazo para Gravataí – Forward Selecion
5 de setembro de 2012 42
43. Curto Prazo para Gravataí – Forward Selecion
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
5 de setembro de 2012 43
44. Curto Prazo para Gravataí – ACP
Análise de Componentes Principais:
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;
5 de setembro de 2012 44
45. Curto Prazo para Gravataí – ACP
Segundo os critérios:
Kaiser, as 6 primeiras componentes;
Jolliffe, as 9 primeiras componentes;
retenção dos 90%, as 19 primeiras componentes.
5 de setembro de 2012 45
46. Curto Prazo para Gravataí – ACP
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
5 de setembro de 2012 46
48. 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;
Erro médio de 3,25%.
5 de setembro de 2012 48
49. Curto Prazo para Gravataí – Auto-Correlação
Pontos Máximos:
Variação das entradas de 1 a 60 Pontos Máximos;
Rede base:
16 neurônios ocultos;
400 épocas de treinamento;
Semente de inicialização 3;
Resultado da rede base:
2,41% de erro médio ;
Resultado da rede:
46 pontos máximos;
2,25% de erro médio.
5 de setembro de 2012 49
50. Curto Prazo para Gravataí – Auto-Correlação
5 de setembro de 2012 50
52. Curto Prazo para Gravataí – Auto-Correlação
5 de setembro de 2012 52
53. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 53
54. 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
5 de setembro de 2012 54
55. 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
5 de setembro de 2012 55
56. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 56
57. 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;
5 de setembro de 2012 57
59. 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;
5 de setembro de 2012 59
65. Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
5 de setembro de 2012 65
66. 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;
5 de setembro de 2012 66
67. 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.
5 de setembro de 2012 67
68. 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.
IEEE Transactions on Power Systems, v. 13, n. 4, p. 844–850, 1999.
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.
5 de setembro de 2012 68
69. 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.
IEEE Transactions on Power Systems, v. 21, n. 1, p. 385–391, 2006.
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.
5 de setembro de 2012 69