SlideShare ist ein Scribd-Unternehmen logo
1 von 70
Downloaden Sie, um offline zu lesen
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
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012               3
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
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
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012               6
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
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
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012               9
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
Metodologia – Campo de Testes




5 de setembro de 2012                              11
Metodologia – Campo de Testes
 Pontos Geo-Elétricos (PGE):




5 de setembro de 2012                              12
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
Metodologia – Dados utilizados
 Carga:
    Subestação de Cachoeirinha CAC1;
    Ponto Geo-Elétrico de Gravataí;




5 de setembro de 2012                               14
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
Metodologia – Dados utilizados




5 de setembro de 2012                               16
Metodologia – Dados utilizados
 Temperatura:
    Estação automática de Porto Alegre:
      Temperatura;
          ◊ Máxima;
          ◊ Mínima;
          ◊ Instantânea;
      Umidade;
          ◊ Máxima;
          ◊ Mínima;
          ◊ Instantânea;
      Pressão;
          ◊ Máxima;
          ◊ Mínima;
          ◊ Instantânea;


5 de setembro de 2012                               17
Metodologia – Dados utilizados




5 de setembro de 2012                               18
Metodologia – Dados utilizados

 Econômicas:
    Selecionados caso sejam necessários:




5 de setembro de 2012                               19
Metodologia – Dados utilizados


 Normalização:



                                D D
                          Dn
                                 Ddp




5 de setembro de 2012                               20
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
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
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
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012              24
Resultados

 Divisão para apresentação:


     Curto Prazo:
       Cachoeirinha;
       Gravataí;

     Longo Prazo:
       Gravataí;




5 de setembro de 2012                  25
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012              26
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
Curto Prazo para Cachoeirinha – Forward Selecion




5 de setembro de 2012                         28
Curto Prazo para Cachoeirinha – Forward Selecion




5 de setembro de 2012                         29
Curto Prazo para Cachoeirinha – Forward Selecion




5 de setembro de 2012                         30
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
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
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
Curto Prazo para Cachoeirinha – ACP




5 de setembro de 2012                            34
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
Curto Prazo para Cachoeirinha – Auto-Correlação




5 de setembro de 2012                         36
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
Curto Prazo para Cachoeirinha




5 de setembro de 2012                              38
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012              39
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
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
Curto Prazo para Gravataí – Forward Selecion




5 de setembro de 2012                             42
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
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
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
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
Curto Prazo para Gravataí – ACP




5 de setembro de 2012                                47
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
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
Curto Prazo para Gravataí – Auto-Correlação




5 de setembro de 2012                    50
Curto Prazo para Gravataí – Auto-Correlação

                        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



5 de setembro de 2012                                          51
Curto Prazo para Gravataí – Auto-Correlação




5 de setembro de 2012                    52
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012              53
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
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
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012              56
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
Longo Prazo




5 de setembro de 2012            58
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
Longo Prazo




5 de setembro de 2012            60
Longo Prazo




5 de setembro de 2012            61
Longo Prazo




5 de setembro de 2012            62
Longo Prazo




5 de setembro de 2012            63
Longo Prazo




5 de setembro de 2012            64
Sumário
 Introdução
 Trabalhos Correlatos
 Metodologia
 Resultados
    Curto Prazo
      Cachoeirinha
      Gravataí
    Resultados por métodos
    Longo Prazo
 Conclusão


5 de setembro de 2012              65
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
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
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
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
Perguntas




5 de setembro de 2012          70

Weitere ähnliche Inhalte

Empfohlen

PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsKurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summarySpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentLily Ray
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best PracticesVit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project managementMindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...RachelPearson36
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Applitools
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at WorkGetSmarter
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...DevGAMM Conference
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationErica Santiago
 

Empfohlen (20)

PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work
 
ChatGPT webinar slides
ChatGPT webinar slidesChatGPT webinar slides
ChatGPT webinar slides
 
More than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike RoutesMore than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike Routes
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy Presentation
 

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
  • 11. Metodologia – Campo de Testes 5 de setembro de 2012 11
  • 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
  • 16. Metodologia – Dados utilizados 5 de setembro de 2012 16
  • 17. Metodologia – Dados utilizados  Temperatura:  Estação automática de Porto Alegre: Temperatura; ◊ Máxima; ◊ Mínima; ◊ Instantânea; Umidade; ◊ Máxima; ◊ Mínima; ◊ Instantânea; Pressão; ◊ Máxima; ◊ Mínima; ◊ Instantânea; 5 de setembro de 2012 17
  • 18. Metodologia – Dados utilizados 5 de setembro de 2012 18
  • 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
  • 34. Curto Prazo para Cachoeirinha – ACP 5 de setembro de 2012 34
  • 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
  • 38. Curto Prazo para Cachoeirinha 5 de setembro de 2012 38
  • 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
  • 47. Curto Prazo para Gravataí – ACP 5 de setembro de 2012 47
  • 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
  • 51. Curto Prazo para Gravataí – Auto-Correlação 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 5 de setembro de 2012 51
  • 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
  • 58. Longo Prazo 5 de setembro de 2012 58
  • 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
  • 60. Longo Prazo 5 de setembro de 2012 60
  • 61. Longo Prazo 5 de setembro de 2012 61
  • 62. Longo Prazo 5 de setembro de 2012 62
  • 63. Longo Prazo 5 de setembro de 2012 63
  • 64. Longo Prazo 5 de setembro de 2012 64
  • 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