hybrid technique of ant colony and particle swarm optimization for short term wind energy...
TRANSCRIPT
Hybrid technique of ant colony and particle swarm optimization for short term wind energy forecasting
Carlos Eduardo Martins Barbosa ([email protected])
06/07/2015
Roteiro Resumo
Introdução
ACO
PSO
Comparação ACO e PSO
HAP
Forecasting da Energia Eólica
Resultado dos Experimentos do Artigo
Conclusões do Artigo
Resultados Preliminares dos Experimentos
Resumo Wind farms
o Considerável porção da energia renovável mundial
Altamente dependente da wind speed
o Nem sempre um valor constante de saída
Fornecimento não disruptivo de eletricidade
o Bom sistema de agendamento e forecasting
Nova técnica híbrida swarm (HAP)
o Binaloud wind farm, localizada na província Razavi Khorasan, no nordeste do Irã
Resumo
Província de Razavi Khorasan
Resumo
Binaloud Wind Farm
Resumo
HAP
o ACO + PSO
Dados
o 365 dias, de hora em hora
o Entrada
Velocidade do vento e temperatura ambiente
o Saída
Wind power
Resumo
Resultados
o Alta qualidade
MAPE de 3,513%
o Convergência mais rápida
Introdução
Energia
o Importante parte da civilização moderna
o Supre necessidades de diversas unidades
o Combustíveis fósseis
81% da demanda de energia mundial em 2009
– Mais alta contribuição dentre todas as fontes de energia
Segundo a International Energy Agency (IEA)
– Aumento de 85% durante a última década
Introdução
Energia
o Contribuiu para a produção de gases de efeito estufa, aquecimento global e fontes de poluição natural
o Instabilidade nas relações políticas entre países produtores de petróleo
o Aumento na demanda de energias sustentáveis e renováveis
Introdução
Energia Eólica
o Colhida durante séculos Condução de navios, moinhos de vento, bombas d’água
o Avanços nas tecnologias das turbinas eólicas
Colher a energia eólica em grande escala (parques eólicos)
o Motivação
Disponibilidade de grande potencial de extração
Baixo custo de manutenção e impostos governamentais
Fonte livre de energia, limpa e sem poluição ambiental
Introdução
Previsão da Energia Eólica
o Depende altamente da velocidade do vento
Não é um valor constante
o Necessário prever o poder de saída do parque eólico
Manutenção e planejamento de recursos
Tomada de decisão
Programação e integração com sistemas de energia
Introdução
Previsão da Energia Eólica
o Muitos estudos tem sido realizados
o Várias abordagens
Dois grupos principais
– Análise de dados históricos da energia eólica
Provém boa saída para escalas altas de forecasting (mensais ou maiores)
– Modelo de previsão numérica de tempo (NWP model)
Melhores saídas para previsões para prazos curtos e muito curtos
Abordagem híbrida
Introdução
Natureza do Forecasting
Introdução
Forecasting NWP
o Gera saídas com base no estado da atmosfera em determinado período de tempo, não se limitando ao mercado da indústria elétrica
Híbrida
o Muitas pesquisas têm usado também o histórico dos dados da energia gerada pelo vento
Outras abordagenso Média móvel autorregressivao Redes neurais artificiaiso Conjuntos e sistemas fuzzyo SVM
Introdução
Algoritmos Computacionais Evolucionários
o Algoritmos genéticos (GA)
o Otimização por enxame de partículas (PSO)
o Otimização por colônia de formigas (ACO)
Introdução
Revisão da Literatura
o Pousinho e Mendes (2011)
PSO para otimizar os parâmetros de modelo adaptativo neuro-fuzzy
Previsão de curto prazo da velocidade do vento em Portugal
MAPE de 5,41%
o Damousis e Dokopoulos (2001)
Otimizar os parâmetros de lógica fuzzy utilizando GA
Mesmos objetivos
MAPE de 9,5%
Introdução
Revisão da Literatura
o Jursa e Rohrig (2008)
Combinação de RNA com abordagem NN
Otimizar modelo de previsão em parques eólicos da Alemanha
RMSE de 10,75%
Introdução
Revisão da Literatura
o Em geral, estudos com métodos computacionais evolucionários para otimizar o modelo de previsão mostram melhores resultados quando comparados a outras técnicas na literatura.
o Métodos híbridos
Reduzir as desvantagens e combinar as vantagens dos algoritmos
o Híbrido ACO + PSO (HAP)
Proposto por Kiran et. al. (2012)
– Forecasting de médio e longo prazo na demanda de carga na Turquia
o Prever a energia eólica da wind farm em Binaloud, Irã
Modelo matemático de forecasting: funções S-curve e parábola
ACO
Colônias de formigas
o Comportamento de busca por alimentos
o Proposto por Dorigo e Gambardella (1997)
Só depois foi modificado e apresentado como técnica de otimização
– Shen et al, 2005; Dorigo et al, 2006
Funcionamento
o Se uma fonte de comida é encontrada:
Realiza avaliações sobre o tamanho da fonte
Formiga carrega uma porção do alimento para o formigueiro
– Deixando uma trilha de feromônio no caminho
ACO
Funcionamento
o Trilha de feromônio
A quantidade do feromônio depositado depende da qualidade da fonte
Auxilia a formiga a encontrar o alimento e voltar ao formigueiro
Ajuda as outras formigas a encontrar o alimento
– Escolhem, através do olfato e conforme a probabilidade, o caminho com maior feromônio
O feromônio evapora com o tempo
As formigas tentam encontrar o caminho mais curto possível
ACO
Comportamento
ACO
Versão Contínua
o Usado para problema de busca em espaços de otimização contínua
o Testado em diversas funções de benchmark
o Intensifica a quantidade de feromônio ao redor do melhor valor da função objetivo ao longo da execução
Todas as formigas chegam mais perto do melhor caminho obtido na busca
ACO
Versão Contínua
o Localização da formiga k no espaço de solução:
t: número da iteração
T: número total de iterações
xgbest: localização da melhor solução obtida até a iteração t
∂x: vetor randômico gerado de [-α, α] para determinar a variação permitida
O valor deste salto é determinado ao fim de iterações
o O sinal determina a direção de variação de xgbest
ACO
Versão Contínua
o Evaporação do feromônio
o Incremento do feromônio ao redor da melhor solução obtida a cada iteração
ACO
Versão Contínua
o Ideia geral do algoritmo ACO contínuo
PSO Otimização por enxame de partículas
Introduzida por Kennedy e Eberhart (1995)
Inspirado no movimento de pássaros e peixes
Usa um ambiente de busca (espaço de soluções) que cobre todas as possíveis soluções para o problema
As partículas “voam” no espaço de soluções
o Em cada iteração propõem uma solução para o problema
Resultante de 3 componentes
– Inércia
– Cognitivo
– Social
PSO Uma função de aptidão avalia a posição das partículas a
cada iteração
Atualização das velocidades e posições a cada iteração
o pbest: melhor posição da partícula k até a iteração t
o gbest: melhor posição, considerando todas as partículas, até a iteração t
o v: velocidade da partícula k na iteração t
o xp: posição da partícula k na iteração t
o c1: coeficiente cognitivo
o c2: coeficiente social
o rand1 e rand2: números randômicos entre (0, 1]
PSO w: coeficiente de inércia
o Decrescente ao longo da execução
o t: iteração atual
o T: número máximo de iterações
o wmax: valor inicial do coeficiente de inércia
o wmin: valor final do coeficiente de inércia
PSO Diagrama para o movimento da partícula k
PSO Ideia geral do algoritmo PSO
Comparação ACO e PSO Inspiração biológica diferente
Ambos são capazes de resolver problemas complexos
Escapam de mínimos locais
Lidam bem com problemas de forecasting
No ACO apenas as trilhas de feromônio ao redor da melhor solução encontrada é atualizada
o Um salto é permitido para cada formiga procurar melhores soluções ao redor da melhor solução encontrada
O PSO permite maior variação e liberdade para as partículas
A técnica híbrida proporcionará as vantagens de ambos
HAP Introduzida por Kiran et al (2012)
o Aplicada a previsão de longo prazo em demanda de carga na Turquia
Ideia geral
o As melhores soluções encontradas pelo ACO e pelo PSO são comparadas em cada iteração
A melhor delas é copiada para ambos os algoritmos
Isso mantém a metodologia original de cada algoritmo
HAP Assim, as trilhas dos feromônio são atualizadas não apenas
ao redor do xgbest, mas ao redor da melhor solução obtida pelo HAP
o Isto leva a melhores resultados iteração após iteração
o A colônia e o enxame mantém seus comportamentos individuais
Como o HAP é uma combinação de duas técnicas de inteligência de enxames, espera-se que ele obedeça às mesmas regras deste tipo de técnica
Seu algoritmo se divide em duas partes
o Inicialização
o Manipulação da solução
HAP Pseudocódigo da Inicialização
HAP Pseudocódigo da Manipulação da Solução
Forecasting da Energia Eólica Estratégia de extrapolação determinística
o Modela o sistema com uma equação matemática específica
Inclui diversas constantes
Forecasting da Energia Eólica Estratégia de extrapolação determinística
Forecasting da Energia Eólica HAP é usado para encontrar os valores das constantes
o De forma a minimizar o erro entre o valor observado e o estimado
o Modelo matemático escolhido para duas variáveis inclui:
S-curve
Parábola
r: número da amostra
X1: primeira variável de entrada (velocidade do vento)
X2: segunda variável de entrada (temperatura do ambiente)
a,b,c,d,e,f: parâmetros a serem otimizados pelo HAP
- Criam espaço de busca 6-dimensional para o algoritmo
Forecasting da Energia Eólica Função Objetivo
o A avaliação das soluções da colônia e do enxame depois de cada iteração é realizada usando a seguinte função objetivo:
Yrforecast: valor de energia eólica estimado
Yrobserved: valor de energia eólica observado
R: número máximo de amostras usadas no processo de forecasting
Forecasting da Energia Eólica Fluxograma do HAP
Resultados dos Experimentos do Artigo Binaloud wind farm contém 43 turbinas eólicas de 660 kW
que rendem uma capacidade máxima de 28.4 MW.
o Cobre uma área de 700 hectares
Informações Geográficas
Resultados dos Experimentos do Artigo Dados
o Energia Eólica de hora em hora, de abril/2010 a março/2011
o Obtidos do Instituto de Meteorologia de Nishabour
Resultados dos Experimentos do Artigo Os dados de abril/2010 a janeiro/2011 (306 dias ou 7344
amostras) foram usados para treinar o modelo proposto
Os dados restantes (59 dias ou 1416 amostras entre fevereiro/2011 e março/2011) foram usados para testar a performance e acurácia do modelo
O erro percentual médio absoluto foi usado para avaliar a acurácia do modelo
Simulação realizada no MATLAB 2011, [email protected] GHz com 8.00 GB RAM
Resultados dos Experimentos do Artigo Configurações dos parâmetros
o wmax = 1.2
o wmin = 0.2
o c1 = 2
o c2 = 2
Resultados dos Experimentos do Artigo Algoritmo comparado com o ACO e com o PSO isolados
o Com os mesmos parâmetros e condições
Foram executadas 20 execuções independentes
Melhor resultado das 20 execuções dos algoritmos
HAP apresentou melhor resultado
Resultados dos Experimentos do Artigo Energia eólica estimada x observada
o De fevereiro/2011 a março/2011
Resultados dos Experimentos do Artigo Energia eólica estimada x observada
o De 01/03/2011 a 05/03/2011
Resultados dos Experimentos do Artigo Convergência das técnicas
o Mostradas para 2000 iterações Todas atingem seus valores finais estáveis
HAP converge mais rapidamente
Resultados dos Experimentos do Artigo HAP apresentou maior qualidade e mais rápida convergência em
relação ao ACO e ao PSO isolados
Como são técnicas de busca aleatória, a consistência de seus resultados para cada execução tem importante papel na determinação de sua aplicabilidade em aplicações do mundo real
o Para avaliar o desempenho da qualidade das técnicas foram calculados:
Desvio Padrão (baseado na variância do valor objetivo médio das 20 execuções)
Coeficiente de Variação (determina o SD como uma porcentagem do valor médio de todas as 20 execuções)
Resultados dos Experimentos do Artigo Resultados da análise de consistência
Comparação dos resultados obtidos
o Outros algoritmos baseados em inteligência artificial
o Aplicados a forecasting de energia eólica em curto prazo
o Forecasting de energia eólica de uma wind farm em Portugal
Pesquisa de Pousinho e Mendes (2011)
– Também considera dados de hora em hora em um ano
– Usa seis técnicas
Resultados dos Experimentos do Artigo Pousinho e Mendes (2011)
o 6 técnicas
ARIMA
Modelos de persistência
Redes neurais (NN)
Redes neurais combinadas com transformada de wavelet (NNWT)
Wavelet neuro-fuzzy (WVN)
Híbrido do PSO e adaptive network-based fuzzy (HPA)
Resultados dos Experimentos do Artigo Resultados Comparativos
o Mostram que HAP alcançou o menor MAPE entre todas as técnicas comparadas
o Para medir a diferença entre os resultados:
Conclusões do Artigo
Uma técnica híbrida do ACO e do PSO é usada para prever a energia eólica de saída de uma wind farm
o Combinação de duas meta-heurísticas da categoria inteligência de enxames
Comportamento da energia eólica modelado matematicamente a partir de funções S-curve e parábola
o Espaço de soluções 6-dimensional definido para exploration e explotation pelas formigas e partículas
Obtém alta qualidade de resultado e rápida convergência
o Quando comparado a outras técnicas
MAPE de 3.513%
o Completamente aceitável e melhor que o PSO e o ACO
Resultados Preliminares dos Experimentos Não foi encontrada a base de dados da wind farm Binaloud
o Abril/2010 a março/2011
o Entrada
Velocidade do vento
Temperatura do ambiente
o Saída
Energia eólica
Resultados Preliminares dos Experimentos Foi encontrada uma base de dados do Texas (EUA)
Resultados Preliminares dos Experimentos
Resultados Preliminares dos Experimentos Base de dados do Texas (EUA)
o 2004 a 2006
o Dados de 10 em 10 minutos
o Entrada
Velocidade do vento
o Saída
Energia eólica
Resultados Preliminares dos Experimentos
Resultados Preliminares dos Experimentos Forecasting da Energia Eólica
o Modelo matemático escolhido para uma variável inclui:
S-curve
r: número da amostra
X: variável de entrada (velocidade do vento)
a,b,c,d: parâmetros a serem otimizados pelo HAP
- Criam espaço de busca 4-dimensional para o algoritmo
Resultados Preliminares dos Experimentos Problemas
o Valores de saída próximos a zero elevam o MAPE
Manter valores de saída próximos a zero
Ignorar valores de saída próximos a zero
o Dados de 10 em 10 minutos
Very short term forecasting
Média dos valores de hora em hora (short term forecasting)
o Qual os limites de variação para as variáveis que representam as dimensões do espaço de soluções?
[-1,1]
o Valor inicial de alfa no ACO
1
Resultados Preliminares dos Experimentos Foi utilizada a mesma quantidade de dados do artigo
o 7344 dados de treinamento
o 1416 dados de teste
Simulação realizada no Visual Studio 2012, na linguagem de programação C#, CORE 2 Quad, 2.66 GHz com 4.00 GB RAM
Resultados Preliminares dos Experimentos Algoritmo comparado com o ACO e com o PSO isolados,
além do ABC e do Cuckoo Search
Resultados Preliminares dos Experimentos Energia eólica estimada x observada
Resultados Preliminares dos Experimentos Energia eólica estimada x observada
o 10 dias
Resultados Preliminares dos Experimentos Convergência das técnicas
o Mostradas para 1000 iterações Todas atingem seus valores finais estáveis
HAP converge mais rapidamente
Dúvidas?
Referências http://www.sciencedirect.com/science/article/pii/S0167610513002249
https://fenix.tecnico.ulisboa.pt/downloadFile/3779575589391/Class7-EstimateEnergyDemandTurkey_ACO.pdf
http://read.pudn.com/downloads137/doc/project/586115/Ant%20colony%20optimization%20for%20finding%20the%20global%20minimum.pdf
http://www.engedu2.net/v3/CA-O34.pdf
http://www.researchgate.net/publication/236324320_Evaluation_of_wind_energy_potential_as_a_power_generation_source_for_electricity_production_in_Binalood_Iran
https://docs.google.com/a/cin.ufpe.br/file/d/0B21HoBq6u9TsN1NXc19Eb0ExWFE/edit
http://webx.ubi.pt/~catalao/PESGM10_Pousinho.pdf
http://www.icrepq.com/icrepq'10/244-Pousinho.pdf
http://www.math.uni-bremen.de/~dsn/Publications/tmp/1-s2.0-S0096300312011277-main.pdf