tcc - avaliação de topologias de redes neurais artiﬁciais para previsão do consumo de carga em...

Avaliação de topologias de RedesNeurais Artificiais para previsão

do consumo de carga em sistemade potência na faixa temporal de

curto e longo prazo

Giovani Manica Barili

[email protected]

Prof. Dr. Adelmo Luis Cechin (Orientador)

Universidade do Vale do Rio dos Sinos

Engenharia da Computação

Dezembro 2008

25 de setembro de 2012

Sumário

Introdução

Trabalhos Correlatos

Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí

Resultados por métodos

Longo Prazo

Conclusão


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


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.


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.


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão



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);



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.


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


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 ).



Pontos Geo-Elétricos (PGE):



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;


Metodologia – Dados utilizados

Carga:

Subestação de Cachoeirinha CAC1;

Ponto Geo-Elétrico de Gravataí;



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;



Temperatura:

Estação automática de Porto Alegre:

Temperatura;

◊Máxima;

◊Mínima;

◊ Instantânea;

Umidade;

◊Máxima;

◊Mínima;

◊ Instantânea;

Pressão;

◊Máxima;

◊Mínima;

◊ Instantânea;



Econômicas:

Selecionados caso sejam necessários:



Normalização:

dp

nD

DDD


Metodologia – Métodos de seleção de variáveis

Forward Selection;

Análise de Componentes Principais:

Kaiser;

Jolliffe;

Retenção dos 90%;

Auto-Correlação:

Cruzamento por Zero;

Pontos Máximos;


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


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;

Treino\Teste (1\3 e 2\3).


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


Resultados

Divisão para apresentação:

Curto Prazo:

Cachoeirinha;

Gravataí;

Longo Prazo:

Gravataí;


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


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%.



Resultado para o método:

168 horas de atraso igual a um semana da atraso;

Entradas Atrasos Erro Médio (%)

1 1 17,59

2 168 16,44

3 169 16,34

4 2 3,64


Curto Prazo para Cachoeirinha – ACP


Últimas 20 horas;

Critérios:

Kaiser: 3 primeiras componentes;

Jolliffe: 4 primeiras componentes;

Retenção dos 90%: 14 primeiras componentes;



Critério N° de Entradas

Neurônios Ocultos

Épocas Inicialização Short-CutConnections

ErroMédio(%)

Jolliffe 4 16 4000 9 Sim 7,43

90% 14 16 4000 4 Não 17,51

Kaiser 3 16 4000 9 Não 17,83


Curto Prazo para Cachoeirinha – Auto-Correlação


Entradas:

1, 30, 45 e 50;

Resultado:

16 neurônios Ocultos;

4000 épocas de

treinamento;

Semente igual a 9;

Com short-cut;




Pontos Máximos:

Variação das entradas de 1 a 60 Pontos Máximos

Rede base:



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


Curto Prazo para Cachoeirinha


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


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;


Curto Prazo para Gravataí – Forward Selecion

Forward Selection:

1 a 400 horas de atraso;

Selecionar as 10 melhores entradas;

Rede Base:




Resultados da rede Base:




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


Curto Prazo para Gravataí – ACP


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;



Segundo os critérios:

Kaiser, as 6 primeiras componentes;

Jolliffe, as 9 primeiras componentes;

retenção dos 90%, as 19 primeiras componentes.



Critério N° de Entradas

Neurônios Ocultos

Épocas Inicialização ErroMédio(%)

90% 19 32 400 8 2,82

Jolliffe 9 32 800 5 3,43

Kaiser 6 32 800 9 3,79


Curto Prazo para Gravataí – Auto-Correlação


1, 39, 43, 55 e 68;

Resultado:

32 neurônios Ocultos;

1600 épocas de

treinamento;

Semente igual a 1;




Pontos Máximos:

Variação das entradas de 1 a 60 Pontos Máximos;

Rede base:



Semente de inicialização 3;

Resultado da rede base:

2,41% de erro médio ;

Resultado da rede:

46 pontos máximos;

2,25% de erro médio.



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


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


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


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


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


Longo Prazo

Primeiros testes:

3 últimas demandas mensais;

Configuração da rede;



Épocas de treinamento: 400, 800 e 1600;

Erro médio de 41,56%;

Quantidade de padrões:

48 padrões;


Longo Prazo


Longo Prazo

Testes com janelamento:

3 últimas demandas mensais;

Configuração da rede;



Épocas de treinamento: 1600;

Erro médio de 1,3%;

Quantidade de padrões:

34342 padrões;


Longo Prazo


Sumário

Introdução


Metodologia

Resultados

Curto Prazo

Cachoeirinha

Gravataí


Longo Prazo

Conclusão


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;


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 usingneural network models. IEEE Transactions on Power Systems, v. 3, p. 1463–1439, 1997.BAKIRTZIS, A. G. et al. A neural network short term load forecastingmodel 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.


Bibliografia

BARILI, G.; CECHIN, A. Seleção de variáveis de entrada para rede neural artificial de previsão de demanda em sistemas de potência beseado em forwardselection, 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.


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.


Perguntas

tcc - avaliação de topologias de redes neurais artiﬁciais para previsão do consumo de carga em...

Technology