Previsão de demanda de curto prazo no nível de consumidor utilizando redes neurais artificiais



Baixar 33.7 Kb.
Encontro26.07.2016
Tamanho33.7 Kb.



Previsão de demanda de curto prazo no nível de consumidor utilizando redes neurais artificiais
Thaís Caroline Gazola(PIBIC/Fundação Araucária/Unioeste), Edgar Manuel Carreño Franco(Orientador), e-mail: thais_caroline_gazola@hotmail.com
Universidade Estadual do Oeste do Paraná/Centro de Engenharias e Ciências Exatas/Foz do Iguaçu-PR
Grande área e área: Engenharias - Engenharia Elétrica
Palavras-chave: Previsão de Demanda, Redes Neurais Artificiais.
Resumo
Neste trabalho é feita uma análise da utilização da metodologia de redes neurais artificiais para realizar previsão de carga a curto prazo em nível de consumidor. A metodologia pretende determinar a quantidade de energia a ser consumida pelo sistema em intervalos de 15 minutos a fim de ajudar no planejamento e gerenciamento de recursos no nível do consumidor. Através dos testes foi demostrado a viabilidade desta ferramenta.
Introdução
Uma previsão é uma avaliação de eventos futuros, utilizada para fins de planejamento. A importância das previsões vem da necessidade de uma empresa conhecer quais recursos são essenciais para programar suas atividades ao longo do tempo. Uma boa previsão depende basicamente da decisão a ser tomada e do tempo futuro para o qual se deseja prever. Quanto mais no futuro é a previsão, mais erros o processo conterá, enquanto que quanto mais precisa for a previsão, maior será o custo de se fazê-la.

Existem várias metodologias diferentes para a realização das previsões, no entanto todas estas foram desenvolvidas para as características de dados de níveis agregados (subestações, cidades, países, etc.), assim, com a nova tendência de consumidores com unidades de GD (prosumidores) ligados nas redes de distribuição se faz necessário verificar se estes métodos funcionariam com as características dos níveis desagregados (transformadores, consumidores, etc.). Quando analisamos níveis desagregados o comportamento das cargas é mais variável, no entanto seu crescimento no tempo é menor.

Assim, o objetivo foi verificar se as técnicas comuns de previsão de demanda utilizando a técnica de inteligência artificial conhecida como redes neurais artificiais (RNAs) podem ser utilizadas na previsão de demanda em nível de consumidor.
Materiais e Métodos
As redes neurais artificiais são modelos computacionais não lineares, inspirados na estrutura e operação do cérebro humano, que procuram reproduzir características humanas, tais como aprendizado, associação, generalização e abstração. Elas podem ser utilizadas para resolver problemas de aproximação de funções, classificação e previsão de séries temporais (Braga, 2010).

O trabalho apresenta uma aplicação do método de redes neurais artificiais utilizando dados reais obtidos através de um medidor eletrônico de energia instalado no Parque Tecnológico Itaipu (PTI), no qual armazena dados de quatro consumidores comerciais.

A coleta de dados do medidor eletrônico foi realizada direto do servidor, onde foram coletados dados desde abril de 2012 até maio de 2014, que representam aproximadamente 70 mil dados (Muller & Carreño, 2014).

Os dados foram pré-processados para retirar valores anômalos e normalizados na faixa [0.15-0.85] (Cabrera, 2014).

Depois deste tratamento, começa a fase de treinamento da RNA utilizando a Neural Network Toolbox do software MATLAB.

Para a avaliação do desempenho das previsões realizadas, o índice de Erro Percentual Absoluto Médio (MAPE) foi empregado. Este índice é utilizado em diversos trabalhos e considerado por concessionárias de energia elétrica como uma forma padronizada para avaliar o desempenho de predições de carga. O MAPE é calculado de acordo com a equação (1).


 (1)
onde  é o valor real,  é o valor de previsão e  é o tamanho da série temporal. O MAPE retorna um valor que quanto menor, indica maior precisão na previsão.

Os testes foram realizados utilizando como dados de entrada:

1-) Dias da semana prévios;

2-) Dias da semana prévios + temperatura média esperada do dia a prever;

3-) Dias da semana prévios + temperatura média esperada do dia a prever + classificação do dia.
Resultados e Discussão
Com mais de 100 testes realizados, estão apresentados na tabela 1 alguns dos resultados mais significativos.

Nela, a coluna denominada “Camadas” exibe o número de camadas da rede neural, sendo necessariamente a última a de saída, e entre colchetes o número de neurônios para cada camada restante. Assim, para a primeira entrada, 2 [10], indica que existem duas camadas, uma de saída e outra que contêm 10 neurônios. Os valores obtidos de MAPE estão divididos conforme os parâmetros de entrada indicado entre colchetes. De forma ilustrativa, o MAPE [Dias+temp+clas.dia] representa que a rede tinha como parâmetros de entrada: dias de semanas prévios, a temperatura e o dia da semana escolhido.


Tabela 1 - MAPE


Camadas [Número de neurônios]

Dia Previsto

[Média]

MAPE

[Dias]

MAPE

[Dias + temp]

MAPE

[Dias + temp + clas.dia]

2 [10]

Quinta-feira

23,3%

24,9%

25,1%

3 [20 35]

Quinta-feira

24,7%

23,2%

25,8%

4 [10 20 30]

Quinta-feira

21,4%

19%

28,8%

2 [10]

Segunda-feira

24,2%

33,1%

31,7%

3 [20 50]

Segunda-feira

29,7%

30,2%

32%

4 [20 40 60]

Segunda-feira

27,9%

30,9%

25,2%

2 [30]

Feriado

17,3%

18,5%

18,2%

3 [10 25]

Feriado

14,7%

18,7%

17,3%

4 [15 30 45]

Feriado

14,6%

18,6%

18,6%

Segue abaixo o gráfico de previsão de quinta-feira 03/janeiro/2015, a rede possuía com entrada dias prévios, quatro camadas, primeira com 10 neurônios, segunda com 20, terceira com 30, quarta camada representa a camada de saída da rede neural e apresenta uma previsão com MAPE de 17,5%.



Figura 1 – Curva de carga da Previsão vs. Real


Conclusões
Na primeira abordagem, utilizando unicamente como dado de entrada os dias prévios, os valores do MAPE foram satisfatórios. Foi verificado que um número elevado de camadas e neurônios não apresentou melhorias significativas no MAPE. Considerando o efeito da temperatura nesta análise, os erros MAPE aumentaram, o que significa que não existe uma forte relação entre a temperatura e o consumo, para este conjunto de dados específico. Ao incrementar o parâmetro dia da semana, os MAPE permaneceram na mesma faixa dos testes utilizando só temperatura.

Assim, a rede neural que possuiu somente como entrada dias de semana prévios se mostrou um bom algoritmo para a previsão de demanda, mas isso não significa que a mesma não seja um bom algoritmo caso os dados de entrada fossem outros.



O método mostra-se um algoritmo favorável para a realização de previsão de consumo em nível de consumidor.
Agradecimentos
A Fundação Araucária através do fomento de bolsas e material para pesquisa.
Referências
Braga, M.D.B. (2010). Metodologia de Inteligência Computacional Aplicadas ao Problema de Previsão de Carga a Curto Prazo. Tese de Mestrado, Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal do Pará.
Cabrera, B.P. (2014). Previsão do consumo de energia elétrica no curto prazo em níveis desagregados aplicando redes neurais artificiais. Trabalho de Conclusão de Curso (Graduação) – Curso de Engenharia Elétrica, Universidade Estadual do Oeste do Paraná – UNIOESTE.
Muller, M.R; Carreño, E.M. (2014). Clusterização de Curvas de Carga para o Método de Dias Similares. In Anais do SBSE 2014, Foz do Iguaçu, Paraná, Brasil.




©principo.org 2016
enviar mensagem

    Página principal