Rede ARTMAP Euclidiana na solução do problema de previsão de cargas elétricas

Transcrição

1 Rede ARTMAP Euclidiana na solução do problema de previsão de cargas elétricas Code: Tânia T. Gomes, Mara Lúcia M. Lopes, Carlos R. Júnior, Marleide F. Alves, Anna Diva P. Lotuffo Universidade Estadual Paulista UNESP Ilha Solteira 16/11/2017 1

2 Objetivo Os setores de energia elétrica necessitam de tomadas de decisões para planejamento e organização para oferecer energia suficiente para empresas, industrias e residências. O objetivo deste trabalho é utilizar uma rede neural artificial, para prever cargas elétricas a curto prazo. Tornando este processo essencial para prever futuras formas de decisões para uma empresa e com retorno da satisfação de seus clientes. 16/11/2017 2

3 Introdução A previsão de demanda de cargas elétricas é um processo essencial para tomadas de decisões do sistema de energia elétrica, tais como estimativa de custos, planejamento de distribuição de demanda, investimentos, etc. A literatura mostra que as previsões de cargas elétricas podem sofrer influencias por diversos fatores, como por exemplo: Mudança climática, finais de semana ou dias atípicos. Podendo ser agrupadas em: curtíssimo prazo ou curto prazo, médio prazo ou longo prazo. 16/11/2017 3

4 Introdução Smart Grid é um sistema de rede que utiliza técnicas inteligentes através da comunicação e informação. Favorecendo novas estratégias de controle e otimização nos setores de energia elétrica. Tem a capacidade de monitorar a geração, transmissão, distribuição e consumos de energia nas residências, industrias, empresas, etc. Esta nova estrutura de rede inteligente poderá se estender para outros setores de tal forma que passará a evoluir para as Smart Cities. 16/11/2017 4

5 Introdução 16/11/2017 5

6 Introdução Teoria da Ressonância Adaptativa Em 1976, Grossberg desenvolveu a rede ART, um sistema de aprendizagem não-supervisionado, a partir da teoria do processo de informação cognitiva humana. Capacidade de aprender continuamente novos padrões incluídos, sem perder a memória relacionada a padrões anteriores. A importância desta rede está baseada na resolução do dilema da plasticidade e da estabilidade. 16/11/2017 6

7 Metodologia Rede Neural Artificial ARTMAP Euclidiana é um modelo neural que utiliza a distância Euclidiana em sua função de ativação. T j = (I w j )(I w j ) T É composta por dois módulos: ARTa e ARTb, e são interligadas por um módulo denominado Inter-ART. 16/11/2017 7

8 Metodologia Algoritmo: Leitura dos conjuntos de padrões: I a = a 1 a 2 a n e I b = b 1 b 2 b n Leitura dos padrões: β, ρ a, ρ b, ρ ab e ε Construção das matrizes de pesos iniciais: w j a = 0, w k b = 0 e w jk ab = 1 16/11/2017 8

9 Metodologia Módulo ART b Euclidiana: Cálculo da função T b k : T k b = (I k b w k b )(I k b w k b ) T Escolha da categoria: T k b = min(t k b : k = 1,, M) Verificação do critério de vigilância: T k b max I k b I k b T, w k b w k b T < ρ b 16/11/2017 9

10 Metodologia Módulo ART b Euclidiana: Se atende o critério de vigilância, então atualiza o vetor peso: w k b = β I k b + (1 β)w k b Sendo y k b = y 1 b y 2 b y N b y k b = 0 se k K y k b = 1 se k = K Se não atende o critério de vigilância ocorre o reset: T k b = 0 16/11/

11 Metodologia Módulo ART a Euclidiana: Possui a mesma estrutura do Módulo ART b Euclidiana mostrado anteriormente, porém a atualização dos pesos de w a j e o vetor de atividade y a j é realizado depois módulo Inter-ART. Módulo Inter-ART Verificação do critério de vigilância: y b k y j ab > ρ ab Se não satisfaz o critério de vigilância: ρ a = T j a max I j a I j at, w j a w j at ε 16/11/

12 Metodologia Se satisfaz o critério de vigilância: w a j = β I a a j + (1 β)w j y a a a a j = y 1 y 2 y N Sendo y j a = 0 se j J y j a = 1 se j = J y jk ab = y 1 ab y 2 ab y N ab y jk ab = 0 se j J; k K y jk ab = 1 se j = J; j J 16/11/

13 Metodologia Os dados reais das cargas elétricas foram cedidos por uma Companhia Elétrica Brasileira. O período utilizado é de Junho e Julho de As cargas utilizadas para previsão a curto prazo foram realizadas em um intervalo de 1 hora, para os seguintes casos: Caso 1: 744 dados do mês de Julho. Caso 2: 1464 dados dos meses Junho e Julho. 16/11/

14 Metodologia Os vetores de entrada e saída são compostos por um sistema de janelamento de três cargas e de dados exógenos (medidos hora por hora). 16/11/

15 Metodologia O método utilizado para a verificação assertividade da previsão foi o MAPE: MAPE = 1 n e n e h=1 L h L h L h 100 O erro máximo é dado pela equação: Erro Máximo = máx L h L h L h /11/

16 Metodologia 16/11/

17 Resultado Experimental Caso padrões; MAPE = 1,78%; erro máximo = 14, 29% 16/11/

18 Resultado Experimental Caso padrões; MAPE = 2,29%; erro máximo = 19,75% 16/11/

19 Conclusão Neste trabalho utilizou uma metodologia alternativa para resolver o problema de previsão de carga global a curto prazo. Foram realizadas várias simulações através da rede neural artificial ARTMAP Euclidiana, com o uso de dados de uma Companhia Elétrica Brasileira. Comparado com outros trabalhos relacionados a diversas arquiteturas neurais e híbridas, a rede mostra sua eficiência com os resultados dos MAPEs e Erro Máximo. 16/11/

20 Conclusão No entanto se faz necessário um ajuste de parâmetros no treinamento da rede para uma melhora na curva da previsão. É importante enfatizar que não há trabalhos relacionados a previsão de cargas elétricas baseado na ARTMAP Euclidiana. Uma vantagem da metodologia é favorecer para o futuro da implantação nos sistemas smart-grids, visto que esta arquitetura é rápida, precisa e eficaz. 16/11/

21 Agradecimentos À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo apoio financeiro. 16/11/