Previsão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL. Franklin Martins Pereira Pamplona UFCG/CEEI/DEE

Transcrição

1 2 a 25 de Agosto de 26 Belo Horizonte - MG Previsão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL Nubia Silva Dantas Brito UFCG/CEEI/DEE nubia@ee.ufcg.edu.br Antonio Carlos Moreira de Melo Filho UFCG/CEEI/DEE antoniocarlosmmf@hotmail.com Benemar Alencar de Souza UFCG/CEEI/DEE benemar@ee.ufcg.edu.br Ricardo Barros de Vasconcelos Lima UFCG/CEEI/DEE ricardobvl@yahoo.com.br Franklin Martins Pereira Pamplona UFCG/CEEI/DEE franklin@ee.ufcg.edu.br RESUMO Este trabalho apresenta os resultados de um estudo de Previsão de Carga realizado pelo Grupo de Sistemas Elétricos (GSE) da Universidade Federal de Campina Grande (UFCG), utilizando dados fornecidos pela Companhia Energética de Alagoas (CEAL). Em particular, fez-se um estudo de Previsão de Carga de Curtíssimo Prazo via Redes Neurais Artificiais. Além da obtenção de resultados satisfatórios, uma contribuição importante do trabalho foi o desenvolvimento de uma metodologia e de um software de tratamento e adequação dos dados. PALAVRAS-CHAVE Previsão de Carga, Rede Neural Artificial, Base de Dados.. INTRODUÇÃO Um dos fatores determinantes de um sistema de distribuição são as cargas que ele deve atender. Normalmente, as características das cargas se definem conforme os hábitos, as conveniências, enfim, devido aos desejos do consumidor, sem interferência direta da concessionária. Tendo em vista que a carga é uma variável tão importante e não determinística é indispensável que se possa ter uma estimativa segura de suas características. Esta estimativa deve ser realizada de tal forma que a demanda de energia possa ser atendida, mantendo-se a qualidade do serviço prestado e evitando-se eventuais sobrecargas do sistema (Souza, 997). Conhecer a demanda de energia elétrica previamente faz com que medidas preventivas sejam tomadas, visando garantia da qualidade. O nome dado ao estudo do comportamento futuro do consumo de energia é Previsão de Carga. O planejamento e projeto do sistema de distribuição são feitos com base numa Previsão de Carga a longo e médio prazo. Se a previsão é feita de forma muito conservativa, a capacidade instalada provavelmente se esgotará em pouco tempo, acarretando problemas de /

2 continuidade de serviço, regulação de tensão e até mesmo de racionamento de energia. Por outro lado, uma Previsão de Carga bastante otimista pode conduzir a instalação de um sistema com capacidade excessiva. Existem quatro classificações de Previsão de Carga, de acordo com o tempo futuro que se deseja observar: - Curtíssimo prazo: previsões de poucos minutos até uma hora à frente. Usadas para a operação do sistema, despacho econômico e avaliação da segurança. - Curto prazo: período de até uma semana à frente. Utilizadas na programação da manutenção e auxílio à operação do sistema. - Médio prazo: período de semanas a meses à frente. Utilizado para intercâmbio de energia elétrica entre as concessionárias e no planejamento da produção. - Longo prazo: período de anos à frente. É importante para o planejamento estratégico e para prever possíveis construções de estruturas geradoras de energia. Como todo estudo de previsão, a Previsão de Carga é sujeita a erros e a minimização desse erro é importante para evitar gastos desnecessários ou má qualidade do fornecimento de energia elétrica. Um alto grau de precisão possibilita a otimização da produção, redução dos custos de produção e melhor programação de intercâmbio de energia entre concessionárias (OLIVEIRA, 999). As técnicas aplicadas para solução desse problema se dividem em dois tipos: técnicas tradicionais (regressão, séries temporais, etc.) e técnicas de inteligência artificial (IA). No contexto da IA, destacase o uso das Redes Neurais Artificiais (RNA). Análise do estado da arte mostra que o uso das RNA em Previsão de Carga vem obtendo resultados satisfatórios (AL-ALAWI, S.M. & ISLAM, S.M., 997; ISLAM, S. M. & AL-ALAWI, S. M., 997), os quais são conseqüências de uma particularidade importante: as RNA combinam as características inerentes às técnicas de séries temporais e de regressão, mas com a vantagem não ser necessário o conhecimento das relações funcionais entre as variáveis climáticas e as de carregamento elétrico (HIGHLEY, 993). Isso se deve ao fato da RNA ser capaz de sintetizar o mapeamento entre as variáveis de entrada e de saída, a partir da extração do conhecimento de um conjunto de treinamento apresentado durante a fase de aprendizagem da RNA (HAYKIN, 2). A arquitetura de RNA mais utilizada para problemas de Previsão de Carga é a de múltiplas camadas, ou redes MLP (do inglês multilayer perceptron) e conforme Ribeiro Neto et al (999), é interessante que se crie uma RNA especializada para prever a carga de cada dia da semana. Essa estratégia melhora os resultados, visto que cada RNA fica encarregada de aprender apenas o comportamento da curva de carga de um dia. O estudo realizado neste trabalho seguiu essa tendência. Detalhes da arquitetura da RNA, do problema analisado e da metodologia desenvolvida são apresentados a seguir. Todas as implementações foram feitas em linguagem de programação C++, fazendo-se uso do paradigma de orientação a objetos (MICROSOFT VISUAL STUDIO.NET, 23). 2. O PROBLEMA DE PREVISÃO DE CARGA Selecionou-se um problema simples, visto que o principal objetivo do trabalho foi o desenvolvimento de uma metodologia para estudos de Previsão de Carga via RNA. O caso-teste consistiu em realizar um estudo de Previsão de Carga de Curtíssimo Prazo do alimentador que supre o shopping Iguatemi de Maceió. Para isso utilizaram-se valores de carga registrados em intervalos de minutos ao longo do dia, nos períodos de junho a setembro de 24. Na Figura, mostra-se o comportamento médio da curva de carga diária do alimentador. A curva apresentada mostra que a carga é bem definida e se adequa bem aos fins do estudo. Observando a Figura, nota-se que os equipamentos elétricos do shopping, em sua maioria, começam a serem ligados por volta das 8h. A partir das h o consumo se intensifica e se mantém 2/

3 relativamente constante entre as 4h e as 2h. A partir das 2h, o consumo declina. Às 22h, o shopping fecha e a maioria dos equipamentos é desligada. Demanda (MVA) 5, 4,5 4, 3,5 3, 2,5 2,,5,,5, : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: Duração (h) Figura - Curva média diária da carga. 3. METODOLOGIA PROPOSTA PARA ESTUDOS DE PREVISÃO DE CARGA A metodologia proposta consiste na execução das seguintes etapas:. Definição do formato dos padrões de entrada da RNA; 2. Adequação dos dados; 3. Identificação de defeitos nos dados; 4. Substituição dos dados errados por dados estimados; 5. Conversão do horário para binário; 6. Criação dos padrões de entrada para o treinamento da RNA; 7. Normalização dos dados; 8. Criação das bases de dados de cada dia da semana; 9. Criação dos conjuntos de treinamento, validação e teste da RNA;. Aplicação dos conjuntos e seleção da arquitetura da RNA.. Previsão da Carga. As etapas 3 a 9 constituem-se num processo automático, as demais etapas são manuais. O detalhamento de cada uma das etapas á apresentado a seguir. 3. Definição do formato dos padrões de entrada da RNA Tomando como referência o artigo de Ribeiro Neto et al (999), o formato dos padrões de entrada da RNA segue o esquema mostrado na Figura 2. A informação que será aplicada a RNA é composta pela indicação do horário para o qual se deseja realizar a previsão, pelos seis últimos valores medidos de carga e pela carga da última semana, no mesmo horário e dia da semana cuja previsão será realizada. A partir dessas informações, que formam um padrão de entrada, a RNA é capaz de fornecer uma resposta, ou seja, a previsão da carga para o horário desejado. No caso estudado, considera-se que todas as medições são realizadas em intervalos de minutos e que a previsão é feita para os próximos minutos. 3.2 Adequação dos dados Os dados fornecidos, no formato Excel, correspondem a quatro meses de medições de potência aparente. Um trecho dos dados pode ser visto na Figura 3. A primeira coluna refere-se ao dia, a segunda coluna ao mês, a terceira coluna ao ano, a quarta coluna a hora, a quinta coluna aos minutos e 3/

4 a sexta coluna, ao valor de potência aparente no respectivo horário.nessa etapa os dados são convertidos do formato Excel para o formato.txt, que é o formato adotado na metodologia proposta. Indicação binária do horário Últimos seis dados de carga Carga no horário a ser previsto na semana anterior Figura 2 - Formato do padrão de entrada da RNA. Saída desejada Figura 3 - Dados no formato fornecido pela CEAL. 3.3 Identificação de defeitos nos dados Como é comum ocorrer em problemas de Previsão de Carga, os dados fornecidos pela companhia podem conter erros, os quais precisam ser identificados e tratados. Tais erros são provenientes, em sua maioria, de falhas no equipamento de medição, falhas nos registros dos dados, desligamentos do alimentador (intencional ou não) e registros de condições extemporâneas (causadas por interferências eletromagnéticas, por exemplo). Para isso, se construiu uma rotina que identifica os seguintes erros: - Ausência de medição: refere-se às seções do arquivo que apresentam descontinuidade. Por exemplo: há uma medição às 23h5 e a próxima, que deveria ser às h, foi feita às h2. - Repetição de medição: refere-se às seções do arquivo com duas ou mais medições para o mesmo horário de um mesmo dia. - Medições nulas: em tais casos, o equipamento mede um valor (zero) das grandezas elétricas. - Medições errôneas: refere-se aos valores de medições fora da faixa média ± desvio padrão. 3.4 Substituição dos dados errados por dados estimados Feita a identificação dos dados errados, segue-se para a etapa de substituição por dados estimados via interpolação quadrática. Um exemplo desse processo é mostrado nas Figuras 4, 5, 6 e 7. Selecionou-se o pior caso do conjunto de dados fornecidos pela CEAL, que foi o dia 9/9/24 (um domingo). A curva de carga esperada deveria ser semelhante à curva média dos domingos (Figura 4). Entretanto, a curva fornecida tem a forma mostrada na Figura 5. Após execução da técnica de interpolação, obtevese a curva de carga da Figura 6. A eficiência do método implementado pode ser mais bem visualizada na Figura 7, na qual se faz sobreposição de todas as curvas. O estudo desse problema bastante simples permitiu que se identificassem problemas no sistema de aquisição de dados da empresa, principalmente no que diz respeitos às medições repetidas e ausentes. Tais problemas não tinham sido ainda identificados devido ao grande volume de informação fornecido pelo sistema de aquisição de dados. 4/

5 3.5 Conversão do horário para binário O próximo passo é a conversão da indicação do horário para binário, tanto para as horas quanto para os minutos. A conversão para binário necessita de 3 bits para os minutos e 5 bits para as horas. 3.6 Criação dos padrões de entrada para o treinamento da RNA Em seguida, formam-se os padrões de entrada para o treinamento (Figura 8). Observa-se que o padrão de entrada (em destaque) contém: o horário em binário no qual a carga deve ser prevista; as últimas seis medições de carga; o valor medido na semana anterior, no mesmo horário em que se quer realizar a previsão; e o valor real da carga que se quer prever. O treinamento da RNA consiste basicamente na minimização do erro entre a resposta fornecida pela RNA e o último valor do padrão de entrada, que corresponde à resposta desejada. 3.7 Normalização dos dados Construído o padrão de entrada, segue-se para a etapa de normalização dos dados. O procedimento consiste em normalizar os valores de potência pelo máximo valor dessa grandeza encontrado no arquivo, com o intuito de mantê-los no intervalo [, ]. 3.8 Criação das bases de dados de cada dia da semana Como uma semana possui sete dias, é necessária a construção de sete conjuntos (denominados de Bases de Dados), cada um contendo exemplos do dia da semana correspondente. É a partir dos exemplos contidos na base de dados que a RNA, durante o seu treinamento, aprende a realizar a previsão de carga. 3.9 Criação dos conjuntos de treinamento, validação e teste da RNA Para que se possa realizar o treinamento de uma RNA, a base de dados é normalmente dividida em três subconjuntos, denominados de conjuntos de treinamento, validação e teste (HAYKIN, 2). Cada uma das sete redes neurais, específicas para cada dia da semana, será treinada a partir da sua respectiva base de dados. A partir dos dados fornecidos pela CEAL, montaram-se sete bases de dados, cujas configurações são mostradas na Tabela. A última semana dos dados fornecidos pela CEAL foi reservada para a criação dos sete conjuntos de testes, cada um contendo o seu respectivo dia da semana. Esse conjunto só é utilizado na fase final do treinamento, com o intuito de avaliar a qualidade do mesmo. Tabela Conjuntos de treinamento, validação e teste das RNA. Conjuntos Segunda Terça Quarta Quinta Sexta Sábado Domingo Treinamento Validação Teste Total de dias /

6 Carga (kva) Carga (kva) : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 4 - Curva média dos domingos. : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 5 - Curva de carga do domingo 9/9/ Carga (kva) Carga (kva) : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 6 - Curva de carga recuperada. 5 : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 7 Curvas sobrepostas. 6/

7 ... Figura 8 - Criação de um padrão de entrada para o treinamento da RNA. 3. Aplicação dos conjuntos e seleção da arquitetura da RNA Finalmente, realiza-se o treinamento das RNA através da aplicação dos conjuntos de treinamento, validação e teste. Dessa forma, criou-se uma RNA especializada para cada dia da semana, com as seguintes características comuns (Figura 9): - Rede MLP com uma camada oculta. - 5 neurônios na camada de entrada. - neurônio na camada de saída. - 2 neurônios na camada oculta. - Função de ativação logarítmica sigmóide na camada oculta. - Função de ativação linear na camada de saída. - Algoritmo de treinamento RPROP (RIEDMILLER & BRAUN, 993). Conforme mencionado, utilizou-se a última semana dos registros fornecidos pela CEAL para que fosse realizada a etapa de teste. O desempenho de cada RNA foi avaliado através do erro médio absoluto computado para todas as previsões realizadas em um dia. O desempenho de cada RNA é apresentado nas Figuras a 6. Observou-se a escolha acertada do uso de uma RNA dedicada para cada dia da semana, visto que elas foram capazes de acompanhar o ritmo da carga. De um modo geral, as RNA especializadas obtiveram erros médios entre 2,62% e 3,9%. Constatou-se também que erros de maior valor ocorrem nos instantes de abertura e fechamento do shopping,portanto, nas regiões de subidas e descidas íngremes das curvas. Como esperado, todas as curvas de carga apresentam formas semelhantes, com exceção do domingo, devido à abertura do shopping nesse dia ser mais tarde. 7/

8 Últimos 6 valores da carga (6 neurônios) Valor da carga na mesma hora da semana passada ( neurônio) Valor Previsto Minutos da previsão (3 neurônios, codificação binária) Hora da previsão (5 neurônios, codificação binária) Figura 9 - Arquitetura das redes neurais. Segunda Terca,8,6,4,2 : 4: 8: 2: 6: 2: :,8,6,4,2 : 4: 8: 2: 6: 2: : Figura - Segunda feira: erro médio: 3,7%. Figura - Terça feira: erro médio: 3,62%. 8/

9 Quarta Quinta,8,6,4,2,8,6,4,2 : 4: 8: 2: 6: 2: : Figura 2 - Quarta feira: erro médio: 2,62%. : 4: 8: 2: 6: 2: : Figura 3 - Quinta feira: erro médio: 3,7%. Sexta Sábado, 8, 6, 4, 2,8,6,4,2 : 4: 8: 2: 6: 2: : : 4: 8: 2: 6: 2: : Figura 4 - Sexta feira: erro médio 3,43%. Figura 5 - Sábado: erro médio: 3,37%. Domingo,8,6,4,2 : 4: 8: 2: 6: 2: : Figura 6 - Domingo: erro médio: 3,9%. 9/

10 4. CONCLUSÕES Apesar da simplicidade do problema avaliado, o estudo desenvolvido resultou nas seguintes contribuições: - Desenvolvimento de uma metodologia para estudos de Previsão de Carga. - Desenvolvimento de um software de tratamento de dados. - Identificação de problemas nos registros de dados da empresa. Ao final pôde-se concluir que as RNA constituem uma ferramenta poderosa para problemas de Previsão de Carga, dados os bons resultados obtidos. Constata-se, entretanto, que os resultados podem ser melhorados utilizando modelos matemáticos mais sofisticados para o tratamento dos dados e avaliando outros algoritmos de treinamento e outras arquiteturas. 5. AGRADECIMENTOS Os autores agradecem ao CNPq pelo apoio financeiro e a CEAL pela cessão dos dados. 6. REFERÊNCIAS BIBLIOGRÁFICAS SOUZA, B. A. S. Distribuição de energia elétrica Apostila, Universidade Federal da Paraíba, OLIVEIRA, C. M. Um modelo de rede neural artificial para previsão automática da carga ativa nodal de curto prazo em sistemas de transmissão e distribuição de energia elétrica com supervisão e controle automatizados. Dissertação de Mestrado, Universidade Federal de Santa Catarina, AL-ALAWI, S. M. & ISLAM, S. M. Principles of electricity demand forecasting. I. Methodologies. In: IEEE Power Engineering Journal, ISLAM, S. M. & AL-ALAWI, S. M. Principles of electricity demand forecasting. II. Applications. In: IEEE Power Engineering Journal, HIGHLEY, D. D. Load forecasting by ANN. In: IEEE Computer Applications in Power, HAYKIN, S. Redes neurais, princípios e prática. Porto Alegre, Bookman, 2. 7 RIBEIRO NETO, L. S.; FIGUEIREDO, K. T.; VELLASCO, M. M. B. R. & PACHECO, M. A. Modeling neural networks to very short-term forecasting. Proc. of the Nineteenth Annual International Symposium on Forecasting, Washington DC, Microsoft Visual Studio.net Professional, Version RIEDMILLER, M. & BRAUN, H. A direct adaptive method for faster backpropagation learning: the RPROP algorithm. Proc. of the IEEE International Conference on Neural Networks, San Francisco, 993. /