Previsão de Carga Multinodal a Curto Prazo Usando Uma Rede Neural ART-ARTMAP-FUZZY

Transcrição

1 Previsão de Carga Multinodal a Curto Prazo Usando Uma Rede Neural RT-RTMP-FUZZY Juliana Fonseca ntunes 1, Carlos R. Minussi 2 1 Departamento de Informática Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso (IFMT) Cuiabá, MT rasil 2 Departamento de Engenharia Elétrica Universidade Estadual Paulista (UNESP) Ilha Solteira, SP rasil juliana.antunes@cba.ifmt.edu.br, minussi@dee.feis.unesp.br bstract. In this paper we propose a method for short-term multinodal load forecasting of electrical power systems. The load forecasting constitutes an important tool for planning and operation. We address two models of load forecasting using a fuzzy RT-RTMP neural network where, in the first model, the modules are independent in global and local forecasting, while the second module is used to obtain the global forecasting for local forecasting, through the participation factor of the global load. Comparisons between the two models are realized considering a database available from New Zealand Electricity Commission. Resumo. Neste artigo propõe-se um método para previsão elétrica multinodal, de curto prazo, de sistemas elétricos de potência. previsão de carga constitui-se numa importante ferramenta para o planejamento e para a operação. São abordados dois modelos de previsão, utilizando redes neurais RT- RTMP-Fuzzy, onde no primeiro modelo, os módulos são independentes na previsão global e na local, enquanto no segundo módulo é utilizada a previsão global para obter a previsão local através do uso do conceito fator de participação da carga global. Foram realizadas comparações entre os dois modelos considerando-se uma base de dados disponibilizada pela Electricity Comission da Nova Zelândia. 1. Introdução previsão de carga é uma exigência básica nos processos de operação e planejamento no Sistema Elétrico de Potência (SEP), tornando-se um instrumento fundamental na moderna operação do sistema elétrico de potência. Essa crescente importância está relacionada ao mercado de energia exigir melhores valores de eficiência energética e também pelo estabelecimento de novas normas de preservação do meio ambiente que introduziu difíceis restrições para o gerenciamento e controle do sistema de energia. O estudo de previsão de carga proporciona um conjunto de informações vitais para que os sistemas de energia elétrica possam ser planejados e controlados de forma segura e confiável, fornecendo energia elétrica de boa qualidade. previsão de cargas elétricas [O Donovan 1983] pode ser feitas a curto, médio e longo prazo. Curto prazo prevê de meia em meia hora ou hora inteira, ou ainda picos

2 de carga diários, podendo variar de um dia a até uma semana; médio prazo prevê de algumas semanas até um ano; e longo prazo prevê demanda de um período que pode variar de alguns anos a algumas décadas. Previsão de cargas a curto prazo (Short-Term Load Forecasting, STLF) pode ser definida como previsão de cargas elétricas de um a sete dias de antecedência [Topalli et al. 2006]. Essa previsão refere-se à previsão por hora da demanda de eletricidade para um tempo de espera que vai de uma hora a vários dias de antecedência. Por conseguinte, a previsão de carga, em sistemas elétricos de potência, constitui-se numa atividade de grande relevância, tendo em vista que a maioria dos estudos realizados (fluxo de potência, despacho econômico, planejamento da expansão, análise de estabilidade, etc.) somente poderá ser realizada se houver a disponibilidade de uma estimativa da carga a ser atendida. Estes estudos visam proporcionar, aos engenheiros, um conjunto de informações vitais para que os sistemas elétricos possam ser planejados e operados de forma segura, confiável e econômica. estimativa da carga, seja de curto, médio ou de longo prazo, é determinada, via métodos previsores, a partir de dados históricos do consumo de energia, dados climáticos [Chaabene 2008], entre outros fatores importantes. Esta previsão deve ser a mais precisa possível. maioria das previsões de carga é realizada por métodos RI- M de ox & Jenkings [ox and Jenkins 1976] [O Donovan 1983], que exigem que seja feita uma modelagem prévia da carga para aplicação posterior, ou seja, estabelecer as relações de causa e efeito. ons resultados têm sido obtidos apesar de, às vezes, serem requeridos grandes esforços computacionais, além de técnicas de modelagem complexas. Novas abordagens, baseadas na inteligência artificial [ender 1996], têm sido abordadas na literatura especializada como metodologias alternativas, principalmente, por produzir resultados em que a modelagem da carga é estabelecida por processo de treinamento, onde a extração do conhecimento é realizada a partir de bases de dados. Neste grupo de técnicas inteligentes, podem-se destacar as RN (Redes Neurais rtificiais) [Haykin 2008]. Ressalta-se que, na literatura, há uma grande quantidade de propostas usando redes neurais para previsão de carga [Cancelo et al. 2008; Hong 2009; entre outras] previsão de carga, via de regra, é realizada de forma global [O Donovan 1983], ou seja, não discriminando a distribuição entre os consumidores e o tipo da carga instalada e a ser instalada. Esta forma de abordagem pode ser útil em algumas aplicações. Contudo, o mesmo não se observa com relação à operação, tendo em vista a necessidade de um melhor detalhamento e distribuição da carga [Wu et al. 2003]. grande dificuldade de prever a distribuição da carga como ela efetivamente acontece, certamente, passa pela necessidade de dispor de dados em grande quantidade, elaboração de modelos complexos e de técnicas que possam processar tais dados e produzir resultados precisos, confiáveis e rápidos. ssim sendo, neste artigo pretende-se desenvolver uma metodologia inteligente de previsão de carga baseada nas redes neurais para aplicações em que se faz necessária a obtenção de resultados multinodais, que consiste na previsão de cargas em vários pontos de um sistema de energia elétrica, denominadas cargas locais. lguns resultados satisfatórios foram obtidos, neste sentido, na pesquisa [Lopes 2005] e [Lopes et al. 2005] usando uma arquitetura neural RT descendente [Carpenter et al. 1991a]

3 [Carpenter et al. 1991b] para o caso da previsão global. Evidentemente, várias propostas têm sido apresentadas na literatura para previsão de carga multinodal em ambiente de sistemas de distribuição usando redes neurais [ltran 2010] e [Nose-Filho et al. 2011]. s redes neurais RT preservam duas características fundamentais para o processamento da rede: a estabilidade (capacidade de aprender através do ajuste dos pesos) e a plasticidade (capacidade de continuar a aprender com a inclusão de novos padrões, sem perder a memória anteriormente adquirida). Estes dois atributos proporcionam à rede neural a aprendizagem estável e convergência rápida. Este artigo tem por objetivo apresentar um sistema inteligente para previsão de carga multinodal, um sistema neural baseado na Teoria da Ressonância daptativa (daptive Resonance Theory) [Carpenter et al. 1991a] [Carpenter et al. 1991b]; permitindo aplicar esquemas que possam contemplar o uso de base de dados, composto de dados históricos das cargas e dados exógenos, para o problema da previsão multinodal, propondo uma rede neural RT-RMP-Fuzzy. Esta arquitetura, originalmente, tem sido aplicada na previsão de carga global (Lopes, 2005). Com estas providências esperase disponibilizar um sistema previsor eficiente, em termos de precisão, confiabilidade e rapidez na obtenção de soluções e, por conseguinte, habilitar-se às aplicações da previsão multinodal. Foram modelados dois sistemas para avaliar os resultados de previsão de carga da rede neural RT-RTMP-Fuzzy, o sistema PCG-PCL (modelo com previsor global e previsores locais) e o sistema PCG-FPCG-PCL (modelo com previsor global, previsor de Fator de Participação de Carga Global e os previsores locais), visando testar a rede neural proposta e apresentar análise comparativa entre os dois sistemas modelados. 3. Teoria da Ressonância daptativa Teoria da Ressonância daptativa (RT) surgiu do resultado da tentativa de compreender como sistemas biológicos são capazes de continuar apreender, sem comprometer a estabilidade de padrões previamente aprendidos [Carpenter and Grossberg 1992]. Simulando o processo de aprendizagem do cérebro humano, explicando a maneira como nosso cérebro processa e categoriza informações recebidas na medida em que são apresentadas novas informações. importância desta rede está baseada na resolução do dilema da plasticidade e da estabilidade (características fundamentais da família das redes RT), característica feita através do teste de vigilância, que origina uma rede mais rápida e precisa. estabilidade é a garantia de agrupar todos os elementos nas classes criadas pelo sistema, tendo em vista que os pesos da rede possuem características de alguns decréscimos, fazendo que o ajuste de pesos seja realizado e os novos valores vão diminuindo até estabilizar [Lopes 2005]. s redes RT são redes neurais desenvolvidas para codificar reconhecimento estável, em tempo real, através da auto-organização, em resposta as sequências arbitrárias de padrões de entrada [Carpenter and Grossberg 1992]. presentam como principal característica a estabilidade no armazenamento do conhecimento adquirido pela rede, garantido, através do processo de adaptação dos pesos que tendem ao valor mínimo entre a entrada da rede e o peso a ser atualizado, agrupando

4 todos os elementos nas classes geradas pelo sistema; novos valores tendem a diminuir até estabilizarem. Essa rede é importante, pois resolve o dilema da estabilidade e da plasticidade, que é a capacidade de aprender novas informações sem que as informações passadas sejam perdidas, através da ativação de novas categorias, e isto tem de ser feito de forma a não afetar na estabilidade do sistema. s topologias baseadas na arquitetura RT podem ser divididas em grupos principais que são classificadas em função do tipo de suas entradas e seus processos de treinamento, dentre elas podem se destacar: - Rede neural RT-Fuzzy: baseada no treinamento não-supervisionado e que engloba em sua arquitetura cálculos baseados na lógica nebulosa [Carpenter et al. 1991b]. - Rede neural RTMP: possui treinamento supervisionado. É composta por dois módulos RT interconectados, através do campo inter-rt. Esta rede também pode identificar padrões de entradas binários ou analógicos [Carpenter et al. 1991a]. - Rede neural RTMP-Fuzzy: possui treinamento supervisionado como a rede neural RTMP. Porém, todos os cálculos são fundamentados na lógica fuzzy [Carpenter and Grossberg 1992]. 3.1 Rede Neural RT Fuzzy O processo de treinamento das redes da família RT é um processo de treinamento em tempo real para ambientes não-estacionários, onde os pesos são ajustados a cada apresentação de padrões de entrada, atualizando os pesos dinamicamente sem precisar treinar padrões aprendidos anteriormente. s redes da família RT não correm o risco de desestabilizar a saída para padrões de entrada já aprendidos [Carpenter and Grossberg 1987]. RT é um sistema que auto-organiza padrões de entrada em categorias de reconhecimento, comparando o padrão de entrada atual com uma representação de categoria selecionada. arquitetura da rede neural RT pode ser descrita por dois subsistemas principais: o subsistema de atenção e o subsistema de orientação [Carpenter and Grossberg 1987], mostrados na Figura 1. Subsistema de tenção Subsistema de Orientação F 2 Seleção STM LTM LTM F 1 Comparação STM Nó de Rejeição (Reset) F 0 Codificação ρa Teste de vigilância Figura 1. rquitetura da rede neural RT.

5 O subsistema de atenção é composto por duas camadas de neurônios, denominadas F 1 (responsável pela comparação) e F 2 (reconhecimento de padrões) e a camada de nós que representa o vetor de entrada atual (F 0 ). Os neurônios (F 1 e F 2 ) são interconectados por pesos (conexões diretas, F 1 a F 2, e recorrentes, F 2 a F 1 ), denominadas memórias de longo prazo (LTM Long Term Memory); os padrões de atividades produzidos por esses neurônios são denominados memória de curto prazo (Short-Term Memory STM). aprendizagem ocorre durante a ressonância [Carpenter and Grossberg 1992]. O subsistema de orientação é utilizado para estabilizar a aprendizagem do sistema, permitindo que a rede aprenda novas entradas sem esquecer seu conhecimento prévio. Esse subsistema é responsável por dizer se houve ou não ressonância, através de um parâmetro de vigilância, denominado ( possui valor decimal compreendido entre 0 e 1), que determina se um padrão de entrada pode ser incluído em uma das categorias existentes. rede RT armazena informações em forma de categorias e o número de neurônios na camada F 1 e F 2 são iguais ao número máximo de categorias que o sistema é capaz de armazenar, onde que para cada categoria existe um vetor peso associado a ela. Uma categoria é ativa quando o vetor peso associado a ela armazena informações de padrões já apresentados à rede e inativa se possui uma categoria atribuído a um vetor peso inalterado, as categorias inativas correspondem à memória em branco da rede. diferença entre os dois subsistemas é que um indica a categoria vencedora (subsistema de atenção), já o outro subsistema possui a tarefa de aceitar a categoria proposta (subsistema de orientação) ou reorientar a busca para a escolha de uma nova categoria. O processo de classificação de rede RT consiste em quatro fases principais [Grossberg 1987]: Reconhecimento: Esta etapa é responsável pelo reconhecimento dos estímulos produzidos no campo F 2. para isto é calculado os elementos do vetor utilizando a função escolha que seleciona categoria que obtiver o maior valor. Comparação: Responsável por testar a similaridade entre o vetor de entrada e o vetor de comparação, através do parâmetro de vigilância, que permite ou não a inclusão do padrão de entrada na categoria. Se não for aceito pelo parâmetro outro neurônio deve ser encontrado para armazenar o vetor. usca: Procura um novo neurônio do campo F 2 para representar o vetor de entrada atual. O neurônio rejeitado é desativado desta seleção. O vetor de entrada é reapresentado, entrando na fase de comparação que termina apenas quando encontrar um neurônio de saída que melhor se assemelhe ao vetor de entrada corrente, se isso não for possível, esse vetor de entrada é considerado sem categoria. Treinamento: Existem dois aprendizados na rede RT, o aprendizado rápido, os pesos feedforward são ajustados para seus valores ótimos em poucos ciclos (geralmente apenas um ciclo de treinamento), e o aprendizado lento, onde os pesos são ajustados lentamente em vários ciclos de treinamento, possibilitando um ajuste melhor dos pesos da rede aos padrões de treinamento. 3.2 Rede Neural RTMP-Fuzzy Esse modelo de rede utiliza o aprendizado supervisionado de dados binários e/ou analógicos através da pré-classificação dos dados de entrada e saída em categorias. Logo, tanto a entrada quanto a saída já são previamente conhecidas [Carpenter and Grossberg 1992].

6 Essa rede é formada por dois módulos RT, sendo um responsável pelo processamento do vetor de entrada, denominado RT a, e outro para o processamento do vetor de saída desejada, denominado RT b, classificando os dados de entrada e saída. Possui o módulo de memória associativa denominado inter-rt (field map), que realiza a conexão entre as categorias ativas de entrada (RT a ) e as categorias ativas de saída (RT b ), e tem a incumbência de maximar a generalização e minimizar o erro da rede. rede neural RTMP- Fuzzy possui a mesma concepção da rede RTMP convencional via substituição das operações de conjuntos por operações baseadas na lógica fuzzy, mais precisamente a permuta de operações de união e interseção pelos operadores Máx e Min fuzzy. arquitetura da rede RTMP Fuzzy pode ser vista na Figura 2 [Carpenter and Grossberg 1992]. inter-rt Wj ab F ab X ab RTa RTb F2 a ρab F2 b Wj a Wj a F1 a ρa matchtracking F1 b ρb C C F0 a Normalização e Código Complemento F0 b Normalização e Código Complemento Figura 2. rquitetura da rede RTMP Fuzzy [Carpenter and Grossberg 1992]. aprendizagem (ou treinamento) da rede RTMP Fuzzy pode ser descrita basicamente em seis etapas: normalização dos vetores de entrada e de saída, execução do código complemento, reconhecimento, comparação, busca e aprendizagem. O treinamento da rede é idêntico ao da rede RT, com a diferença apenas que possui um sistema de conexão entre os dois módulos RT existentes na rede, combinando os parâmetros de entrada e de saída, através do módulo match tracking, fazendo com que a rede tenha um treinamento supervisionado. O módulo match tracking, mecanismo interno que permite a rede elevar o parâmetro de vigilância ρ a do módulo RT a de forma a corrigir erro no módulo RT b, sempre que a rede fizer um prognóstico errado, maximizando, deste modo, a generalização e minimização do erro. O módulo RT a inicia a busca até encontrar um prognóstico correto ou a criação de uma nova categoria para a entrada atual. [Carpenter and Grossberg 1992] O módulo RT a aprende a classificar os padrões de entrada apresentados, enquanto o módulo RT b desenvolve as categorias referentes aos padrões de saída desejada. camada inter-rt recebe entradas de ambos os módulos RT a e RT b, a entrada da RT a refere-se à conexão associativa da J K (categoria ativa J do RT a e categoria ativa K do RT b ) e a categoria ativa da entrada do RT b.

7 4. Modelo da Previsão de Cargas Os modelos usados encontram-se ilustrados nas Figuras 3 e 4 [ltran 2010]. Trata-se de um procedimento que combina o uso do sistema proposto em ltran (2010) e a rede neural RT&RTMP proposta por Lopes (2005). vantagem desta concepção, a princípio, consiste em realizar a previsão multinodal com um tempo de processamento muitíssimo reduzido, se comparado à formulação via rede neural retropropagação [Werbos 1974], a qual representa a grande maioria dos artigos publicados para previsão global. Neste artigo, é empregado o previsor baseado na proposta de Lopes (2005), com algumas inovações e a rede neural a ser implementada corresponde à proposta de Lopes (2005), com as devidas adaptações (trata-se de uma execução mais simples). Os sistemas modelados foram implementados no programa MTL e são compostos por dois grandes blocos: (1) Previsão de Carga Global (PCG); (2) Previsor de (PCL). No sistema PCG-PCL, os módulos PCG e PCL utilizam a rede neural para treinamento e execução da previsão, possuem execuções independentes, ou seja, não foi usada a saída de previsão do módulo PCG na entrada do módulo PCL. Ele tem como entrada os valores referentes a carga local de cada subestação, já módulo PCG, a entrada é composta pelos valores referentes à carga global, como pode ser visto na Figura 3, como resultado dos módulos é realizada a respectiva previsão de carga. Módulo PCG Módulo PCL Local Previsor de (PCL) 1 prevista 24 1 Previsor Carga Previsor de de Global prevista 24 Carga prevista 24 Local Global (PCL) 2 2 Global horas à frente (PCG) Local Previsor de (PCL) n prevista 24 n Figura 3. Modelo Sistema PCG-PCL. fase da previsão, ilustrado na Figura 4, do sistema PCG-FPCG-PCL é realizada da seguinte forma: 1. Módulo PCG realiza a previsão da carga global: PCG (previsão) (h), para h compreendendo toda a série histórica adotada; 2. Módulo PCL realiza o treinamento utilizando como entrada local os valores das cargas (dados históricos) da respectiva subestação e dados referentes ao tempo (dia da semana e hora); 3. pós a conclusão da fase de treinamento do módulo PCL, é realizada a previsão dos Fatores de Participação de Carga Global referentes a cada nó, ou seja, FPCG j (previsão) (h), j = 1, 2,..., n, que tem como entrada os valores da carga global previs-

8 ta e as entradas locais, gerando como saída do módulo a carga local prevista 24 horas a frente (para cada subestação), calculada pela seguinte expressão: CLj (previsão) (h) = FPCGj (previsão) (h) x PCG (previsão) (h) (1) expressão (1) corresponde à previsão das cargas locais para cada hora considerada. Este procedimento torna-se vantajoso, pois o comportamento dos FPCG s é, via de regra, mais suave, se comparado ao comportamento das cargas locais. Deste modo, o treinamento da rede neural torna-se mais rápido e trabalha com um menor número de informações, i.e., os estímulos de entrada são compostos por um número menor de componentes. Módulo PCG Módulo PCL Local Carga Global prevista 24 Previsor de Fator de participação de Carga Global (PFPCG) 1 Carga Global prevista 24 FPCG previsto 24 horas à frente X prevista 24 1 Global Previsor de Carga Global (PCG) Local Carga Global prevista 24 Previsor de Fator de participação de Carga Global (PFPCG) 2 Carga Global prevista 24 FPCG previsto 24 horas à frente X prevista 24 2 Local Carga Global prevista 24 Previsor de Fator de participação de Carga Global (PFPCG) n Carga Global prevista 24 FPCG previsto 24 horas à frente X prevista 24 n Figura 4. Modelo Sistema PCG-FPCG-PCL. O sistema PCG-FPCG-PCL determina o Fator de Participação da Carga Global [ltran 2010] para cada nó de interesse, ou seja, FPCG j, j = 1, 2,..., n (n: número de nós), fatores que são representados por séries temporais usadas para estimar a carga em cada nó. Cada módulo local determina a estimativa do FPCG usando a rede RT- RTMP-Fuzzy, conforme mostra Figura 5. Desta forma, o conjunto de cargas locais (CL) é definido como carga global (CG), dada pela equação (2). Cada carga possui um fator de participação da carga global, dado pela equação (3). N CG CL (2) j 1 j FPCGj = CLj / CG (3) Cada módulo PCL é treinado de forma independente, usando como entrada local as informações disponíveis (séries históricas da potência da carga, mês, dia da semana, horário, feriados, etc.) e os valores das cargas por barramento (carga local). Cada sistema previsor utiliza a rede neural RT-RTMP-Fuzzy para treinamento e previsão da carga elétrica global ou local, como pode ser visto na Figura 5. previsão de carga de cada

9 RTa F 2 a F 1 a F 0 a RTa F 2 a F 1 a F 0 a RTa W j a W j a F 2 a F 1 a F 0 a W j a N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to N o rm alização e C ó d ig o C o m p lem en to C N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to C in te r - RT W j ab in te r - RT C in ter -RT W j ab W j ab ρ a ρ a ρ a F ab X ab ρ ab F ab m atch - tracking m a tch - tra ck in g F ab X ab ρ ab X ab m a tch - tra ck in g ρ ab RTb F 2 b F 1 b F 0 b RTb RTb F 2 b F 1 b F 0 b F 2 b F 1 b F 0 b W j a W j a W j a N o rm alização e C ó d ig o C o m p lem en to N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to C C N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to C ρ b ρ b ρ b nó considerado de interesse pode ser estimada multiplicando o FPCG pelo valor da carga global prevista pelo módulo PCG em cada instante da série temporal. s Previsor de Carga Global (PCG) RT RTMP Fuzzy Dados exógenos Previsores de Fatores de Participação de Carga Global (PFPCG) Previsões de Cargas Locais (PCL) RT RTMP Fuzzy CL=CG x CL=CG x FPCG FPCG 1 CG= CL Dados de cargas locais RT RTMP Fuzzy FPCG=CL/CG n Figura 5. Sistema Previsão PCG-FPCG-PCL. O treinamento destas redes locais é simples, visto que a entrada é composta por dados locais, que são particularidades de cada nó, e pela série temporal da carga elétrica global, determinada pelo sistema de previsão global, constituindo entradas de dimensão reduzida. Os dados locais podem conter, também, informação que possam contribuir para a melhoria do modelo da carga nodal, ou seja, podem-se usar vários tipos de estratégias, inclusive, outros dispositivos inteligentes. 5. Simulações e Resultados Para avaliar os sistemas de previsão de carga multinodal modelados, as redes neurais foram treinadas com dados referentes ao ano de 2007 e 2008 para realizar a previsão de um dia a frente (24 horas a frente). Dessa forma foram previstas a carga global e a carga local do dia 01 de janeiro de Os dados históricos foram extraídos do Centralized Dataset (CDS) disponibilizados pelo Electricity Commission da Nova Zelândia, contém os valores de potência ativa, medidos de meia em meia hora de cada subestação, além de indicadores de dia do mês, mês, ano, dia da semana, feriado, horário de verão e valor da amostra de carga. Esses dados formam as variáveis de entradas da rede neural modelada de modo similar às utilizadas Nose-Filho et al. (2011). Como critério de avaliação foi utilizado a média dos valores absolutos dos erros percentuais, MPE (Mean bsolute Percentage Error), comparando-se os valores reais da carga com os valores previstos através da rede neural, calculado através da equação (4):

10 ( ) ( ) ( ) sendo: - valor da carga real - valor da carga prevista - Número de amostras previstas O sistema PCG-FPCG-PCL obteve melhor tempo de previsão em comparação com o sistema PCG-PCL e também possui os melhores resultados de MPE em grande parte das subestações, como pode ser observado na Tabela 1. TEL 1. MPE e tempo de previsão dos sistemas propostos. Subestação Sistema PCG-PCL Sistema PCG-FPCG-PCL MPE(%) Tempo Previsão (s) MPE (%) Tempo Previsão (s) # 01 4, ,22 3 # 02 12, ,45 4 # 03 10, ,54 4 # 04 3, ,08 4 # 05 13, ,08 6 # 06 5, ,00 4 # 07 4, ,17 7 # 08 11, ,94 5 # 09 11, ,12 4 Global 3,92 4,74 3,92 4,48 previsão global para os dois sistemas modelados obteve tempo e MPE semelhantes, como pode ser visto na Tabela 1, pois as entradas da rede neural são parecidas. diferença entre os dois modelos está no módulo PCL, onde a entrada local do sistema PCG-FPCG-PCL utiliza o fator de participação de carga local, realizando a previsão desse fator de participação e depois fazendo a previsão de carga local para cada nó. (a) (b) (4) Figura 6. Previsão Local de 24 horas por subestação Sistema PCG-PCL (a) e Sistema PCG-FPCG-PCL (b). Na Figura 6 podem ser observadas as previsões obtidas por subestação para os dois sistemas modelados. O sistema PCG-FPCG-PCL melhorou algumas previsões de cargas de algumas subestações, como pode ser visto na Figura 6b, aproximando da carga real, e com isso diminuindo o erro percentual (MPE) das subestações.

11 6. Conclusão Previsão de carga elétrica, a curto prazo, é uma ferramenta importante para indústria de energia, principalmente no contexto do mercado de energia. Uma adequada previsão de consumo proporciona um conjunto de informações vitais para que os sistemas elétricos possam ser planejados e operados de forma segura, confiável e econômica. Sistemas baseados em inteligência artificial tem se tornado uma ferramenta eficaz na tomada de decisão para previsão de cargas elétricas a curto prazo por ter uma melhor capacidade de desempenho ao lidar com as não-linearidades ao se modelar séries temporais. s redes neurais têm sido bastante utilizadas para realizar previsão de cargas. Nesse sentido, este trabalho realizou previsão a curto prazo de carga global e local de sistema elétrico de nove subestações da Nova Zelândia. s duas modelagens apresentam previsões eficientes, porém o modelo que utiliza a informação de FPCG obteve melhor desempenho, com erros percentuais menores, pois usou outras informações nos padrões de entrada da RN. vantagem da RN sobre os modelos estatísticos reside na capacidade para modelar um problema multivariado, não sendo necessário fazer suposições complexas de dependência entre variáveis de entrada. lém disso, RN extrai a relação não-linear implícita nas variáveis de entrada através da aprendizagem dos dados de treinamento. previsão de carga multinodal proposta possui um tempo de execução um pouco superior à previsão global convencional (em função, evidentemente, do maior ou menor número de nós de interesse para a previsão), isto porque o tempo destinado à realização do conjunto das redes neurais modulares (previsão local) é bastante reduzido. Ressalta-se que o tempo para conclusão da previsão multinodal se aproximará ao tempo de execução da previsão global, à medida que forem exploradas outras arquiteturas neurais que, eventualmente, possam produzir resultados de forma mais rápida. Os resultados obtidos pelos modelos apresentados podem ser alterados para alcançar melhor desempenho da rede neural RT-RTMP-Fuzzy, diminuindo os erros percentuais de previsão, para isso podem ser feita duas modificações: 1. Explorar outros tipos de janelas, onde o deslocamento da janela é composto pelos valores das cargas correspondentes à hora h e p horas anteriores. crescentam-se, também, as cargas correspondentes à hora h da semana anterior e à hora h do mês anterior. Com esta estratégia, há maior perspectiva de melhoria da qualidade da previsão; 2. Considerando-se a ilustração apresentada nas Figuras 3 e 4, observa-se a indicação, em cada módulo previsor local, de um bloco entrada local. Este dispositivo permite que se incluam outros tipos de informações procedentes, por exemplo, carga média, carga máxima e carga mínima. 7. Referências ltran,. M. (2010) Sistema Inteligente Para Previsão de Carga Multinodal em Sistemas Elétricos de Potência. Tese de Doutorado, Programa de Pós-Graduação em Engenharia Elétrica, UNESP, Campus de Ilha Solteira. ender, E.. (1996) Mathematical Methods in rtificial Intelligence. The IEEE Press, Piscataway-NJ, US, ox, G.E. and Jenkins, G.M. (1976) Times series analysis: forecasting and control. San Francisco, US: Holden-Day.

12 Cancelo, J. R, Espasa,. and Grafe, R. (2008) Forecasting the Electricity Load from one Day to one Week head for the Spanish System Operator. International Journal of Forecasting, v. 24, n. 4, October-December, p Carpenter, G.. and Grossberg, S. (1987) massively parallel architecture for a selforganizing neural pattern recognition machine. Computer Vision, Graphics and Image Processing, v. 37, p Carpenter, G.., Grossberg, S. and Reynolds, J. H. (1991a) RTMP: Supervised reallearning and classification of non-stationary data by a self-organizing neural network. Neural Network, v. 4, n.5, p Carpenter, G.., Grossberg, S. and Rosen, D.. (1991b) Fuzzy RT: fast stable learning and categorization of analog patterns by an adaptive resonance system. Neural Network, v. 4, n.1, p Carpenter, G.. and Grossberg, S. (1992) Self-Organizing Neural Network for supervised learning, recognition and prediction. IEEE Communications Magazine, v. 30, n. 9, p CDS-Centralized Dataset. (2010) Electricity Commission for the load dataset. New Zealand. Chaabene, M. (2008) Measurements ased Dynamic Climate Observer. Solar Energy, Vol. 82, No. 9, September, p Grossberg S. (1987) Competitive learning: from interactive activation to adaptive resonance. Cognitive Science, v. 11, p Haykin, S. Neural Networks and Learning Machines. 3 rd Ed. New Jersey, US: Prentice- Hall, Hong, W. C. (2009) Chaotic Particle Swarm Optimization lgorithm in a Support Vector Regression Electric Load Forecasting Model. Energy Conversion and Management, v. 50, n. 1, January, p Lopes, M. L. M. (2005) Desenvolvimento de redes neurais artificiais para previsão de cargas elétricas de sistemas de energia elétrica. Tese (Doutorado em Engenharia Elétrica) Faculdade de Engenharia de Ilha Solteira, Universidade Estadual Paulista Júlio de Mesquita Filho, Ilha Solteira, SP, rasil. Lopes, M. L. M., Minussi, C. R. and Lotufo,. D. P. (2005) Electric load forecasting using a fuzzy RT&RTMP neural network. pplied Soft Computing, Volume 5, Issue 2, January, p Nose-Filho, K.; Lotufo,.D.P. and Minussi, C.R. (2011) Short-term multinodal load forecasting using a modified general regression neural network, IEEE Power v. 26 (4), p O Donovan, T. M. (1983) Short Term Forecasting: n Introduction to the ox-jenkins pproach. John Wiley & Sons, New York. Topalli,. K., Erkmen, I., Topalli, I. (2006) Intelligent short-term load forecasting in Turkey, Electrical Power and Energy Systems, v. 28 (7), p Werbos, P. J. (1974) eyond regression: New tools for prediction and analysis in the behavioral sciences. PHD. Thesis - Harvard University. Wu, L., Yuan, J. S. and Zhu, Y.L. (2003) Mis-ased Long Term Distribution Load Forecasting System. dvances in Power System Control, Operation and Management, SDCOM Sixth International Conference o No. 497), v.2, November, p