TCC - Avaliação de topologias de Redes Neurais Artificiais para previsão do consumo de carga em...
-
Upload
giovani-barili -
Category
Technology
-
view
749 -
download
3
Transcript of 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
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
35 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
45 de setembro de 2012
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.
55 de setembro de 2012
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.
65 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
75 de setembro de 2012
Trabalhos Correlatos
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);
85 de setembro de 2012
Trabalhos Correlatos
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.
95 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
105 de setembro de 2012
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 ).
135 de setembro de 2012
Metodologia – Campo de Testes
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;
145 de setembro de 2012
Metodologia – Dados utilizados
Carga:
Subestação de Cachoeirinha CAC1;
Ponto Geo-Elétrico de Gravataí;
155 de setembro de 2012
Metodologia – Dados utilizados
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;
175 de setembro de 2012
Metodologia – Dados utilizados
Temperatura:
Estação automática de Porto Alegre:
Temperatura;
◊Máxima;
◊Mínima;
◊ Instantânea;
Umidade;
◊Máxima;
◊Mínima;
◊ Instantânea;
Pressão;
◊Máxima;
◊Mínima;
◊ Instantânea;
195 de setembro de 2012
Metodologia – Dados utilizados
Econômicas:
Selecionados caso sejam necessários:
215 de setembro de 2012
Metodologia – Métodos de seleção de variáveis
Forward Selection;
Análise de Componentes Principais:
Kaiser;
Jolliffe;
Retenção dos 90%;
Auto-Correlação:
Cruzamento por Zero;
Pontos Máximos;
225 de setembro de 2012
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
235 de setembro de 2012
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).
245 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
255 de setembro de 2012
Resultados
Divisão para apresentação:
Curto Prazo:
Cachoeirinha;
Gravataí;
Longo Prazo:
Gravataí;
265 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
275 de setembro de 2012
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%.
315 de setembro de 2012
Curto Prazo para Cachoeirinha – Forward Selecion
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
325 de setembro de 2012
Curto Prazo para Cachoeirinha – ACP
Análise de Componentes Principais:
Últimas 20 horas;
Critérios:
Kaiser: 3 primeiras componentes;
Jolliffe: 4 primeiras componentes;
Retenção dos 90%: 14 primeiras componentes;
335 de setembro de 2012
Curto Prazo para Cachoeirinha – ACP
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
355 de setembro de 2012
Curto Prazo para Cachoeirinha – Auto-Correlação
Cruzamento por Zero;
Entradas:
1, 30, 45 e 50;
Resultado:
16 neurônios Ocultos;
4000 épocas de
treinamento;
Semente igual a 9;
Com short-cut;
Erro médio de 17,75%.
375 de setembro de 2012
Curto Prazo para Cachoeirinha – Auto-Correlação
Pontos Máximos:
Variação das entradas de 1 a 60 Pontos Máximos
Rede base:
8 neurônios ocultos;
4000 épocas de treinamento;
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
395 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
405 de setembro de 2012
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;
415 de setembro de 2012
Curto Prazo para Gravataí – Forward Selecion
Forward Selection:
1 a 400 horas de atraso;
Selecionar as 10 melhores entradas;
Rede Base:
32 neurônios ocultos;
800 épocas de treinamento;
Semente de inicialização igual a 7;
Resultados da rede Base:
Erro médio de 3,63%.
435 de setembro de 2012
Curto Prazo para Gravataí – Forward Selecion
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
445 de setembro de 2012
Curto Prazo para Gravataí – ACP
Análise de Componentes Principais:
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;
455 de setembro de 2012
Curto Prazo para Gravataí – ACP
Segundo os critérios:
Kaiser, as 6 primeiras componentes;
Jolliffe, as 9 primeiras componentes;
retenção dos 90%, as 19 primeiras componentes.
465 de setembro de 2012
Curto Prazo para Gravataí – ACP
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
485 de setembro de 2012
Curto Prazo para Gravataí – Auto-Correlação
Cruzamento por Zero;
1, 39, 43, 55 e 68;
Resultado:
32 neurônios Ocultos;
1600 épocas de
treinamento;
Semente igual a 1;
Erro médio de 3,25%.
495 de setembro de 2012
Curto Prazo para Gravataí – Auto-Correlação
Pontos Máximos:
Variação das entradas de 1 a 60 Pontos Máximos;
Rede base:
16 neurônios ocultos;
400 épocas de treinamento;
Semente de inicialização 3;
Resultado da rede base:
2,41% de erro médio ;
Resultado da rede:
46 pontos máximos;
2,25% de erro médio.
515 de setembro de 2012
Curto Prazo para Gravataí – Auto-Correlação
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
535 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
545 de setembro de 2012
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
555 de setembro de 2012
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
565 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
575 de setembro de 2012
Longo Prazo
Primeiros testes:
3 últimas demandas mensais;
Configuração da rede;
2 neurônios ocultos;
Semente de inicialização igual a 3;
Épocas de treinamento: 400, 800 e 1600;
Erro médio de 41,56%;
Quantidade de padrões:
48 padrões;
595 de setembro de 2012
Longo Prazo
Testes com janelamento:
3 últimas demandas mensais;
Configuração da rede;
32 neurônios ocultos;
Semente de inicialização igual a 8;
Épocas de treinamento: 1600;
Erro médio de 1,3%;
Quantidade de padrões:
34342 padrões;
655 de setembro de 2012
Sumário
Introdução
Trabalhos Correlatos
Metodologia
Resultados
Curto Prazo
Cachoeirinha
Gravataí
Resultados por métodos
Longo Prazo
Conclusão
665 de setembro de 2012
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;
675 de setembro de 2012
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.
685 de setembro de 2012
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.
695 de setembro de 2012
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.