1

Resumo-A previso de carga de suma importncia para o

planejamento e operao dos sistemas eltricos de potncia, em
todos os segmentos da cadeia produtiva (gerao, transmisso e
distribuio), alm disso, utilizada como ferramenta de
anlise dos aspectos econmicos, de confiabilidade e eficincia.
Este trabalho demonstrara duas ferramentas para a
previso de carga mxima diria em subestaes de
distribuio, com horizonte de previso para o dia posterior,
atravs de dados previsveis tais como demandas passadas,
energia despachada, e dados climticos.
Utilizou-se como metodologia as Redes Neurais Artificiais
com arquitetura Multi-Layer Perceptron, com algoritmo de
treinamento Back-Propagation e Regresso Linear Fuzzy.
Como subprodutos deste trabalho verificaremos a
influencia da temperatura na qualidade da previso para o
caso da modelagem por Redes Neurais e compararemos esta
modelagem com a da Regresso Linear Fuzzy.
Utilizaremos como base de dados dois casos distintos: uma
subestao pertencente ao sistema de distribuio de Braslia e
outra a um grande consumidor da cidade do Rio de Janeiro.

Palavras-Chave: Planejamento do Setor Eltrico; Previso
de Carga; Redes Neurais Artificiais.

I. NOMENCLATURA

D: Demanda em kW
E: Energia em kWh
Tmax: Temperatura mxima em C
Tmin: Temperatura mnima em C
Umax: Umidade Relativa do Ar mxima em %

II. INTRODUO

Inteligncia Computacional uma rea da cincia
que busca, atravs de tcnicas inspiradas na
Natureza, o desenvolvimento de sistemas inteligentes
que imitam aspectos do comportamento humano, tais como:
aprendizado, percepo, raciocnio, evoluo e adaptao.
A tcnica das redes neurais artificiais um dos mtodos
utilizados para resoluo de problemas, especialmente para


no-lineares, em diversas aplicaes de diferentes reas do
conhecimento. Este paradigma surge como uma alternativa a
mais para a resoluo destes problemas em comparao com
as tcnicas convencionais de computao existentes
atualmente [1].
A origem das Redes Neurais Artificiais (RNA's) reflete o
interesse dos pesquisadores em desenvolver metodologias
que possam imitar algumas caractersticas do
comportamento cerebral, tais como robustez, tolerncia a
falhas, flexibilidade e processamento paralelo das
informaes.
As RNA's aplicadas a problemas ligados a Sistemas de
Potncia tem sido utilizadas no Planejamento, na Operao
e na Proteo. Contudo a previso de sries temporais, para
as variveis ligadas ao Setor Eltrico (carga e vazes), tem
recebido ateno especial dos pesquisadores e agentes do
Setor, afinal prever o futuro uma ferramenta poderosa para
a tomada de deciso, de modo que ela seja a mais adequada
possvel ou ao menos esteja dentro de uma faixa aceitvel de
erro pr-estabelecido conforme a aplicao.
Outra tcnica utilizada a Regresso Linear Fuzzy, que
utiliza a lgica nebulosa para prever a demanda com uma
certa faixa de valores.
A principal dificuldade para modelar a demanda a
natureza aleatria da carga, sua diversidade, impreciso dos
dados de medio e o no conhecimento das caractersticas e
das cargas dos consumidores.
O uso de curvas de carga tpicas, alm de informao
adicional sobre os consumidores tais como o consumo de
energia em diferentes perodos, consumo mdio,
carregamento dos transformadores e anlise de variveis
climticas so alguns dos artifcios utilizados para estimar a
demanda de certos consumidores.

III. REDES NEURAIS

O neurnio artificial foi desenvolvido de modo a imitar o
funcionamento do neurnio biolgico, ou seja, de modo a
simular o processo de sinapse como descrito na figura 1.


Previso da Demanda Mxima Diria em Sistemas
de Distribuio Utilizando Redes Neurais e
Regresso Linear Fuzzy
Marcio Andrey Roselli, ANEEL.
A
2



Fig. 1. Modelo no-linear de um neurnio

O esquema da figura 1 mostra o modelo de um neurnio,
que forma a base para o projeto de redes neurais artificiais,
este modelo tambm conhecido como modelo Perceptron
onde existe apenas uma camada de entrada, o neurnio de
processamento e o sinal de sada.
Observamos a existncia de um nvel, ou camada, onde
so colocadas as entradas (x
1
, x
2
,..., x
i
), analogamente
seriam como os impulsos nervosos que chegam aos
dendritos do neurnio celular.
Cada entrada i, onde i pode variar de 1 at m, ento
conectada ao neurnio k, que pode variar de 1 at j atravs
de um peso sinptico prprio, definido como sendo o peso
wkj, nota-se que o primeiro ndice, k, refere-se ao neurnio
de conexo e o ndice j refere-se ao terminal de entrada, que
pode ser a entrada inicial ou a sada de um outro neurnio
que esteja numa camada antecessora.
Seqencialmente existe um somador para reunir os sinais
de entrada multiplicados respectivamente pelas respectivas
sinapses, ou pesos sinpticos, este somador trabalha como
um combinador linear [2].
Uma funo de ativao existe para restringir a
amplitude da sada de um neurnio, esta funo funciona
como um limitador, podendo ser chamada ainda em algumas
literaturas de funo restritiva, j que restringe o intervalo
permissvel de amplitude do sinal de sada a um valor finito.
Tipicamente, o intervalo normalizado da amplitude da sada
de um neurnio escrito como o intervalo fechado [0,1] ou
alternativamente [-1,1].
O modelo ilustrado na figura 1 inclui um elemento de
entrada denominado bias, aplicado de forma externa com o
objetivo de aumentar ou diminuir a entrada lquida da
funo de ativao, dependendo se ele positivo ou
negativo, respectivamente.
Toda essa modelagem pode ser observada em termos
matemticos segundo as equaes que se seguem:

=
=
m
j
j kj k
x w u
1
(1)

k k k
b u v + =
(2)

( )
k k
v y =
(3)
Onde ( )
k
v a funo de ativao e
k
y o sinal de
sada neurnio.
Para que as redes neurais sejam capazes de fornecer
solues a um determinado problema, necessrio que elas
passem por um processo de aprendizagem. Durante a etapa
de aprendizado, a cada valor de entrada fornecido s redes
neurais, os parmetros da rede so automaticamente
ajustados. O ajuste do peso atribudo a cada conexo o
mecanismo mais freqentemente utilizado durante o
processo de aprendizado das redes neurais.
H trs conceitos muito importantes para compreenso
do processo de aprendizagem: algoritmo de treinamento,
nmero de pocas e taxa de aprendizado. Algoritmo de
treinamento, ou algoritmo de aprendizado, o conjunto de
procedimentos utilizados para ajustar os parmetros das
redes neurais de forma que ela possa realizar uma
determinada funo. O nmero de pocas refere-se ao
nmero de vezes que os padres de treinamento sero
apresentados s redes neurais para que se faa a atualizao
dos pesos. A taxa de aprendizado controla a intensidade das
alteraes dos pesos. Uma alta taxa de aprendizado acelera
o processo de aprendizado, mas pode reduzir a capacidade
de generalizao da rede neural.
Redes MLP (Multilayer Perceptron) so redes acclicas
(feedforward) com uma ou mais camadas intermedirias.
Devido presena das camadas intermedirias, os modelos
de redes MLP permitem a soluo de problemas mais
complexos.
O algoritmo de treinamento mais popular aplicada s
redes MLP o algoritmo back-propagation. Esse algoritmo
segue o paradigma de aprendizado supervisionado, em que
so fornecidos valores de entrada s redes neurais com as
respectivas sadas desejadas. Por meio do algoritmo back-
propagation, o processo de aprendizado realizado em duas
etapas. A primeira a etapa forward, em que os valores de
sada da rede so calculados a partir dos valores de entrada
fornecidos. Na segunda etapa, a backward, os pesos
associados a cada conexo so atualizados conforme as
diferenas entre os valores de sada obtidos e os valores
desejados, da ltima camada at a camada de entrada.
Durante a fase de aprendizagem das redes MLP, pode
ocorrer o problema de overfitting, ou seja, a rede
especializa-se nos padres de treinamento e perde sua
capacidade de generalizao. Para contornar esse problema,
pode ser utilizada, entre outros mtodos, a tcnica de early
stopping.
Essa tcnica consiste em treinar a rede neural com uma
determinada amostra de dados, denominada grupo de
treinamento, e validar o desempenho da rede,
periodicamente, utilizando outra amostra de dados: o grupo
de validao. Se os resultados obtidos com a validao
atingirem um nvel satisfatrio, o treinamento
interrompido. Isso evita que a rede neural seja treinada
excessivamente, resultando no problema de overfitting. A
amostra de dados para avaliar se a rede capaz de
solucionar o problema corresponderia ao terceiro grupo: o
grupo de teste.

3
IV. REGRESSO LINEAR FUZZY

A. Modelos Fuzzy

Como vimos anteriormente um dos problemas na
previso de carga em sistemas de distribuio so os fatores
de incertezas, tais como a carga, tenses nos barramentos,
consumos de energia, alm de parmetros de circuitos
equivalentes. Os dados disponveis geralmente possuem
erros devido impreciso das medidas e deficincia dos
equipamentos de medio. Uma teoria que representa a
impreciso dos dados e a relao entre eles a lgica fuzzy
ou lgica nebulosa [4].
Existem diversas formas de modelar as incertezas de
medio atravs das funes fuzzy, por simplicidade
apresentamos os modelos fuzzy triangular e trapezoidal:


Fig. 2 Modelos Fuzzy trapezoidal e triangular.

Para o modelo trapezoidal temos as seguintes regras:

O valor de P esta entre p
2
e p
3
;
O valor de P nunca esta acima de p
4
;
O valor de P nunca esta acima de p
1
;

A literatura mostra vrios modelos de formao da
funo p. Usualmente sua formao baseada na
experincia, formada por meio de variveis lingsticas. A
proposta do mtodo deve ser aplicada para a estimao da
demanda, no caso onde existe deficincia no sistema de
medio ou impreciso dos dados.
Podemos descrever o modelo triangular como um
triangulo de altura unitria centrada na mdia das medidas
com os pontos extremos da base localizados nas medidas
mnimas e mximas. Na prtica podemos descrever os
valores de tenso do transformador, valores dos parmetros
dos circuitos equivalentes, corrente, energia, etc [4].
Para o caso do modelo trapezoidal os parmetros da
funo p podem ser definidos conforme mostrado a seguir:

e a v =
0 1

2
0 2
e
a v =

2
0 3
e
a v = e a v =
0 4


A funo p pode ser tambm formada usando a mdia do
valor de algumas medies (se o nmero de medidas no
permitir definir parmetros da varivel de distribuio).
Como exemplo temos {Xi} onde 1=1 ,2,...,n (n 30), ento
os parmetros do nmero fuzzy so:

{ }
i
X p min
1
= (4)

[ ] [ ] { } [ ] d X X E X E p
i i i
= min
2
(5)

[ ] { } [ ] [ ] d X E X X E p
i i i
+ = max
3
(6)

{ }
i
X p max
4
= (7)

Onde:

E[Xi]: mdia do X do exemplo;
d: fator de desvio, que descreve o grau de
incerteza.

B. Regresso linear fuzzy

A regresso linear fuzzy usada para modelar as
relaes entre as variveis dependentes e independentes. A
diferena entre as tcnicas tradicionais de regresso que os
valores observados e estimados do modelo incluem os erros
de observao, e a diferena considerada uma varivel
aleatria. Valores acima e abaixo so estimados, e a
probabilidade dos valores estimados estarem dentro destes
dois pontos representa uma confiana na estimativa.
A diferena entre o valor observado e estimado
assumida ser devido ao erro inerente da medio do sistema,
a funo estimada dada como uma faixa de valores
possveis. A equao a seguir mostra uma regresso linear
fuzzy tpica:

n
n x A x A x A A x f Y
~
2
2
~
1
1
~ ~ ~
... , + + + =
|

\
|
= (8)

Onde a isimo coeficiente fuzzy.
A regresso linear fuzzy assume uma faixa de possveis
valores que so representadas por uma funo.
Os parmetros so determinados atravs da soluo de
um problema de programao linear formulado a seguir:

)
`

= =
m
j
n
i
ij i
x c O
1 1
(9)
( )

= =

n
i
n
i
ij i ij i j
x c h x p y
1 1
1 (10)
( )

= =
+
n
i
n
i
ij i ij i j
x c h x p y
1 1
1 (11)
4

O valor de h especificado entre 0 e 1, segundo [5] um
valor adequado de h de 0,5.

V. MODELAGEM E SIMULAO.

Com base na referncia e de posse de uma base de dados
de duas subestaes com informaes de carga mxima
diria, energia e dados climticos modelamos uma RNA
capaz de prever a demanda mxima para o dia seguinte,
alm disso, comparamos o resultado do segundo caso com
estimativa realizada por regresso linear fuzzy e verificando
a influencia da temperatura na demanda mxima diria, para
o caso 1.

A. Base de Dados

Para nosso estudo utilizaremos dois casos distintos:

Caso 1: Subestao localizada no Distrito
Federal, pertencente ao sistema de distribuio, com dados
de temperaturas mximas e mnimas dirias, umidade
relativa do ar mxima, demandas mximas dirias passadas
e energia despachada.
Caso 2: Subestao localizada no Rio de
Janeiro, pertencente a um grande consumidor, com dados de
temperaturas mximas, demandas mximas dirias passadas
e energia despachada.

Os dados de validao, treino e teste sero separados da
seguinte forma: 20% para teste, 20% para validao e 60%
para treinamento. Separamos os dados em dias teis e em
finais de semana e feriados. Este procedimento se deve s
caractersticas distintas da carga.
Normalmente, os dados possuem uma grande faixa de
variao numrica, diante disto, recomendvel que sejam
normalizados, visando facilitar o processo de aprendizado
da RNA. Optou-se pela normalizao no intervalo [-1,1], via
desvio padro atravs da equao abaixo:

=
2
Mdia xi
Xi (12)

B. Tratamento dos dados

Caso 1

A seguir apresentamos as tabelas I e II, contendo
correlaes com dados climticos para os dias teis e fins de
semana e feriados, respectivamente.



A tabela III apresenta as correlaes entre a demanda
futura e as passadas.

TABELA I
CORRELAES DAS VARIVEIS PARA DIAS DA SEMANA

D E Tmax Tmin Umax
D 1 0,4376 0,0758 0,1059 0,3264
E 1 0,3735 0,0435 0,1662
Tmax 1 0,2030 0,3319
Tmin 1 0,0165
Umax 1
Semana


TABELA II
CORRELAES DAS VARIVEIS PARA FINS DE SEMANA E FERIADOS

D E Tmax Tmin Umax
D 1 0,6694 0,0296 0,0979 0,3323
E 1 0,1715 0,0056 0,2135
Tmax 1 0,1845 0,2563
Tmin 1 0,0293
Umax 1
Fim de Semana e Feriados


TABELA III
CORRELAES ENTRE AS DEMANDAS PASSADAS

Dn-1 0,6936 Dn-1 0,1373
Dn-2 0,5644 Dn-2 0,5773
Dn-3 0,559 Dn-3 0,085
Dn-4 0,5464 Dn-4 0,4277
- - Dn-5 0,0893
- - Dn-6 0,3464
Semana Fim de Semana


Da tabela de correlaes optamos por escolher os valores
de energia e umidade relativa mxima por apresentarem as
maiores correlaes com a demanda.
Realizamos a descorrelao das variveis de demanda,
utilizando Dn-1 para semana e Dn-2 para fins de semana e
feriados.
Apesar de haver uma baixa correlao linear optamos em
inserir os dados de temperatura para verificar a existncia de
uma eventual correlao no linear com a demanda.
Posteriormente realizaremos a simulao sem as entradas de
temperatura.
A figura III mostra a variao da temperatura e umidade
relativa do ar para o caso 1.


Fig. 3 Variao da temperatura durante o dia.

5

Fig.4 Variao da umidade relativa durante o dia

A demanda mxima diria ocorre s 19:31 h, logo aps o
registro da temperatura mxima do dia e mnima umidade
relativa do ar.

Caso 2

Para o caso 2 dispomos das demandas passadas, energia e
temperatura mxima diria. Calculando a correlao entre as
variveis chegamos s tabelas que se seguem.

TABELA IV
CORRELAES DAS VARIVEIS PARA DIAS DA SEMANA

Demanda Temperatura Energia
Demanda 1 0,5653 0,5429
Tempretura 1 0,3462
Energia 1
Semana


TABELA V
CORRELAES DAS VARIVEIS PARA FINS DE SEMANA E FERIADOS

Demanda Temperatura Energia
Demanda 1 0,4149 0,821
Tempretura 1 0,2209
Energia 1
Fim de semana


Para o caso 2 procedemos da seguinte forma: estimamos
a demanda mxima do dia seguinte com os dados de energia
e temperatura mxima diria do dia a ser estimado.
Realizaremos apenas as simulaes para os dias de
semana visto que existe uma boa correlao entre a energia
e demanda durante os fins de semana, sendo suficiente o
conhecimento do fator de carga da instalao para a boa
previso da demanda.
Para o caso ora proposto realizaremos a comparao da
estimativa realizada por regresso linear fuzzy e por redes
neurais artificiais.

C. Modelagem da rede neural.

Utilizamos para a rede uma camada intermediria,
simularemos a rede com as funes de ativao logaritmo e
tangente hiperblica para a camada intermediria e assim
verificaremos qual produz sada com menor erro mdio
quadrtico. Para a camada de sada utilizaremos a funo de
ativao linear.
Variamos o nmero de neurnios da camada
intermediria de 4 (quatro) at 10 (dez) neurnios, aps as
simulaes verificamos que a configurao com 8 (oito)
neurnios produziu erros mdios quadrticos menores,
sendo esta a configurao escolhida.
Como parmetros utilizamos uma taxa de aprendizado
de 0,01 e 150 pocas para o treinamento.
Para a simulao da rede utilizamos a toolbox neural
network do software matlab 6.0.

D. Clculo da regresso linear Fuzzy

Resolvendo o sistema temos as equaes conforme as
equaes (9), (10) e (11) obtivemos a equao (13) para a
previso durante a semana.

(13) tmax * 0) , (27.48 E * 0) , (0.05122 2148.6) , (-1097.83 e) (ve, D + + =

onde:
ve: valor estimado;
e: erro.

Para resoluo do problema utilizamos a funo linprog
do software matlab 6.0, com limites superiores e inferiores
de 9999 e 0, respectivamente.

VI. RESULTADOS

Para o caso 1 apresentamos as figuras 4 e 5 que mostram
as correlaes entre as demandas estimadas pela rede neural
modelada e os valores reais para fins de semana e feriados e
dias teis, respectivamente.
6
Sem temperatura
Drede = 0,7722*Dreal + 140,87
R
2
= 0,7648
Com temperatura
Drede = 0,8551*Dreal + 91,52
R
2
= 0,8047
540,0
560,0
580,0
600,0
620,0
640,0
660,0
680,0
700,0
540,0 560,0 580,0 600,0 620,0 640,0 660,0 680,0 700,0
Valor real da demanda [MW]
V
a
l
o
r

e
s
t
i
m
a
d
o

d
a

d
e
m
a
n
d
a

[
M
W
]
Sem temperatura Com temperatura Linear (Sem temperatura) Linear (Com temperatura)

Fig. 5. Correlao entre os valores de validao e os estimados pela rede
neural modelada para o caso 1 nos fins de semana e feriados.
Sem temperatura
Drede = 1,1094*Dreal - 75,199
R
2
= 0,9158
Com temperatura
Drede = 0,8166*Dreal + 120,14
R
2
= 0,9129
560,0
580,0
600,0
620,0
640,0
660,0
680,0
700,0
720,0
740,0
560,0 580,0 600,0 620,0 640,0 660,0 680,0 700,0 720,0 740,0
Valor real da demanda [MW]
V
a
l
o
r

e
s
t
i
m
a
d
o

d
a

d
e
m
a
n
d
a

[
M
W
]
Sem temp. Com temp. Linear (Sem temp.) Linear (Com temp.)

Fig. 6. Correlao entre os valores de validao e os estimados pela rede
neural modelada para o caso 1 nos dias de semana.

Para o caso 2 apresentamos a figura 6 que mostra a
correlao entre os valores de demandas mximas reais
pelos valores de demanda estimados por regresso linear
fuzzy e pela rede neural modelada.

RNA
Drede = 0,9358*Dreal + 888,94
R
2
= 0,7313
Fuzzy
Dfuzzy = 0,766*Dreal + 3487
R
2
= 0,5384
13000
13500
14000
14500
15000
15500
16000
16500
13000 13500 14000 14500 15000 15500 16000
Valor real Demanda [MW]
V
a
lo
r
e
s
t
im
a
d
o
D
e
m
a
n
d
a
[
M
W
]
RNA Fuzzy Linear (RNA) Linear (Fuzzy)

Fig. 7. Correlao entre os valores de validao e os estimados pela rede
neural modelada e por regresso linear fuzzy, para o caso 2 nos dias de
semana.

VII. CONCLUSO E TRABALHOS FUTUROS

Para o caso 1 no observamos melhora significativa dos
resultados com a entrada das temperaturas mximas e
mnimas para o caso dos dias de semana, porm para os fins
de semana e feriados observamos uma melhoria significativa
na previso, mostrando que a correlao entre temperatura e
demanda nem sempre linear.
No caso 2 observamos que a regresso linear fuzzy teve
como resultado uma correlao com os valores reais
prximos das correlaes lineares da energia, temperatura e
demanda como visto na tabela IV. Apesar disso a regresso
linear fuzzy teve a vantagem de fornecer uma faixa de erro
varivel, muito til na previso da demanda, conforme
observado na equao 13. Esta caracterstica inexiste na
estimativa realizada pela rede neural modelada.
Neste mesmo caso utilizando redes neurais a correlao
entre os valores reais e os estimado tem uma significativa
melhora, porm como citado anteriormente, a rede no
fornece os intervalos de confiana conforme a regresso
linear fuzzy.
Para trabalhos futuros pode-se modelar redes que
forneam alm da demanda estimada o intervalo do erro,
incorporando caractersticas da regresso linear fuzzy.

VIII. REFERNCIA

[1] D.C. Park, M.A. El-Sharkawi, R.J. Marks II, L.E.
Atlas and M.J. Damborg Eletric, Load Forecasting Using An
Artificial Neural Network IEEE Power Systems, Vol. 6, No.
2, May 1991.

[2] Mattos, L.V., Souza, L.M.O. (2002): Redes Neurais
para Previso Horria de Carga Trabalho de Fim de Curso
da Disciplina Tcnicas Inteligentes aplicadas a Sistemas de
Potncia. UFRJ/COPPE//PEE, Rio de Janeiro, RJ, Brasil.

[3] Calba, L.P. (2004): Notas de Aula da Disciplina
Redes Neurais Feedforward. UFRJ/COPPE/PEE, Rio de
Janeiro, RJ, Brasil.

[4] J. Nazarko and W. Zalewski, "The fuzzy
Regression Approach to Peal load Estimation in Power
Distribution System", IEEE Transactions on power Systems,
vol. 14 no. 3, pp 809-814, May 1999.

[5] Timothy J. Ross, "Fuzzy Logic With Engineering
Applications", McGRAW-HILL INTERNATIONAL
EDITIONS, pp 539-545.