Escolar Documentos
Profissional Documentos
Cultura Documentos
-I-
por
- II -
- III -
- IV -
DEDICATRIA
-V-
AGRADECIMENTOS
A Deus, pela sua presena constante em minha vida, por colocar tantas pessoas
maravilhosas ao meu redor e principalmente pelo dom da sabedoria para o
desenvolvimento deste trabalho.
Ao meu pai, Jorge Jos pelo amor, dedicao, apoio e ao incentivo para seguir sempre
em frente.
A minha me, Maria Luiza pelo amor que s as mes so capazes de oferecer, pelas
fora e presena constante em todos os momentos de minha vida. E, por me ensinar
tantas coisas na vida.
A meu irmo, Pedro pela unio que ajudou a tornar o caminho mais suave.
Ao meu amado esposo, Filipe por todo amor, carinho, dedicao, alegria e por
compartilhar todos estes momentos ao meu lado.
Especialmente ao Prof. Dr. Ronaldo Aquino pela pacincia, dedicao, apoio e
motivao; verdadeiro professor, PAI e amigo de todas as horas.
A todos os professores do mestrado, ao Prof. Dr. Manoel Afonso que sempre apoiou
este projeto.
Aos meus amigos do LEEQE, Priscila e Jorge, pelo apoio, incentivo e compartilhar
todas as dificuldades da vida de mestrando.
A todos do LDSP, a Josinaldo pelo apoio e ateno dispensada, nos momentos que mais
precisamos e pela sincera amizade.
A todos do grupo catlico gua Viva pela linda misso de levar Cristo a todos, em
especial pelo trabalho realizado na UFPE.
A todos meus amigos, pela compreenso, pois so muitas as dificuldades na vida
acadmica.
- VI -
PENSAMENTO
- VII -
Resumo da Dissertao como parte dos requisitos necessrios para obteno do grau de
Mestre em Engenharia Eltrica.
- VIII -
- IX -
SUMRIO
LISTA DE FIGURAS.................................................................................................. XII
LISTA DE TABELAS ................................................................................................XIII
LISTA DE ABREVIATURAS E SIGLAS .............................................................. XIV
LISTA DE SMBOLOS .............................................................................................. XV
CAPTULO 1 ................................................................................................................. 16
1 INTRODUO ...................................................................................................... 16
1.1
Sistema Hidroeltrico do So Francisco......................................................... 18
1.2
Organizao do Trabalho................................................................................ 21
CAPTULO 2 ................................................................................................................. 23
2 REDES NEURAIS ARTIFICIAIS ......................................................................... 23
2.1
Introduo ....................................................................................................... 23
2.2
Introduo s Redes Neurais Artificiais ......................................................... 23
2.2.1 Histrico das Redes Neurais ....................................................................... 24
2.2.2 Neurnio Artificial ..................................................................................... 25
2.2.3 Funo de Ativao .................................................................................... 26
2.2.4 Processo de Aprendizagem......................................................................... 27
2.2.5 Redes Perceptron Mltiplas Camadas ........................................................ 29
2.3
Algoritmos de Treinamento ............................................................................ 30
2.3.1 Gradiente Descendente com Momento (GDM).......................................... 30
2.3.2 Algoritmo Resilient Propagation (RPROP)................................................ 31
2.4
Concluses do Captulo .................................................................................. 33
CAPTULO 3 ................................................................................................................. 34
3 LGICA FUZZY ................................................................................................... 34
3.1
Introduo ....................................................................................................... 34
3.2
Histrico da Lgica Fuzzy.............................................................................. 34
3.3
Metodologia da Lgica Fuzzy ........................................................................ 36
3.4
Sistema de Inferncia Fuzzy ........................................................................... 37
3.5
Sistema Hbrido: Lgica Fuzzy + Redes Neurais Artificiais ......................... 38
3.6
Sistema Neuro-Fuzzy: ANFIS ........................................................................ 39
3.7
Concluses do Captulo .................................................................................. 42
CAPTULO 4 ................................................................................................................. 44
4 METODOLOGIA APLICADA ............................................................................. 44
4.1
Metodologia .................................................................................................... 44
4.2
Tratamento dos Dados .................................................................................... 45
4.2.1 Embaralhamento dos Dados ....................................................................... 46
4.2.2 Normalizao dos Dados ............................................................................ 46
4.2.3 Separao dos Dados para Treinamento e Validao:................................ 47
4.3
Experimentos para Escolha da Arquitetura .................................................... 47
4.3.1 Avaliao de Desempenho ......................................................................... 48
4.3.2 Critrios de Parada dos Treinamentos ........................................................ 48
4.4
Seleo de Arquitetura ................................................................................... 49
4.5
Algoritmo de Treinamento ............................................................................. 50
4.6
Validao Cruzada: Usando o Mtodo 10-fold .............................................. 50
4.7
Concluses do Captulo .................................................................................. 51
CAPTULO 5 ................................................................................................................. 52
5 MODELOS DE PREVISO .................................................................................. 52
5.1
Horizontes para Previso de Vazo ................................................................ 52
-X-
5.2
Funo Autocorrelao (ACF) ....................................................................... 53
5.3
Modelos para Previso Utilizando RNA ........................................................ 55
5.3.1 Primeira Configurao................................................................................ 56
5.3.2 Segunda Configurao................................................................................ 56
5.3.3 Terceira Configurao ................................................................................ 57
5.4
Modelos para Previso Utilizando RNA e ANFIS ......................................... 58
5.4.1 Configurao Um Ms Frente para o Treinamento com RNA e ANFIS. 58
5.4.2 Configurao Dois Meses Frente para o Treinamento com RNA e ANFIS
59
5.5
Modelos para Previso Utilizando o Sistema Hbrido RNA-ANFIS ............. 60
5.6
Modelos para Previso Utilizando o Sistema Hbrido RNA-Fragmentos ...... 61
5.7
Concluses do Captulo .................................................................................. 62
CAPTULO 6 ................................................................................................................. 63
6 RESULTADOS ...................................................................................................... 63
6.1
Resultados da Previso Utilizando RNA: Horizonte Anual ........................... 63
6.1.1 Resultados do Treinamento ........................................................................ 63
6.1.2 Avaliao das Previses ............................................................................. 64
a. Simulao da Melhor Rede para Primeira Configurao ............................... 64
b. Simulao da Melhor Rede para Segunda Configurao ............................... 65
c. Simulao da Melhor Rede para Terceira Configurao................................ 66
d. Erro Calculado com Relao Mdia ............................................................ 67
e. Avaliao da Melhor Configurao Simulada................................................ 68
6.2
Resultados da Previso Utilizando RNA e ANFIS: Horizonte Mensal ......... 69
6.2.1 Resultados do Treinamento com RNA na Configurao Um Ms Frente
69
6.2.2 Resultados da Previso com RNA na Configurao Um Ms Frente ..... 70
6.2.3 Resultados do Treinamento com RNA na Configurao Dois Meses
Frente 70
6.2.4 Resultados da Previso com RNA na Configurao Dois Meses Frente 71
6.2.5 Concluso dos Resultados com RNA para o Horizonte Mensal ................ 72
6.2.6 Resultados do Treinamento com o ANFIS na Configurao Um Ms
Frente 72
6.2.7 Resultados da Previso com o ANFIS na Configurao Um Ms Frente 73
6.2.8 Resultados do Treinamento com o ANFIS na Configurao Dois Meses
Frente 74
6.2.9 Resultados da Previso com o ANFIS na Configurao Dois Meses
Frente 75
6.2.10 Concluso dos Resultados com o ANFIS ............................................... 75
6.3
Resultados da Previso Utilizando o Sistema HBRIDO RNA-ANFIS ........ 76
6.4
Sistema Hbrido RNA-Fragmentos ................................................................ 77
6.5
Anlise Final dos Resultados.......................................................................... 78
6.6
Comentrios dos Resultados Finais ................................................................ 82
6.7
Concluses do Captulo .................................................................................. 83
CAPTULO 7 ................................................................................................................. 84
7 CONSIDERAES FINAIS E TRABALHOS FUTUROS.................................. 84
7.1
Concluses ...................................................................................................... 84
7.2
Trabalhos Futuros ........................................................................................... 85
REFERNCIAS BIBLIOGRFICAS ........................................................................... 88
- XI -
LISTA DE FIGURAS
Figura 1.1 Bacia do Rio So Francisco. .................................................................................................... 19
Figura 1.2 Localizao das Usinas Hidroeltricas no Rio So Francisco. ............................................... 20
Figura 2.1
Figura 2.2
Figura 2.3
Figura 2.4
Figura 2.5
- XII -
LISTA DE TABELAS
Tabela 4.1 Formao dos conjuntos .......................................................................................................... 51
Tabela 5.1 Configurao Um Ms Frente Utilizada para o Treinamento da RNA e ANFIS .................. 59
Tabela 5.2 Configurao Dois Meses Frente Utilizada para o Treinamento da RNA e ANFIS ............. 59
Tabela 6.1 Comparao entre os resultados das trs configuraes ......................................................... 64
Tabela 6.2 Resumo das Previses com as Configuraes 1, 2 e 3 e o Erro com Relao Mdia. .......... 68
Tabela 6.3 MAPE para a Configurao Um Ms Frente ........................................................................ 69
Tabela 6.4 MAPE para a Configurao Dois Meses Frente ................................................................... 71
Tabela 6.5 MAPE para a Configurao Um Ms Frente ........................................................................ 73
Tabela 6.6 MAPE para a Configurao Dois Meses Frente ................................................................... 74
Tabela 6.7 Previso da mdia anual utilizando RNA................................................................................. 76
Tabela 6.8 Erro pelo Sistema Hbrido RNA-ANFIS ................................................................................... 77
Tabela 6.9 Erro pelo Sistema Hbrido RNA-Fragmentos........................................................................... 78
Tabela 6.10 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2005 ............................ 79
Tabela 6. 11 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2006 ........................... 80
Tabela 6. 12 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2007 ........................... 81
Tabela 6. 13 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2008 ........................... 82
Tabela 6. 14 Resultados de Teste dos Modelos de Previses de Vazo ..................................................... 82
- XIII -
- XIV -
LISTA DE SMBOLOS
Q
x
y
b
v
e
u
W
Lmax
Lmin
N
P
Lpi
Tpi
T
Vazo (l/h).
Sinal de entrada genrico da RNA.
Sinal de sada genrico da RNA.
bias genrico da RNA.
campo local induzido.
Erro genrico.
Funo de ativao.
Peso sinptico.
Taxa de aprendizado.
Constante de momento.
Valor mximo dos coeficientes de sada da rede neural.
Valor mximo dos coeficientes de sada da rede neural.
Nmero de unidades de sada da rede neural.
Nmero de padres da base de dados considerada.
Sada calculada por cada unidade de sada da rede neural.
Sada desejada da rede neural para cada unidade.
Perodo de tempo.
- XV -
CAPTULO 1
1 INTRODUO
No Brasil, a gerao de energia depende basicamente da quantidade de gua
disponvel nos grandes reservatrios de acumulao existentes no pas. Todo o
planejamento da operao, de curto, mdio e longo prazo feito com base nas previses
de vazes. A segurana dos aproveitamentos e o controle de cheias dependem
igualmente de uma boa previso de vazes e a adequao do sistema s novas restries
de controle ambiental e uso mltiplo da gua tambm depende de boas previses de
vazes [1]. Enfim, o conhecimento antecipado da quantidade de gua que estar
disponvel no sistema permite ao planejador tomar decises adequadas para
maximizao da gerao.
Atualmente, a rea de planejamento e controle de sistemas de recursos hdricos
de grande importncia, uma vez que influencia diretamente na produo de energia
hidroeltrica do pas. Esta, por sua vez, depende da srie histrica de vazes das
diversas usinas do sistema, no sentido de sua utilizao como dado de entrada para um
modelo de simulao. Estes modelos so importantes para realizar as previses de
vazes necessrias para um planejamento energtico efetivo. Entretanto, trata-se de um
problema estocstico e no-linear.
O sistema hidroeltrico brasileiro encontra-se distribudo em diversas regies
geogrficas com dados coletados atravs de diversas redes de aquisio de dados que
resulta em uma considervel incerteza na informao hidrolgica coletada. Alm disso,
a inerente relao no-linear entre as variveis envolvidas dificulta e afeta o
desempenho dos modelos de previso. Uma outra dificuldade na previso de vazes a
natureza no estacionria devido aos perodos midos e secos ao longo do ano [2].
A maior parte dos modelos de previso atualmente utilizada baseia-se em relaes
lineares entre as variveis [3]. Este modelo tem sido amplamente aplicado a problemas
associados a recursos hdricos, principalmente na previso de vazes mensais. Nos
ltimos anos, modelos baseados em redes neurais artificiais tem surgido como
- 16-
CAPTULO 1 INTRODUO
alternativas de modelos de previso [4], uma vez que estes so capazes de capturar as
relaes no-lineares entre as entradas e a sada do modelo.
O Programa Mensal de Operao Energtica do Setor Eltrico, coordenado pelo
Operador Nacional do Sistema Eltrico (ONS) com o objetivo de otimizar o despacho
centralizado das usinas, realizado de forma mensal, ocorrendo tambm revises
semanais necessrias aos ajustes devido s variabilidades das afluncias, das demandas
e das indisponibilidades no previstas nos equipamentos. Para efetuar a programao
mensal da operao e suas revises necessrio realizar previso de afluncias para os
reservatrios despachados centralizadamente, o qual vem sendo realizado pelo ONS,
utilizando o sistema PREVIVAZ, desenvolvido pelo Centro de Pesquisas em Energia
Eltrica - CEPEL (1997) [5]. Este sistema seleciona o melhor modelo dentre 94
combinaes de modelos de sries temporais com diferentes mtodos de estimao de
parmetros, e comeou a ser utilizado no incio de 1999. Mesmo sendo um modelo de
pouco tempo de utilizao j se mostrou mais eficiente que seu antecessor no Setor
Eltrico, o sistema PREVAZ, substituindo-o no Programa Mensal de Operao e
apresentando erro percentual mdio na ordem de 18% [6].
Em anos recentes, Redes Neurais Artificiais, principalmente redes neurais
multicamadas com algoritmo de retro-propagao do erro [7], tornaram-se
extremamente conhecidas para previso em diversas reas, incluindo finanas [8], carga
eltrica [9] e recursos hdricos [10, 11, 12]. Estes modelos apresentam habilidade de
aprendizado e capacidade de generalizao, destacando a sua capacidade para tratar
relaes no-lineares de entradas-sadas. Na maioria dos estudos realizados, o modelo
empregado a rede multicamadas com algoritmo backpropagation. Este modelo vem
sendo aplicado para previso de vazes mostrando resultados satisfatrios [13,14, 15].
A comparao de redes neurais com abordagens tradicionais na previso de sries
temporais ainda no conclusiva. As explicaes podem estar relacionadas a diferentes
fatores, tais como a estrutura da rede neural, o tipo de srie (estacionria, noestacionria) analisada e a relao do tamanho da rede e o nmero de entradas das sries
temporais. Alm disso, a capacidade de mapeamentos complexos das redes neurais
cresce com o nmero de camadas e neurnios, acarretando maior tempo de
processamento, bem como considervel soma de dados para treinamento [16].
Este trabalho prope a aplicao em previso de vazes afluentes mdias mensais
de modelos de redes neurais e lgica fuzzy utilizando quatro modelos diferentes para o
posto hidrolgico de Sobradinho, localizado no Rio So Francisco.
- 17 -
CAPTULO 1 INTRODUO
No primeiro modelo, com horizonte de previso anual, onde as Redes Neurais
Artificiais (RNA) utilizadas foram preparadas com o objetivo de receber como entrada
amostras da srie temporal da vazo afluente do Rio So Francisco deslocadas ms a
ms. Para isso, foram utilizadas trs configuraes diferentes, onde a primeira
configurao representa a previso dos doze meses de um ano utilizando como entrada
o ano anterior. Na segunda configurao, o ano foi dividido em dois perodos: o perodo
dos meses de cheia (dezembro a abril) e o perodo dos meses considerados secos (maio
a novembro) prevendo assim todos os meses do ano com horizonte de um ano. A
terceira configurao bastante similar a primeira, onde so previstos os doze meses de
um ano tendo como entrada os doze meses do ano anterior, neste caso, sendo levado em
considerao o efeito da sazonalidade.
Os resultados obtidos so baseados no tipo de normalizao e sazonalidade, os
quais sero explicados no desenvolvimento deste trabalho.
No segundo modelo so feitas previses de vazo com horizonte mensal
utilizando RNA e o ANFIS. So realizadas previses com um e dois meses frente
dando como entrada trs meses anteriores.
No terceiro modelo foram realizadas previses de vazo com horizonte anual
utilizando o sistema hbrido RNA-ANFIS composto de uma primeira etapa, onde feita
um previso da mdia anual da vazo do ano que se deseja utilizando RNA, dando
como entrada a vazo mdia anual de quatro anos anteriores; e de uma segunda etapa
realizada com o ANFIS, onde dado como entrada o ms, a vazo mdia anual dos dois
anos anteriores e a sada da rede neural. Do exposto acima, observa-se que o ANFIS
desagrega a vazo anual prevista pela rede neural em meses.
Por fim, no quarto modelo, utilizando o sistema hbrido RNA-Fragmentos,
semelhante ao modelo anterior, inicialmente, realizada uma previso da mdia anual
da vazo do ano que se deseja utilizando RNA, em seguida, aplicado o mtodo dos
Fragmentos para desagregar em vazes mensais.
- 18 -
CAPTULO 1 INTRODUO
de incerteza. Assim, o planejamento da operao dessas usinas depende do
conhecimento prvio do volume da gua disponvel nesses reservatrios, para que se
possa estimar a quantidade mxima de energia a ser gerada pela usina. Logo, em funo
dos bons resultados da previso das vazes possvel realizar o planejamento
energtico de modo a atingir nveis timos de gerao de energia.
A previso de vazo pode ser de curto, mdio e longo prazo. A previso de curto
prazo usada para estimar a vazo num trecho da bacia com antecedncia de horas ou
poucos dias. A previso de mdio prazo envolve a previso de vazo com antecedncia
de um a alguns meses e depende, fortemente, das condies conhecidas de clima e dos
oceanos que podem influenciar as vazes futuras na bacia hidrogrfica. A previso de
longo prazo a estimativa, normalmente estatstica, dos riscos de ocorrncia de vazes
num determinado local.
O reservatrio de Sobradinho est localizado na bacia do So Francisco, sendo o
mais importante reservatrio da regio Nordeste para fins de irrigao, consumo de
gua e gerao hidroeltrica. A Figura 1.1 mostra a localizao da Bacia do So
Francisco, do reservatrio Sobradinho (tringulo), que est localizado no baixo So
Francisco e possui uma rea de drenagem de cerca de 498.425 km2 e dos reservatrios
jusante (crculos).
- 19 -
CAPTULO 1 INTRODUO
Na Figura 1.2, observa-se que montante est localizado o reservatrio Trs
Marias, importante regulador das afluncias de Sobradinho. A rea incremental de
drenagem entre Trs Marias e Sobradinho de aproximadamente 447.865 km2. O
mximo volume de armazenamento de Sobradinho de 28.669 hm3, o que leva a uma
capacidade mxima de gerao eltrica de 1.050 MW. A gua liberada por Sobradinho
reaproveitada em mais sete usinas hidroeltricas, que tem uma pequena capacidade de
armazenamento de gua, mas aumentam a mxima capacidade de gerao de energia
para cerca de 9.800 MW [17].
Trs Marias
Sobradinho
Itaparica
Paulo Afonso
- 20 -
CAPTULO 1 INTRODUO
srie mensal de afluncias ao reservatrio Sobradinho, correspondente ao perodo 19312004 (Apndice), disponibilizada pelo ONS, responsvel pela poltica operacional do
sistema hidroeltrico interconectado. A estao chuvosa inicia-se aproximadamente em
dezembro e termina em abril. Os meses remanescentes representam a estao seca. As
maiores afluncias so observadas em janeiro e maro.
1.1.1. Influncias Climticas e Fonte de Dados
O reservatrio de Sobradinho est localizado na parte sul da regio Nordeste,
caracterizada por alta variabilidade climtica e bastante vulnervel a secas. Entretanto,
uma parte significativa das afluncias originada no alto So Francisco, localizado na
regio Sudeste do pas e com caractersticas climticas diferentes da regio Nordeste.
O alto So Francisco est localizado numa regio de transio, onde eventos de
El Nio levam a condies secas ao norte e condies midas ao sul. Essas condies
sugerem que a influncia remota de fatores climticos na afluncia a Sobradinho no
completamente determinada por meio de uma anlise da precipitao sobre a bacia.
Como vazes agem como um integrador espao-tempo da chuva, uma anlise direta
entre a srie temporal de vazes pode ser a melhor forma de se obter sucessos nos
resultados de previso de vazo no reservatrio de Sobradinho [17].
- 21 -
CAPTULO 1 INTRODUO
deste trabalho, permitindo a comparao com o modelo neural descrito no captulo
anterior.
No captulo 4, descreve-se a metodologia aplicada para a implementao dos
diferentes modelos utilizados para a previso de vazo da bacia do So Francisco
detalhados no captulo seguinte. Para isso, apresenta-se a metodologia para tratamento
dos dados, algoritmos de treinamento, escolha da melhor arquitetura, mtodo de
validao cruzada e a avaliao de desempenho atravs do MAPE (Mean Absolute
Percentage Error) que ser o parmetro de comparao para definir o melhor modelo.
No captulo 5, descrevem-se os quatro modelos de previso utilizados. No
primeiro modelo, descreve-se a previso utilizando as redes neurais artificiais em uma
previso com horizonte anual; no segundo modelo so feitas comparaes entre a
previso utilizando-se ANFIS e RNA em uma previso com horizonte mensal; o
terceiro modelo trata da previso utilizando o sistema hbrido para a previso, ou seja,
utilizando as redes neurais como entrada para o ANFIS, obtendo-se assim a previso
anual dada ms a ms. Por fim, utilizou-se o mtodo dos fragmentos, utilizando a
previso com RNA e em seguida calculando o fator de cada ms.
No captulo 6, so apresentados os resultados para os diferentes modelos e
configuraes, e os resultados de suas comparaes. Por fim, so realizadas simulaes
para os anos de 2005, 2006, 2007 e 2008 cujos resultados apresentaram um pequeno
erro percentual.
No captulo 7, so apresentadas as consideraes finais do trabalho, analisando a
importncia da previso de vazo para o sistema eltrico brasileiro, bem como os
mritos obtidos com o auxlio da inteligncia artificial seja com as redes neurais, seja
com a lgica fuzzy em previso de vazo e as sugestes de trabalhos futuros.
- 22 -
CAPTULO 2
2 REDES NEURAIS ARTIFICIAIS
2.1 Introduo
Este captulo tem como objetivo apresentar uma introduo s Redes Neurais
Artificiais. Alm disso, explica-se como feita a anlise da melhor arquitetura para
escolha da melhor rede neural a ser aplicada e, com isso, so descritos os principais
algoritmos de treinamento e suas peculiaridades.
- 23-
Neurnio Artificial
Aps vrias pesquisas chega-se a uma rede neural artificial constituda de vrios
neurnios artificiais que esto altamente conectados [18,24].
Um neurnio uma unidade de processamento de informao que fundamental
para a operao de uma rede neural. A Figura 2.1 mostra o modelo de um neurnio, de
onde se identificam trs partes bsicas do modelo neuronal:
- 25 -
Sinais de
entrada
wko
Funo de
ativao
x1
wk1
x2
wk2
.
.
.
Juno
aditiva
.
.
.
Xn
(.)
Sada
Y(k)
wkn
Pesos
Sinpticos
k = wkj x j + bk
(2.1)
j=1
y k = ( k )
(2.2)
onde sinais x1, x2, x3 ...xn so os sinais de entrada; wk1, wk2, ..., wkn so os pesos
sinpticos associados ao neurnio k definido um campo local induzido vk, como sendo
sada do combinador linear que ser aplicado funo de ativao (.),obtm-se a sada
do neurnio k (yk).
2.2.3
Funo de Ativao
- 26 -
2.2.4
Processo de Aprendizagem
A utilizao de uma RNA na soluo de uma tarefa passa inicialmente por uma
fase de aprendizagem. Segundo Mendel e McLaren [25]: Aprendizagem o processo
pelo qual os parmetros de uma rede neural so ajustados atravs de uma forma
continuada de estmulo pelo ambiente no qual a rede est operando.
O objetivo principal do processo de aprendizado conceder a RNA a capacidade
de generalizar os resultados do treinamento. Esta capacidade da RNA conhecida como
processo de generalizao.
O processo de aprendizagem das RNA realizado basicamente a partir de dois
grandes paradigmas: aprendizado supervisionado, tambm conhecido como aprendizado
com um professor, e aprendizado no supervisionado. O paradigma a ser utilizado na
soluo do problema depende do tipo de problema e do tipo de RNA.
Aprendizado Supervisionado
Este paradigma de aprendizagem tambm conhecido como aprendizagem com
um professor o mais comum nos treinamentos das RNAs. Neste paradigma as entradas
e sadas desejadas so fornecidas por um supervisor externo (professor).
- 27 -
Vetor descrevendo o
estado do ambiente
Ambiente
Resposta
desejada
Professor
Resposta
real
Sistema de
aprendizagem
Sinal de erro
- 28 -
Sistema de
aprendizagem
Ambiente
- 29 -
Sinal de
Entrada
(estmulo)
yj
wki
yk
x1
e(k)
Sinal de sada
(resposta)
x2
...
...
...
xi
i
Camada
de entrada
j
Camada
oculta
k
Camada
de sada
Figura 2.5 Arquitetura perceptron de mltiplas camadas com uma camada oculta.
- 30 -
(2.3)
(it )j
( t 1)
+ ( t 1)
E
E
i j , se
i j
i j
( t 1)
E
E
= (it j 1) , se
i j
i j
( t 1) , caso contrrio
ij
- 31 -
(t )
>0
(t )
<0
E
,
>0
se
ij
i
j
(t )
(t )
<0
i j = + i j , se
i j
0, caso contrrio
(t )
ij
( t 1)
ij
E
, se
i j
( t 1)
i j
(t )
<0
(2.4)
E
i j
( t 1)
= 0 na regra de adaptao de i j .
Uma das principais vantagens do algoritmo RPROP est ligada ao fato de que
para a maioria dos problemas no necessrio fazer uma boa escolha dos parmetros (
- 32 -
- 33 -
CAPTULO 3
3 LGICA FUZZY
3.1 Introduo
Este captulo tem como objetivo apresentar uma introduo Lgica Fuzzy e
sua importncia para o desenvolvimento deste trabalho, principalmente no que diz
respeito ao sistema Fuzzy e Neuro-Fuzzy aplicado em previso. Sendo assim,
mostrado um breve histrico da lgica fuzzy e os sistemas de previso, como tambm o
Adaptive Neuro-Fuzzy Inference System (ANFIS) utilizado para o desenvolvimento
deste trabalho.
Por fim, mostra-se a importncia da aplicao da lgica fuzzy para previso de
vazo.
- 36 -
- 37 -
Valores
Exatos
Fuzzyficao
Banco de Regras
Inferncia
Defuzzyficao
Valores
Exatos
- 38 -
- 39 -
- 40 -
CAP
PTULO 3 LGICA FUZZY
F
popuularidade to
t grande que
q o levouu a ser implementado no
n MatLab. Um exemp
plo de
sistem
ma de Takaagi-Sugeno de primeiraa ordem pod
de ser visto na
n Figura 3.3.
Tendo duas
d
variveeis de entraada x e y, uma
u
sada z determinadda pela Equ
uao
3.1 e as regras:
Regrra 1: SE x A1 e y B11 ENTO f1 = p1 x + q1 y + r1
Regrra 2: SE x A2 e y B22 ENTO f2 = p2 x + q2 y + r2
(3.1)
- 42 -
- 43 -
CAPTULO 4
4 METODOLOGIA APLICADA
Este captulo descreve a metodologia aplicada no desenvolvimento deste trabalho
no que diz respeito a utilizao de inteligncia artificial para previso de vazo. Sendo
assim, so descritas todas as etapas a serem seguidas para desenvolvimento dos modelos
de previso descritos no captulo 5.
A metodologia para tratamento dos dados, os algoritmos de treinamento, escolha
da melhor arquitetura, mtodo de validao cruzada e os parmetros de validao para
definir o melhor modelo sero descritos neste captulo.
4.1 Metodologia
O uso de modelos lineares na predio de vazes e de sries temporais, como os
modelos clssicos de Box-Jenkins [41], geralmente motivado pela simplicidade, o que
facilita o projeto e a implementao. Entretanto, existem muitas situaes reais nas
quais se faz necessrio um mapeamento no-linear entre as variveis de entrada e o
domnio de resposta do sistema, da a necessidade de novas tcnicas que permitam este
mapeamento de forma eficiente.
Com o advento do algoritmo backpropagation, uma grande ateno tem-se dado
s redes neurais, especialmente s redes MLP (multilayer perceptron), em funo de
poder aproximar uma funo arbitrria no-linear em muitas variveis conforme
demonstrado no captulo 2. A capacidade de aproximao delas tem sido provada por
vrios pesquisadores, como Cybenko [42] e Stinchcomb-White [43]. Eles mostraram
que uma rede MLP com uma nica camada escondida capaz de aproximar qualquer
funo contnua definida sobre um conjunto compacto limitado. Portanto, a rede MLP
pode ser considerada uma tcnica extremamente poderosa para realizar um mapeamento
no-linear. Entretanto, esses pesquisadores no fornecem procedimentos para
determinar o nmero de neurnios necessrios na camada escondida para realizar a
aproximao de uma dada funo. Esse aspecto de fundamental importncia, haja
- 44-
Vazo(m/s)
6000
5000
4000
3000
2000
1000
0
jan
fev
mar
abr
mai
jun
jul
ago
set
out
nov
dez
Mdia
19312004 4756
4999
4865
3786
2335
1592
1333
1154
1032
1157
1906
3404
2693
2005
4382
4950
4770
3851
2222
1545
1167
1022
912
821
1243
4907
2649
2006
4478
2032
3590
4426
2196
1303
1105
1002
895
1157
2746
4409
2445
2007
5922
6813
6741
2619
1753
1247
1117
1003
943
841
911
1798
2642
2008
1841
3025
3097
2921
1443
1126
945
815
711
701
867
1378
1572
Figura 4.1 Vazo Mdia do rio So Francisco em funo dos meses do ano.
- 45 -
deve-se ento fazer a normalizao por variveis, que foi realizada conforme a Equao
(4.1):
norm
( 0 ,1 0, 9 )
x 0,9.x mn
1,1.x mx 0,9.xmn
(4.1)
Os dados foram normalizados entre 0,1 e 0,9 para evitar que os neurnios das
redes saturassem, dificultando o aprendizado durante os treinamentos [18].
- 46 -
- 47 -
Avaliao de Desempenho
Durante os treinamentos das redes neurais, o erro calculado foi o erro mdio
Lmx Lmn
NP
(L
pi
T pi ) 2
(4.2)
p =1 i = 1
Os resultados das simulaes das redes neurais sero avaliados a partir do clculo
da percentagem do erro mdio absoluto (MAPE) calculado pela Equao (4.3).
MAPE(%)=
P N L T
1
pi
pi
100
N P p=1 i=1 Tpi
(4.3)
no existem critrios bem definidos para encerrar a sua operao. Em vez disso, h
vrios mtodos particulares, cada um com o seu mrito que pode ser usado para
finalizar os treinamentos das redes neurais. Todos os critrios de parada tm objetivo de
evitar overfiting dos pesos, o que prejudica a capacidade de generalizao das redes.
Os critrios de parada do treinamento utilizado neste trabalho so apresentados a
seguir.
4.3.2.1 Nmeros de pocas
estipulado um nmero mximo de pocas de treinamentos nos projetos dos
modelos de previses, onde se define poca como sendo o nmero de vezes que o
conjunto de treinamento passado para RNA. Foram utilizadas 10000 pocas como
nmero mximo neste trabalho.
- 48 -
- 50 -
Experimento
1
2
3
4
5
6
7
8
9
10
Rede
De 1 a 10
De 11 a 20
De 21 a 30
De 31 a 40
De 41 a 50
De 51 a 60
De 61 a 70
De 71 a 80
De 81 a 90
De 91 a 100
Treinamento
5, 6, 7, 8, 9, 10
1, 6, 7, 8, 9, 10
1, 2, 7, 8, 9, 10
1, 2, 3, 8, 9, 10
1, 2, 3, 4, 9, 10
1, 2, 3, 4, 5, 10
1, 2, 3, 4, 5, 6
2, 3, 4, 5, 6, 7
3, 4, 5, 6, 7, 8
4, 5, 6, 7, 8, 9
Validao
2, 3, 4
3, 4, 5
4, 5, 6,
5, 6, 7
6, 7, 8
7, 8, 9
8, 9, 10
9, 10, 1
1, 2, 10
1, 2, 3
Teste
1
2
3
4
5
6
7
8
9
10
Esta tcnica possibilita ainda encontrar uma melhor distribuio dos dados nos
conjuntos de treinamento, validao e teste, pois cada um destes conjuntos deve
representar bem a srie temporal de vazo. Assim, com a aplicao da validao
cruzada, so criados dez experimentos durante as simulaes (testes) da melhor
arquitetura de rede, sendo que para cada experimento, os pesos so inicializados dez
vezes conforme apresentado na Tabela 4.1, pelos mesmos motivos que estes so
inicializados nos treinamentos.
- 51 -
CAPTULO 5
5 MODELOS DE PREVISO
Com o objetivo de conseguir o menor erro possvel foram propostos alguns
modelos para previso de vazo na bacia do rio So Francisco. Neste trabalho, quatro
modelos de previso de vazo foram desenvolvidos: o primeiro, denominado de modelo
para previso utilizando RNA representado por trs configuraes com horizontes de
longo prazo; o segundo, denominado de modelo para previso utilizando RNA e ANFIS
representado por duas configuraes com horizontes de mdio prazo; o terceiro,
denominado modelo hbrido RNA-ANFIS para previso, utilizando as melhores
configuraes da RNA e do ANFIS; e por fim, o quarto modelo, denominado sistema
hbrido RNA-Fragmentos, modelo para previso baseado em RNA e no Mtodo dos
Fragmentos.
- 52 -
- 53 -
- 54 -
- 55 -
Primeira Configurao
A idia da primeira configurao entrar com a vazo dos doze meses de um ano
V1
V2
V2
V3
V3
V4
.
.
.
.
.
.
.
.
.
V4
V12
V12
Camada de Entrada
Camada Oculta
Camada de Sada
5.3.2
Segunda Configurao
A idia da segunda configurao utilizando a rede 1, entrar com a vazo dos
cinco meses de cheia (dezembro a abril) para prever a vazo dos cinco meses de cheia
do ano seguinte; e utilizando a rede 2, entrar com a vazo dos sete meses considerados
seco (maio a novembro) de um ano e prever a vazo dos sete meses seco do ano
seguinte. Desta forma, estar-se prevendo um ano completo.
A Figura 5.4, ilustra a segunda configurao.
- 56 -
V1
V1
V2
V2
V3
V3
V4
V4
.
.
.
V5
Camada de Entrada
V5
Camada Oculta
Camada de Sada
(a)
V1
V1
V2
V2
V3
V3
V4
.
.
.
.
.
.
.
.
.
V7
V7
Camada de Entrada
V4
Camada Oculta
Camada de Sada
(b)
Figura 5. 4 Elementos bsicos da segunda configurao: (a) 5 meses de cheia (dezembro a abril); (b)
7 meses considerados secos (maio a novembro).
5.3.3
Terceira Configurao
A idia da terceira configurao entrar com a vazo do ms para prever a vazo
- 57 -
V
sen
V
.
.
.
cos
Camada de Entrada
Camada Oculta
Camada de Sada
(5.1)
(5.2)
ms que se deseja prever. Ou seja, trs meses de entrada e uma sada. Os meses de
entrada so meses sucessivos/seguidos, conforme Tabela 5.1.
- 58 -
Entrada 1
Outubro
Novembro
Dezembro
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
5.4.2
Entrada 2
Novembro
Dezembro
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Entrada 3
Dezembro
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Sada
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
Entrada 1
Setembro
Outubro
Novembro
Dezembro
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Entrada 2
Outubro
Novembro
Dezembro
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Entrada 3
Novembro
Dezembro
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Sada
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
- 59 -
- 60 -
V-1
V-2
V-3
V-4
RNA
Ms
V-1
V-2
V
ANFIS
FATOR Ms
Ms
=V
FATOR
(5.3)
Ms
Onde:
FATORMs o fator para cada ms do ano;
VMs a vazo prevista mensal;
V a vazo mdia anual.
- 61 -
V-1
V-2
V-3
V-4
RNA
Em seguida foi calculado um fator para cada ms do ano. Esse fator calculado
dividindo a mdia de cada ms, e.g., mdia de todas as vazes de janeiro de 1931 a
2004 pela mdia das mdias dos anos (de 1931 a 2004), conforme Equao (5.4). A
partir desses dados feita a previso mensal dos anos de 2005, 2006, 2007 e 2008,
conforme Equao (5.5), e calculado o erro da previso, conforme a Equao (4.3).
FATOR
MsFragmentos
Mdia
Mdia
Ms
(5.4)
MdiasAnual
Ms
= V FATORMsFragmentos
(5.5)
Onde:
FATORMs Fragmentos o fator para cada ms do ano;
VMs a vazo prevista mensal;
V a vazo anual prevista pela rede neural, conforme Figura 5.7.
- 62 -
CAPTULO 6
6 RESULTADOS
Este captulo apresenta os resultados dos modelos de previso de vazo obtidos
durante o desenvolvimento deste trabalho com o objetivo de compar-los e finalmente
encontrar aquele mais eficiente na bacia do rio So Francisco no posto de Sobradinho.
Ressalta-se que estes resultados so frutos da metodologia exposta no Captulo
5 e foram embasados em conceitos mostrados anteriormente.
Dividiu-se o resultado em trs partes conforme a metodologia, sendo separados
por modelos.
6.1.1
Resultados do Treinamento
Com o objetivo de determinar a melhor configurao entre as trs configuraes
- 63 -
CAPTULO 6 RESULTADOS
Tabela 6.1 Comparao entre os resultados das trs configuraes
Configurao
1 (12x7x12)
Rede
MAPE
18,99
Melhor rede
96
2 (5x4x5)
2 (7x14x7)
Resultado
mido
Seco
mido+Seco
22,54
17,66
19,69
52
94
24,84
90
3 (3x7x1)
Os resultados do treinamento tambm so apresentados na Figura 6.1, detalhandose o MAPE mensal para cada configurao.
100
M APE
80
60
40
20
0
jan
fev
mar
abr
mai
jun
jul
ago
set
out
nov
dez Mdia
Configurao 1 17.20 14.46 32.15 26.08 11.69 12.39 8.70 13.57 12.40 20.27 23.20 35.82 18.99
Configurao 2 25.20 13.08 24.81 21.59 16.08 16.27 14.54 13.77 11.35 18.12 33.46 28.00 19.69
Configurao 3 30.13 23.39 18.55 24.91 14.06 16.19 18.31 26.86 28.96 22.50 57.18 17.03 24.84
Meses
Figura 6.1 MAPE das trs configuraes.
6.1.2
- 64-
CAPTULO 6 RESULTADOS
200
MAPE (%)
160
120
80
40
jan
fev
mar
abr
mai
jun
jul
ago
set
out
nov
dez
Mdia
30,11
Meses
Figura 6.2 Erro da previso dos anos de 2005, 2006, 2007 e 2008 com a Configurao 1.
- 65 -
CAPTULO 6 RESULTADOS
200
MAPE (%)
160
120
80
40
0
jan
fev
mar
abr
mai
jun
jul
ago
set
out
nov
dez
Mdia
7,18
12,88
4,96
0,66
26,11
40,48
8,92
7,07
8,58
8,52
1,27
Figura 6.3 Erro da previso dos anos de 2005, 2006, 2007 e 2008 com a Configurao 2.
MAPE (%)
240
200
160
120
80
40
0
jan
fev
mar
abr
mai
jun
jul
dez
Mdia
ago
set
out
nov
52,32
42,21
3,62
Figura 6.4 Erro da previso do ano de 2005, 2006, 2007 e 2008 com a Configurao 3.
- 66 -
CAPTULO 6 RESULTADOS
Como apresentado na Figura 6.4, a Configurao 3 a que apresenta resultados
piores se comparado com as outras duas configuraes mostradas anteriormente.
Ratificando tambm aqui a atipicidade para fevereiro do ano de 2006, final do ano de
2007 e de todo o ano de 2008.
d. Erro Calculado com Relao Mdia
Para se ter uma idia da capacidade de previso dos modelos desenvolvidos, foi
avaliado o erro em cada ano de 2005 a 2008 caso tivesse sido usado como previso a
mdia histrica de 1931 a 2004. Esta uma maneira simplificada de realizar a previso.
A Figura 6.5 apresenta o erro calculado em relao mdia.
200
160
120
80
40
jan
2005
8,53
2006
6,21
fev
mar
0,99
1,99
1,69
5,09
3,04
14,22
146,01 35,52
14,46
6,33
22,18
20,63
abr
mai
jun
jul
ago
set
out
nov
dez
Mdia
12,92
13,16
40,93
53,34
30,63
15,54
15,17
15,31
0,00
30,59
22,79
27,93
37,56
27,83
44,56
33,20
27,67
19,34
15,05
8,92
57,10
29,61
61,83
41,39
41,03
41,60
45,15
Meses
- 67 -
CAPTULO 6 RESULTADOS
e. Avaliao da Melhor Configurao Simulada
Constata-se que dentre as trs configuraes desenvolvidas neste trabalho
utilizando apenas redes neurais, foi verificado que as Configuraes 1 e 2 foram as que
forneceram melhores resultados, sendo as mesmos bastante semelhantes. Contudo, no
conjunto de teste (2005 a 2008) a Configurao 2 a que fornece melhor resultado,
sendo portanto selecionada para a comparao com os outros modelos de previso no
horizonte anual que sero analisados nos itens 6.3 e 6.4.
A Tabela 6.2 mostra um resumo das mdias das previses realizadas com as
Configuraes 1, 2, 3 e com o erro calculado com relao mdia.
Tabela 6.2 Resumo das Previses com as Configuraes 1, 2 e 3 e o Erro com Relao Mdia.
ANO
Conf. 1
2005
2006
2007
2008
MDIA
MAPE%
Horizontes Anual
RNA
Conf. 2
Conf. 3
17,15
30,11
40,52
77,62
41,35
12,88
22,66
29,57
70,26
33,84
ERRO R
Mdia
52,32
42,21
74,05
108,42
69,25
15,54
27,93
37,56
72,77
38,45
Vazo (m/s)
4000
3000
2000
1000
0
jan
fev
mar
abr
mai
jun
jul
ago
set
out
nov dez
4716 4887 3567 3377 2254 1587 1273 1119 988 1103 1923 4235
Figura 6.6 Vazo calculada na Configurao 2.
- 68 -
CAPTULO 6 RESULTADOS
Comparando-se a vazo mensal dos anos de 2005 a 2008 na Figura 6.6 (sada do
modelo) e Figura 4.1 (realizado), constata-se que a Configurao 2 apresenta erros
menores nos meses de maio a novembro (secos) mostrando uma melhor eficincia das
RNA para prever este perodo do ano.
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ
MDIA
MAPE
MDIO
26.21%
45.60%
29.68%
25.22%
14.35%
15.01%
17.53%
35.72%
25.71%
21.19%
37.26%
41.84%
27.94%
- 69 -
CAPTULO 6 RESULTADOS
6.2.2
120,00%
100,00%
80,00%
60,00%
40,00%
20,00%
0,00%
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ MDIA
2005 47,22% 1,82% 2,92% 21,53% 25,43% 7,48% 5,67% 14,32% 8,32% 10,67% 1,79% 61,54% 17,39%
2006 15,77% 147,38 51,58% 55,78% 52,15% 5,47% 0,97% 17,50% 7,91% 22,13% 48,37% 28,36% 37,78%
2007 23,17% 23,06% 27,17% 35,18% 17,11% 12,39% 7,41% 10,13% 12,90% 8,10% 38,87% 7,68% 18,60%
2008 25,17% 33,93% 0,65% 4,69% 21,59% 6,78% 11,75% 30,23% 14,12% 24,17% 35,56% 14,26% 18,57%
6.2.3
- 70 -
CAPTULO 6 RESULTADOS
Tabela 6.4 MAPE para a Configurao Dois Meses Frente
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ
MDIA
MAPE
MDIO
18.14%
47.70%
37.76%
41.98%
30.28%
20.89%
10.31%
10.51%
18.04%
26.03%
38.41%
58.51%
29.88%
- 71 -
MAPE(%)
CAPTULO 6 RESULTADOS
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ MDIA
2005 48,72% 49,52% 34,14% 21,60% 5,49% 7,90% 9,25% 14,78% 10,32% 26,11% 5,91% 62,96% 24,73%
2006 46,83% 65,16% 22,55% 60,12% 15,13% 58,10% 26,15% 14,88% 10,73% 12,89% 52,92% 52,27% 36,48%
2007 47,81% 48,58% 42,12% 29,07% 66,70% 2,69% 5,78% 0,78% 3,04% 19,40% 44,68% 2,33% 26,08%
2008 13,49% 18,30% 31,19% 25,36% 34,01% 9,56% 21,85% 18,73% 32,02% 37,57% 35,69% 23,11% 25,07%
Figura 6.8 MAPE da Previso na Configurao Dois Meses Frente com RNA.
6.2.5
6.2.6
- 72 -
CAPTULO 6 RESULTADOS
Tabela 6.5 MAPE para a Configurao Um Ms Frente
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ
MDIA
MAPE
MDIO
25.43%
41.64%
38.15%
21.84%
8.41%
11.11%
6.39%
8.32%
14.26%
15.12%
21.60%
42.50%
21.23%
- 73 -
CAPTULO 6 RESULTADOS
120,00%
MAPE(%)
100,00%
80,00%
60,00%
40,00%
20,00%
0,00%
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ MDIA
2005 16,57% 14,41% 10,51% 2,63% 3,58% 3,97% 11,08% 2,78% 9,90% 23,22% 1,99% 43,42% 12,00%
2006 35,65% 111,06 26,27% 27,80% 1,33% 20,77% 6,86% 3,76% 7,39% 14,49% 35,45% 8,89% 24,98%
2007 4,84% 17,69% 3,24% 89,65% 2,80% 23,40% 2,23% 5,10% 1,81% 16,45% 46,88% 45,46% 21,63%
2008 92,66% 13,30% 12,89% 9,78% 13,06% 12,05% 11,05% 9,20% 19,91% 23,73% 22,83% 86,42% 27,24%
Figura 6.9 MAPE da Previso na Configurao Um Ms Frente com o ANFIS.
6.2.8
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ
MDIA
MAPE
MDIO
21.00%
50.84%
42.12%
43.47%
23.48%
7.53%
8.52%
7.21%
5.78%
15.05%
38.69%
55.43%
26.59%
- 74 -
CAPTULO 6 RESULTADOS
6.2.9
MAPE(%)
200,00%
150,00%
100,00%
50,00%
0,00%
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ MDIA
2005 27,89% 38,80% 14,17% 2,93% 15,65% 30,50% 39,78% 30,20% 29,90% 41,71% 12,10% 46,75% 27,53%
2006 29,44% 233,85 32,85% 52,79% 11,80% 42,53% 39,95% 8,88% 23,73% 7,01% 49,17% 37,12% 47,43%
2007 29,02% 23,35% 8,25% 89,89% 117,44 65,36% 37,54% 9,35% 13,09% 27,72% 60,20% 49,32% 44,21%
2008 63,99% 2,36% 24,98% 8,55% 11,81% 38,95% 21,40% 28,43% 35,28% 38,66% 24,15% 75,38% 31,16%
Figura 6.10 MAPE da Previso na Configurao Dois Meses Frente com o ANFIS.
- 75 -
CAPTULO 6 RESULTADOS
Ano
Vazo
calculada
(m3/s)
Vazo
desejada
(m3/s)
Erro (%)
2005
2006
2007
2008
2762,962
2533,131
2344,354
2302,098
2649
2445
2642
1572
4,12%
3,48%
12,70%
31,71%
- 76 -
CAPTULO 6 RESULTADOS
desenvolvido como forma de encontrar erros menores. Porm, os erros apresentados na
Figura 6.3 correspondentes a Configurao 2 ainda so menores, salvo o ano de 2008.
Tabela 6.8 Erro pelo Sistema Hbrido RNA-ANFIS
Ms\Ano
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ
2005
2006
2007
2008
19,12% 6,44% 26,54% 135,22%
2,44% 126,93% 38,99% 37,43%
2,02% 17,48% 44,70% 21,33%
2,12% 20,86% 15,15% 5,09%
27,96% 13,41% 18,54% 47,99%
10,04% 14,37% 3,62%
9,73%
4,11%
6,70% 24,68% 10,83%
12,89% 8,71%
4,48% 16,45%
34,29% 28,11% 11,39% 49,73%
66,86% 8,37% 38,29% 73,85%
76,53% 28,04% 100,95% 121,97%
17,45% 17,23% 87,64% 152,76%
MDIA 22,99%
24,72%
34,58%
56,87%
- 77 -
CAPTULO 6 RESULTADOS
Tabela 6.9 Erro pelo Sistema Hbrido RNA-Fragmentos
Ms\Ano
JAN
FEV
MAR
ABR
MAI
JUN
JUL
AGO
SET
OUT
NOV
DEZ
MDIA
2005
11,34%
3,59%
4,62%
0,85%
7,80%
5,71%
17,21%
15,81%
16,09%
44,63%
57,33%
28,83%
17,82%
2006
0,11%
131,35%
27,44%
19,55%
0,00%
14,92%
13,49%
8,30%
8,46%
5,91%
34,71%
27,38%
24,30%
2007
30,10%
36,14%
37,19%
25,83%
15,94%
11,13%
3,90%
0,13%
4,77%
19,85%
82,20%
64,80%
27,66%
2008
120,80%
41,23%
34,27%
10,79%
38,31%
20,85%
20,58%
21,00%
24,08%
41,13%
87,94%
111,16%
47,68%
De acordo com a Tabela 6.9, observa-se que os erros apresentados por este
modelo foram bastante satisfatrios quando comparado aos outros modelos com
horizonte anual (Tabela 6.2 e 6.8). Ressalta-se, mais uma vez, que em alguns meses
especficos, outros modelos apresentaram resultados superiores.
- 78 -
CAPTULO 6 RESULTADOS
Conf. 2 Configurao 2 com horizonte de previso anual;
1 Ms e 2 Meses Previso com um ms frente e dois meses frente,
respectivamente.
Inicia-se a comparao com o ano 2005, conforme Tabela 6.10, onde so
mostrados de forma resumida os resultados dos modelos de previso desenvolvidos.
Analisando a Tabela 6.10, percebe-se que o melhor desempenho para a previso
com horizonte anual foi com a Configurao 2, apresentando um erro mdio de 12,88%.
A previso com horizonte mensal, cujo objetivo corrigir a previso feita com o
horizonte anual, apresentou um erro de 12,00% pelo modelo ANFIS Um Ms
Frente. Destaca-se que a Configurao 2 apresenta resultados melhores que todos os
outros modelos para uma maior quantidade de meses no ano de 2005.
Tabela 6.10 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2005
- 79 -
CAPTULO 6 RESULTADOS
Tabela 6. 11 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2006
- 80 -
CAPTULO 6 RESULTADOS
Tabela 6. 12 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2007
- 81 -
CAPTULO 6 RESULTADOS
Tabela 6. 13 Resultados de Teste dos Modelos de Previses Desenvolvidos para 2008
MAPE(%)
ANO
Horizontes Anual
RNA
RNARNAConf. 2 ANFIS Fragmentos
2005
12,88
2006
22,66
2007
29,57
2008
70,26
MDIA
33,84
No que diz respeito
22,99
24,72
34,58
56,87
34,79
17,82
24,30
27,66
47,68
29,37
Horizontes Mensal
RNA
ANFIS
1 Ms 2 Meses 1 Ms 2 Meses
17,39
37,78
18,60
18,57
23,09
24,73
36,48
26,08
25,07
28,09
12,00
24,98
21,63
27,24
21,46
27,53
47,43
44,21
31,16
37,58
- 82 -
CAPTULO 6 RESULTADOS
Por outro lado, neste trabalho a previso mensal para o posto de Sobradinho,
utilizando-se dos modelos de inteligncia artificial com 3 meses anteriores resultou-se
em erros com RNA (2005-2008) de 23,09% e com o sistema ANFIS um erro de
21,46%, semelhantemente ao mostrado por Ballini [11] um erro de 21,1% para o
mesmo posto de Sobradinho porm para perodos diferentes (perodo de 1986 a 1990).
Porm, neste trabalho apresenta o erro ms a ms constatando-se as dificuldades
pontuais ao longo dos meses do ano.
Luna et al [27] realizou experimento de previso com RNA para a usina de
Furnas. Devido sazonalidade no perodo de 12 meses, usou 12 modelos diferentes, um
para cada ms do ano, onde o nmero de entradas para cada ms variou de 1 a 5. Foram
mostrados erros globais para previses com um passo frente e com doze passos
frente. O erro relativo mdio percentual foi de 23,50% com um passo frente e 37,30%
com doze passos frente. Esses valores so compatveis com os apresentados neste
trabalho.
A previso mensal melhorou os resultados de previso anual que era objetivo
desse trabalho.
- 83 -
CAPTULO 7
7 CONSIDERAES FINAIS E TRABALHOS FUTUROS
7.1 Concluses
O principal objetivo deste trabalho foi desenvolver modelos de previso
aplicando tcnicas de inteligncia artificial a fim de encontrar um modelo mais eficiente
e robusto de previso de vazo na bacia do rio So Francisco.
A anlise das sries histricas de vazo o primeiro passo de grande
importncia para um modelo de previso de vazo. a partir dela que se chega a uma
definio dos modelos a serem empregados. A partir dessa anlise, foram desenvolvidos
vrios modelos de previses com tcnicas e horizontes diferentes, a fim de avaliar e
desenvolver ferramentas mais poderosas.
importante frisar que a previso de vazo aqui explorada tem a finalidade de
subsidiar o planejamento da operao dos sistemas hidroeltrico, uma vez que essa
informao de suma importncia para a operao do Sistema Eltrico.
Com relao aos modelos desenvolvidos, pode-se concluir atravs dos resultados
apresentados no decorrer do trabalho que todos eles tm eficcia comprovada em
previso de vazo, em sntese, pode-se perceber que:
O ANFIS, apesar de mostrar bons resultados, pode ser melhorado, adicionandose sua entrada outros fatores;
- 84-
Quanto aos modelos utilizados nesse trabalho, sabe-se que eles podem ser
melhorados em busca de erros menores;
- 85 -
APNDICE
ANO
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
BASE DE DADOS
JAN FEV
MAR
4676 4805 6630
4036 4531 3214
5014 5516 3429
6110 4222 2298
4519 5442 5408
2696 2664 4174
4643 5598 4242
6307 4237 3850
5096 5897 4891
3103 4739 5500
5004 4423 4132
4624 4420 5277
6185 9469 7966
6328 4864 4749
5632 6944 7973
7284 10080 4595
3749 5142 5706
6343 4520 5422
7850 9219 13034
4451 4716 3461
4179 4156 4439
3310 4717 5792
3563 1792 2684
4405 2779 2780
2310 4051 2165
5370 2215 4585
5948 7119 6903
3623 5212 3385
3601 3660 3495
3291 5729 6124
5755 7765 6407
3616 5406 4433
5658 6556 3462
3543 7732 5284
5188 5056 5560
4402 6188 6708
5105 4685 4016
5561 4444 6495
2837 3950 3851
5959 6441 4717
ABR
7333
1976
2692
1615
4716
2764
2888
2372
2156
4297
4791
3360
5097
3729
7150
5591
7283
4016
7136
3784
4855
6938
3741
2429
2616
2543
7965
3104
2708
6060
3479
3161
1684
2569
5836
4287
3596
5090
2322
2574
MAI
4467
1425
1905
1785
3740
2109
2237
1613
1627
1914
2721
2274
2881
2518
8764
3581
4318
2210
3499
2620
2522
3257
1934
1444
1437
1773
5817
2421
1364
2468
2328
2003
1401
1566
2872
2625
2453
2309
1656
1899
JUN
2397
1292
1357
1167
2010
1300
1454
1419
1258
1416
1658
1547
2113
1738
3939
2453
2353
1846
2589
1742
1846
1971
1308
1201
1072
1640
2769
1697
1139
1764
1737
1476
1119
1166
1837
1908
1537
1641
1233
1428
JUL
1870
1176
1250
997
1557
1092
1231
1157
1107
1187
1423
1300
1774
1468
2591
2009
1942
1581
2155
1515
1487
1605
1108
979
900
1325
2033
1413
1015
1388
1389
1260
991
1019
1510
1513
1296
1430
1107
1273
- 86-
AGO
1619
995
1072
897
1237
934
1036
1033
1035
1055
1260
1117
1522
1278
2078
1724
1626
1359
1820
1305
1276
1312
972
852
788
1067
1644
1421
906
1151
1188
993
898
924
1269
1330
1135
1307
987
1098
SET
1448
905
915
799
1055
861
900
956
936
861
1022
1024
1290
1102
1703
1497
1613
1207
1547
1076
1103
1192
858
715
678
903
1373
1128
820
979
993
844
801
734
1053
1081
968
1238
841
1060
OUT
1376
982
1194
877
1079
887
920
914
1285
926
1137
1324
1394
962
1978
1518
1436
1323
1464
1266
1027
1136
1161
645
661
841
1522
1518
847
902
883
1173
712
878
1430
1200
887
1298
905
1561
NOV
1935
2107
1799
905
1178
1597
2395
1538
1020
2138
1670
2274
2205
1651
3267
2171
3112
1504
2929
2138
942
1782
1411
880
1977
1468
1416
1838
1600
1076
1098
1967
946
2855
2663
1911
1703
1760
2631
2982
DEZ
2207
3594
3336
1605
2585
2724
4703
2957
1707
3793
2315
5170
5150
3848
5593
3769
4248
5155
2944
4127
1641
3393
3189
3544
3305
3687
4341
1798
2711
4172
1680
3057
1106
4250
4170
2532
3911
4453
4879
2702
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
1650
4959
4644
4561
4301
2007
4701
5872
5929
6347
5974
6811
5072
6328
5566
6332
3150
5163
3601
9467
3742
4651
5840
5366
2872
4478
6202
3343
3013
4169
3158
4440
4118
3233
1436 1755 1407 1122 913 827 722 743 1182 2377 6411
2886 3381 2972 1785 1250 1143 1021 863 1418 1969 3790
3784 3607 4402 2054 1443 1253 1001 836 1341 3233 4492
3046 3222 5184 2872 1718 1397 1233 1046 1116 1868 2410
4111 2392 2446 1924 1233 1133 961 780 1033 2358 2727
1927 2107 1765 1037 1015 796 772 985 1442 2187 4818
5751 2163 2131 1797 1294 1091 955 912 1149 1477 2873
5145 6259 4019 2490 2221 1526 1458 1187 1614 2055 4045
9409 15676 7174 3610 2745 2267 1949 2034 1992 3305 3333
9918 10490 4684 3388 2359 2220 1875 1669 1808 2380 4856
4916 3817 5781 2728 2026 1637 1509 1342 1960 4448 6170
7990 7135 6885 3678 2536 2131 1765 1586 1618 1481 1701
7258 9245 6550 4189 2510 2070 1748 1441 2050 3720 5827
2999 2686 3469 1773 1328 1158 1059 1270 1314 1691 3888
7789 6701 5015 2432 1773 1423 1259 1235 1636 2148 3265
7556 4732 2140 1753 1283 1230 1230 1128 1056 1117 1872
2606 2604 2759 1701 1159 1071 840 800 920 1325 3709
3829 4116 2843 1852 1173 1033 979 767 989 1566 2619
2715 3018 1672 1142 1030 1013 858 893 996 1883 5073
3681 3101 1975 1359 1060 1130 987 968 984 1355 1617
5138 4639 5139 2340 1470 1222 1125 1031 1323 2095 3057
9244 12915 3754 2614 1765 1444 1283 1384 1860 4269 4814
4644 3943 2590 1801 1439 1245 1105 981 1214 1180 2046
4689 4993 4521 2154 1470 1378 1081 1022 782 989 3062
3220 2837 2587 1731 1188 1087 851 672 895 1651 3244
2180 2234 1593 1184 934 785 668 699 730 1702 3317
4622 4461 4053 2438 1747 1294 1197 1047 1052 1343 3446
3360 3096 1536 1122 950 838 751 620 704 1994 3241
1827 4212 2245 1201 874 787 663 695 570 1601 2990
5271 4455 3316 1730 1188 930 923 918 703 1823 3655
1695 1719 1096 845 824 645 632 659 714 1201 2187
4761 3516 2234 1074 883 851 644 506 665 936 1871
4387 2737 2604 1374 983 890 747 680 506 843 1611
5002 6786 5329 2737 1493 1304 1010 899 889 1063 1841
- 87 -
REFERNCIAS BIBLIOGRFICAS
[1] MARINHO, M. H. N., AQUINO, R. R. B., Redes Neurais Multicamadas para
Previso de Vazes Semanais Aplicado ao Sistema Hidroeltrico BrasileiroPREVIVAZ, Relatrio Tcnico 125/97, 1997.
[6] BALLINI, R. ; GUILHON, L. G. F. ; SOARES, S. ; GOMIDE, F., Previso de
Short term load forecasting using fuzzy neural networks, IEEE Transactions on
Power Systems 10(3): 1518-1524, 1995.
[10]MARINHO, M. H. N. (2005) Previso de Vazes Afluentes Vrios Passos
REFERNCIAS BIBLIOGRFICAS
Neural Networks - IV Congresso Brasileiro de Redes Neurais pp. 164-169, July
20-22, 1999 - ITA, So Jos dos Campos - SP Brazil.
[13]ATIYA, A. F., EL-SHOURA, S. M., SHAHEEN, S. I.
EL-SHERIF, M. S.
(1999). A comparison between neural-network forecasting techniques - case
study: River flow forecasting, IEEE Transactions on Neural Networks
10(2): 402-409.
[15]AQIL, M., KITA, I., YANO, A., NISHIYAMA, S., Neural Networks for Real
Time Catchment Flow Modeling and Prediction. Water Resour Manage (2007)
21:17811796.
[16]LACHTERMACHER, G. and FULLER, J. D. (1995) . Backpropagation in
storage and organization in the brain. Psychological Review, v65, No. 6, pp.
386-408, 1958.
[21]WINDROW, Bernard and HOFF JR., Marcian.Edward. Adaptive switching
Learning,
and
Patten
Recognition;
- 89 -
Theory
and
application,
chapter
REFERNCIAS BIBLIOGRFICAS
reinforcement-learning control and pattern recognition systems, pages 287-318.
New York: Academic press, 70.
[26]RIEDMILLER, M., BRAUN, H., A direct adaptive method for faster
Vazo utilizando Redes Neurais Dinmicas do Tipo FIR. In: VII Congresso
Brasileiro de Redes Neurais, 2005, Natal. p. 1-6
[28]YEN, J., Logic Fuzzy: a Modern Perspective. IEEE Transactions on
Blucher, 1999.
[34]ALTROCK, C., A Fuzzy Logic Thermostat, Circuit Cellar Ink: Issue 75, 1996.
[35]ZADEH, L., Fuzzy Sets, Information and Control, IEEE Transactions on
- 90 -
REFERNCIAS BIBLIOGRFICAS
[41]BOX, G. E. P., JENKINS, G. M., Time Series Analysis -Forecasting and
OLIVEIRA, J., Combined Artificial Neural Network and Adaptive NeuroFuzzy Inference System for Improving a Short-Term Electric Load Forecasting.
Lecture Notes in Computer Science, v. 4669, p. 779/1611-3349-788, 2007.
[47]PRECHELT, L. Proben1 A Set of Neural Network Benchmark Problems and
- 91 -