Você está na página 1de 12

SPOLM 2007

ISSN 1806-3632

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

PREVISO DE DEMANDA DE ENERGIA ELTRICA NO BRASIL UTILIZANDO REDES NEURAIS DE ELMAN


Fernanda Fidelis Paschoalino Universidade Federal Fluminense Rua Passo da Ptria 156, 22210-240, Niteri, RJ fernandapaschoalino@gmail.com Tabita Yaling Cheng Loureiro Universidade Federal Fluminense Rua Passo da Ptria 156, 22210-240, Niteri, RJ tabis@globo.com Joo Carlos Correia Baptista Soares de Mello Universidade Federal Fluminense Rua Passo da Ptria 156, 22210-240, Niteri, RJ jcsmello@producao.uff.br Luiz Biondi Neto Universidade do Estado do Rio de Janeiro Rua So Francisco Xavier 524, sala 5019B, 20550-013, Rio de Janeiro, RJ lbiondi@uerj.br Resumo Este estudo aplica a tcnica de inteligncia computacional conhecida como Rede Neural Artificial em modelos de previso do consumo de energia eltrica no Brasil. A modelagem utilizada foi Rede Neural de Elman associada a um algoritmo de aprendizado supervisionado (backpropagation). O principal objetivo foi analisar a performance de aprendizado da RNA frente ao comportamento no-linear e no-sazonal das sries histricas. A base de dados contemplou o consumo mensal de energia eltrica referente ao perodo de 1982 a 2003. Em um primeiro momento, os padres de entrada foram os dados de 1982 a 2002, devidamente pr-processados. O ano de 2003 no fez parte do treinamento e serviu como referncia para investigar a previso com o objetivo de testar a generalizao da rede e validar os resultados. No segundo momento, o ano de 2001 foi escolhido para validao dos resultados devido ao uso racional da energia nesse perodo. Por fim, foram calculados os erros mdios quadrticos de cada modelo investigado, alcanando resultados na ordem de 0,02%. Palavras-Chaves: Energia Eltrica; Redes Neurais de Elman; Redes Recorrentes; Previso de Sries Temporais; Consumo de Energia Eltrica. Abstract This study applies computational intelligence as Neural Network to the Electric Power Consumption in Brazil. It was used the Elman network architecture based on backpropagation. The main purpose of this study was testing how Elman networks were capable to deal with non linearity and non stationarity in time series. The database comprises a period of monthly electric power consumption from 1982 to 2003. There were structured two models. First, the patterns used as inputs for training the neural networks are correspondent to the period from 1982 to 2002. Since 2003 was not included in training, it was adopted as a parameter to generalization test and validation. In the following step, it was chosen the year of 2001, according to its particular demand - drop in the electric power consumption. At last, there were calculated the mean average errors in each model, which achieved results as 0.02%.

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

Keywords:

Electric Power; Elman Neural Networks, Recurrent Neural Networks; Times Series Forecast; Electric Power Consumption.

1. Introduo Este estudo prope ao emprego da tcnica de inteligncia computacional conhecida como Rede Neural Artificial para previso do consumo de energia eltrica no Brasil. A modelagem utilizada foi a Rede Neural de Elman (RNA) associada a um algoritmo de aprendizado supervisionado (backpropagation) na previso de sries temporais do consumo de energia eltrica. De acordo com Biondi Neto et al, 2005, as principais caractersticas das RNAs na anlise de sries temporais so a capacidade de aprendizado na realizao de previses precisas; flexibilidade para previses iterativas; capacidade de lidar com a noestacionariedade e a no-linearidade das sries temporais investigadas e a possibilidade de oferecer predio paramtrica e no-paramtrica. A base de dados para o presente estudo contempla o consumo de energia eltrica no Brasil referente ao perodo de 1982 a 2003, totalizando 264 elementos, deslocados ms a ms. Nas camadas de contexto, camadas ocultas que simulam a memria da rede, foi estruturado um atraso para que a rede recebesse os dados processados em perodos de um ano, defasados ms a ms. No primeiro modelo, os padres de entrada da rede foram os dados referentes ao perodo de 1982 at 2002. O ano de 2003 no fez parte do treinamento e pde servir como referncia para testar a generalizao da rede e validar os resultados. Uma outra modelagem foi proposta utilizando o ano de 2001 como referncia para validar os resultados e investigar como a rede neural de Elman iria se comportar frente a um outlier, j que esse foi o ano em que se intensificou o uso racional da energia no pas. Na fase de treinamento, diversos parmetros foram balanceados. Alguns deles foram: o nmero de camadas escondidas; o nmero de neurnios artificiais por camada e o tipo de funo de ativao. A rede recorrente, caracterstica da rede de Elman, pode apresentar uma ou mais malhas de realimentao, fazendo com que suas conexes permitam rede memorizar as informaes atuais na camada de contexto no momento seguinte seqncia investigada. Portanto essa estrutura a mais indicada na aplicao de modelos de previso de sries temporais. A arquitetura empregada na RNA baseou-se em uma rede parcialmente recorrente, onde a implementao foi feita usando-se o software MATLAB verso 7.0. Para este estudo, os dados do consumo de energia eltrica no Brasil abrangem o somatrio de toda a composio setorial do consumo de eletricidade do pas e foram obtidos do IPEADATA (Instituto de Pesquisa Econmica e Aplicada). 2. Caractersticas das Redes Neurais As Redes Neurais Artificiais se destacam por apresentarem caractersticas semelhantes ao funcionamento do crebro humano como capacidade de aprendizado, generalizao, associao, procura paralela e endereamento pelo contedo. Algumas reas de aplicao so: previso de sries temporais; controle de processos; robtica; classificao de dados; reconhecimento de padres em linhas de montagem; filtros contra rudos eletrnicos; anlise de imagens, avaliao de riscos de financiamento, deteco de bombas, identificao de reservas de petrleo etc. (Braga et. al., 1998). Uma Rede Neural Artificial um modelo computacional que compartilha algumas propriedades do crebro humano. Consiste em estruturas paralelas, baseadas em unidades processadoras bem simples (modelo artificial do neurnio) e densamente interconectadas. As Redes Neurais Artificiais so semelhantes ao crebro humano em dois aspectos basicamente: a experincia a fonte do conhecimento adquirido e o conhecimento adquirido armazenado nas sinapses. (Haykin, 2001)

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

O neurnio, clula constituinte do crebro, composto por um corpo celular, axnios e dendritos. O axnio, uma fibra nervosa de superfcie lisa com poucas ramificaes e maior comprimento responsvel pela transmisso da informao na comunicao com outros neurnios. Os dendritos, que tm aparncia de rvores, possuem superfcie irregular e muitas ramificaes e atuam como receptores desta comunicao. A Figura 2.1 ilustra a estrutura de um neurnio e seus principais componentes.
Ramificao do Axnio Axnio de outra clula Dendrito Sinapse Axnio

Ncleo Sinapses Corpo Somtico ou Soma Figura 2.1 Neurnio Biolgico (Fonte: Biondi Neto et al, 2005)

A transferncia de informao entre neurnios biolgicos denominada sinapse, que se d atravs de um processo qumico no qual so liberadas substncias transmissoras que se difundem pela juno sinptica entre neurnios, causando aumento ou queda do potencial eltrico do neurnio receptor. Pelos dendritos, o neurnio recebe sinais de outros neurnios a ele conectados, os quais so acumulados no corpo do neurnio. Quando a soma dos sinais ultrapassa um determinado limiar, um sinal propagado no axnio para outros neurnios. Paralelamente, a transferncia de informao entre neurnios artificiais semelhante sinapse, que se d atravs de uma funo de ativao, simulando o processo qumico no qual so liberadas substncias transmissoras que so difundidas entre neurnios. No neurnio artificial, os pesos relacionados s entradas representam o processo que causa aumento ou queda do potencial eltrico do neurnio receptor. (Haykin, 2001). Esse processo pode ser visualizado na Figura 2.2 que traz uma comparao entre o neurnio biolgico e o neurnio artificial.

Entradas e Pesos

xiwij
i=1

OUT = F

xiwij
i=1

Neurnio Biolgico

Neurnio Artificial

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

Figura 2.2 Neurnio Biolgico Versus Neurnio Artificial (Adaptado de Biondi Neto et al, 2005)

2.1 O processamento da Rede Neural As RNAs, diferentemente da programao tradicional, no tm execuo direta, apresentando por caracterstica duas fases distintas de processamento. A primeira fase conhecida por treinamento, sendo caracterizada pela apresentao de padres de entrada com objetivo de mapear o conhecimento que a rede deve aprender. nesta fase que os padres so apresentados separadamente, em lotes, e o erro medido pela diferena entre a sada obtida a cada iterao do treinamento e o alvo, que o resultado que se deseja obter. Quando o erro atinge um valor satisfatrio, o processo de treinamento encerrado e o conhecimento obtido armazenado em um arquivo sob forma de uma matriz numrica, conhecida tambm por matriz de pesos sinpticos. Depois de treinada, a rede passa para a segunda fase, que a fase de execuo. Nesta etapa do processamento, so apresentados vetores de entrada rede, tambm sob forma numrica, que normalmente no fizeram parte do treinamento. Dessa forma, o valor da funo soma o argumento de uma segunda funo, denominada funo de ativao. O resultado desta funo a sada processada por aquele respectivo neurnio. 2.2 A Funo de Ativao Cada neurnio realiza um processamento simples: recebe uma entrada e computa um novo nvel de ativao (Russel e Norvig, 1995). Este processamento composto por duas etapas: na primeira, cada entrada xi do neurnio multiplicada pelo peso sinptico correspondente wji (peso da entrada i do neurnio j). O resultado de cada multiplicao ento somado. Na segunda etapa a soma aplicada a uma funo de ativao F, obtendo-se a sada do neurnio (Equao 2.2.1):
OUT = F

xiwij
i=1

(2.2.1)

A funo de ativao deve simular as caractersticas no lineares do neurnio biolgico. As funes mais utilizadas so: Funo Linear uma equao linear da forma F(x) = ax, representada no grfico 2.2.1:

Grfico 2.2.1 Exemplo de Funo Linear

Funo Degrau uma equao utilizada para valores binrios e da forma F(x) = representada no grfico 2.2.2:

1, se x > 0 0, se x 0

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

Grfico 2.2.2 Exemplo de Funo Degrau

Funo Sigmide Tambm chamada de funo logstica, uma funo contnua que permite a transio gradual entre os dois estados (varia entre 0 e 1). dada por F(x) = 1 1 + e-x , representada no grfico 2.2.3:

Grfico 2.2.3 Exemplo de Funo Sigmide

Funo Tangente Hiperblica uma funo sigmide que varia entre -1 e 1. dada por F(x) = 1 e-x 1 + e-x , representada no grfico 2.2.4:

Grfico 2.2.4 Exemplo de Funo Tangente Hiperblica

2.3 A arquitetura das Redes Neurais Artificiais As arquiteturas neurais so organizadas em camadas, em que as unidades processadoras, a comear pela camada de entrada, apresentam conexes com as unidades da camada seguinte. A Figura 2.3.1 representa uma rede multicamadas (Dhar & Stein, 1997).

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

CAMADA DE ENTRADA

CAMADA INTERMEDIRIA

CAMADA DE SADA

Figura 2.3.1 Esquema da organizao das camadas dos neurnios artificiais em uma rede neural (Fonte: DHAR & STEIN, 1997)

A organizao das camadas pode ser classificada basicamente em trs grupos: Camada de entrada, onde os padres so apresentados rede; Camada intermediria ou escondida, onde ocorre maior parte do processamento por meio de conexes ponderadas; Camada de sada, onde o resultado final concludo e apresentado. O comportamento inteligente de uma rede neural artificial vem das interaes entre as unidades de processamento da rede. A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexes so ajustados de acordo com os padres apresentados, ou seja, elas aprendem atravs de exemplos. (Yamamoto & Nikiforuk, 2000) Uma rede neural especificada, principalmente pela sua topologia, pelas caractersticas dos ns e pelas regras de treinamento. A seguir, sero analisados as caractersticas da topologia da RNA e os diferentes processos de aprendizado. 2.4 Topologia da Rede Neural H uma grande variedade de redes, cada uma produzindo diferentes resultados. Podem ser classificadas basicamente em redes alimentadas a frente e redes recorrentes. (Russell & Norvig, 1995) 2.4.1 Redes Alimentadas a Frente Nas redes alimentadas a frente, tambm conhecidas por redes Feed-forward,o sentido de propagao dos sinais nico, sendo sempre da entrada para a sada da rede (Figura 2.4.1.1). Nessa topologia, os neurnios esto dispostos em camadas, podendo haver redes com uma nica camada (ex. perceptron) ou com mltiplas camadas (ex. MLP multi layer perceptron). No caso de redes multicamadas, as entradas de um neurnio so as sadas dos neurnios da camada anterior, portanto no h ligao entre neurnios de uma mesma camada.

Figura 2.4.1.1 Representao de Redes Alimentadas a Frente (Fonte: As autoras, 2007)

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

2.4.2 Redes Recorrentes As redes recorrentes possuem laos de realimentao, ou seja, a sada de um neurnio pode ser entrada para outro de uma camada precedente ou, no caso de auto-realimentao, para o prprio neurnio (Figura 2.4.1.2). As redes recorrentes, chamadas de redes com memria, no possuem organizao rgida e seus neurnios tm liberdade para se ligar a qualquer outro neurnio. (Abelem, 1994; Haykin, 2001; Russell & Norvig, 1995) Exemplos: Redes de Elman; Redes de Hopfield; Redes de Jordan e NARX.

Figura 2.4.1.2 Representao de Redes Recorrentes (Fonte: As autoras, 2007)

2.5 Tipos de Aprendizado De acordo com a apresentao de padres de entrada rede, o processo de aprendizagem ocorre atravs do ajuste dos parmetros livres, pesos sinpticos, por estimulao do ambiente. H dois tipos de aprendizado: supervisionado e no-supervisionado. 2.5.1 Aprendizado No-Supervisionado Depois de estabelecido um padro de entrada, a rede permite que livremente escolha o padro de sada a partir das regras de aprendizado adotadas. No exige Matriz Sada Desejada (alvo). O sistema, auto-organizado, extrai as caractersticas do conjunto de padres, agrupando-os em classes. Exemplo: Rede de Hamming e Rede de Kohonen. (Haykin, 2001). O aprendizado no-supervisionado pode ser representado na Figura 2.5.1.1.

Entrada

Rede Adaptativa

Sada

Figura 2.5.1.1 Representao esquemtica do Aprendizado Supervisionado (Fonte: Biondi Neto et al, 2005)

2.5.2 Aprendizado Supervisionado Esta forma de aprendizado baseada em um conjunto de padres de entrada-sada que apresentado rede. A partir da entrada, a rede realiza seu processamento e a sada obtida comparada com a sada alvo. Caso no sejam iguais, aplicado um processo de ajuste de pesos at obter um resultado satisfatrio, ou seja, um erro aceitvel (Figura 2.5.2.1). O algoritmo de aprendizado supervisionado mais comum o Backpropagation. (Haykin, 2001)

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

Entrada

Ajuste do Peso

Sada

Clculo do Erro

Destino

Figura 2.5.2.1 Representao esquemtica do Aprendizado Supervisionado (Fonte: Biondi Neto et al, 2005)

3. Redes Neurais de Elman A rede de Elman uma estrutura de rede neural com caractersticas recorrentes (Elman, 1990), ou seja, pode apresentar uma ou mais malhas de realimentao, fazendo com que suas conexes permitam rede memorizar as informaes atuais na camada de contexto no momento seguinte seqncia investigada. Por esse motivo, tal arquitetura a mais indicada para aprender as caractersticas temporais de um sinal que represente a srie histrica do consumo de energia eltrica no Brasil. Neste estudo, a rede parcialmente recorrente, pois os elos de realimentao ocorrem entre a sada e a entrada da primeira camada oculta (Figura 2.10). O primeiro padro de entrada processado como uma rede alimentada frente, ou seja, o sinal propagado segue o sentido da entrada para a sada. Ainda na primeira iterao, os neurnios ocultos ativaro os neurnios da camada de contexto e esses armazenaro a sada desta primeira iterao que ser utilizada no prximo ciclo.
Camadas de contexto

Figura 2.10 Representao da primeira iterao (Fonte: As autoras, 2007)

Na primeira iterao, a sada processada pelos neurnios da camada de contexto servir de entrada para a prxima iterao (Figura 2.11).
Camadas de contexto

Figura 2.11 Representao da segunda iterao (Fonte: As autoras, 2007)

A recorrncia da Rede de Elman ocorre atravs de uma unidade de contexto, normalmente uma estrutura de atraso do tipo z-1, armazenando a sada da primeira camada oculta por um passo de tempo. Dessa forma, essa arquitetura permite a gerao de padres variveis no tempo, habilitando essa configurao neural para aplicaes envolvendo sries temporais.

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

Alm da camada recorrente, a rede de Elman pode apresentar vrias outras camadas formando uma tradicional MLP com uma ou mais sadas, sendo o algoritmo de treinamento da rede o backpropagation. No caso da utilizao em previso de sries temporais possvel adotar solues hbridas, fazendo-se com que as entradas sejam devidamente atrasadas e defasadas dentro de uma faixa de tempo constante. (Biondi Neto et al, 2005) 4. Modelagem As etapas de modelagem, treinamento e execuo das redes neurais foram elaboradas com o auxlio do toolbox de redes neurais do softtware MATLAB verso 7.0 da MATHWORKS. A funo de ativao dos elementos processadores pertencentes s camadas escondidas foi definida como tangente hiperblica. J os elementos processadores constituintes da camada de sada foram modelados com uma funo de ativao do tipo f(x) = logsig(x). O mtodo numrico usado para a minimizao do erro foi o do gradiente decrescente, com 10% de taxa de aprendizado, que minimiza as oscilaes. A convergncia variou em nmero de iteraes, devido gama de redes treinadas, sendo esses dados apresentados mais especificamente nos resultados. Utilizou-se apenas como varivel de input os dados histricos mensais do Consumo de Energia Eltrica no perodo de 1982 a 2003, totalizando 264 elementos, deslocados ms a ms. O ano de 2003 no fez parte do treinamento e pde servir como vetor alvo composto de 12 elementos representativos para investigar a previso do consumo de energia eltrica neste perodo a fim de validar os resultados da rede. Tambm foi utilizado o perodo de 1982 a 2000 para prever a demanda de energia eltrica no ano do racionamento de energia e analisar o comportamento da rede em face a esse outlier. (Paschoalino et al, 2007). 5. Resultados No primeiro momento, os padres de entrada da rede foram os dados referentes ao perodo de 1982 at 2002, devidamente pr-processados. O ano de 2003 no fez parte do treinamento e pde servir como referncia para investigar a previso do consumo de energia eltrica nesse perodo A arquitetura empregada na rede que resultou na melhor performance de aprendizado consiste em quatro camadas ocultas (200 100 50 25) e uma camada de sada com apenas um neurnio, e usando a funo tangente hiperblica como funo de ativao. O Grfico 5.1 representa a sobreposio das curvas (Real versus Previsto), onde a curva (contnua e de cor azul) de consumo de energia faz referncia ao perodo investigado para validao. J a curva (pontilhada e de cor vermelha) a curva de previso obtida dentro do perodo de defasagem da rede.

Grfico 5.1 Sobreposio da Curva de Consumo com a Curva de Previso do Consumo

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

O resultado final obtido nesta pesquisa mostra que os erros percentuais da aplicao analisada foram menores que 0,2%, sinalizando resultado satisfatrio comparado com modelos matemticos e estatsticos de previso (Grfico 5.2).

Grfico 5.2 Curva do Erro %

No segundo momento, buscou-se prever o ano de 2001, alvo do racionamento e da conseqente queda no consumo de energia eltrica, a fim de investigar o comportamento da rede face a essa no linearidade (Grfico 5.3). A arquitetura empregada na rede que resultou na melhor performance de aprendizado consiste em trs camadas ocultas (180 90 45) e uma camada de sada, com apenas um neurnio, e usando a funo tangente hiperblica como funo de ativao. O erro mdio obtido nesta previso foi de 0,5% pela modelagem por RNA (Grfico 5.4). Observe que no perodo do segundo trimestre do ano, ou seja, o perodo em que foi iniciado o racionamento de energia, a rede no conseguiu aprender, configurando que o consumo deveria ser maior do que o ocorrido. O que na realidade, no deixa de ser um ponto positivo da rede. Possivelmente no existia capacidade instalada suficiente ou linhas de transmisso que pudessem levar a energia produzida para suprir a demanda prevista.

Grfico 5.3 Sobreposio da Curva de Demanda com a Curva de Previso de Demanda

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

Grfico 5.4 Curva do Erro %

A taxa de aprendizado utilizada para ambos os modelos foi de 10%, sendo que o tempo de aprendizado para o segundo modelo investigado ultrapassou 7 horas de treinamento e mesmo apresentando resultado satisfatrio, o modelo no convergiu dentro do nmero de 100.000 iteraes estabelecido a priori. Em contrapartida, o primeiro modelo teve um tempo de pouco menos de 2 horas de treinamento e convergiu com aproximadamente 7.645 iteraes. A Tabela 5.1 ilustra o resumo geral dos dois modelos treinados.

Tabela 5.1 Resumo geral dos dois modelos investigados

6. Concluses Os resultados obtidos atravs da metodologia proposta neste estudo so satisfatrios e apontam que o emprego das redes parcialmente recorrentes de Elman como ferramentas de previso de sries temporais podem trazer simultaneamente flexibilidade e confiabilidade para futuras anlises. Flexibilidade porque as RNAs podem ser treinadas para diferentes tipos de sries histricas e at mesmo sries hbridas, como foi demonstrado. Confiabilidade porque as RNAs so capazes de prever o consumo de energia eltrica apresentando pequenas margens de erro. No primeiro modelo investigado com srie histrica do consumo como varivel de input e com o ano de 2003 para validao dos resultados, o erro mdio foi de 0,02%. Este resultado muito menor quando comparado aos processos puramente estatsticos, o que destaca a superioridade da rede de Elman. J o modelo em que o ano de 2001 serviu como referncia para validao dos resultados, apresentou um erro mdio de 0,5%. A explicao para esse comportamento da rede que no perodo do primeiro trimestre de 2001, houve uma campanha para o uso racional da energia no pas, que acarretou na diminuio da demanda de energia eltrica. Essa repentina descontinuidade na tendncia de crescimento de demanda configurou em um estgio delicado para a performance de aprendizado da RNA. Em resumo, este projeto apresentou a utilizao da inteligncia computacional para analisar modelos de previso com caractersticas no lineares, assumindo como inputs a srie histrica de consumo de energia eltrica no Brasil. Foi obtido xito na modelagem de redes simples com sries histricas e deixa-se a proposta de aprofundamento na coleta e anlise de dados que configurem tambm sucesso na modelagem de redes hbridas. 7. Referncias Bibliogrficas

SPOLM 2007

Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007

ABELM, A. J. G. Redes Neurais Artificiais na previso de sries temporais. 1994. Tese (Mestrado em Engenharia Eltrica) - Curso de Mestrado em Engenharia Eltrica, PUC Rio, Rio de Janeiro. BIONDI NETO, L., COELHO, P.H.G., CHIGANER, L., ANGULO MEZA, L., MONTEIRO, L.P., Previso da Vazo afluente mensal do rio So Francisco usando-se redes de Elman. Engevista, v. 7, n. 1, p. 63-72, 2005. BRAGA, A. P., CARVALHO, A. P. L. F., LUDERMIR, T. Fundamentos de Redes Neurais Artificiais. 11 Escola de Computao. Rio de Janeiro, RJ CASTRO, N. J., FERNANDES, P. C. A Expanso da Fronteira Eltrica do Brasil. Brasil Energia, Rio de Janeiro: Editora Brasil Energia n312, novembro de 2006. CICHOCKI, A., UNBEHAUEN, R., 1996. Neural Networks for Optimization and Signal Processing. New York, USA, John Wiley & Sons, Inc. DHAR, V., STEIN, R. Seven Methods for Transforming Corporate Data into Business Intelligence. Prentice-Hall, New York - 1997. ELMAN, J. L., Finding Structure in Time. 1990. In Cognitive Science, vol. 14, pp. 179211. HAIR, J. et al. Multivariate Data Analysis. Editora Prentice Hall, New Jersey, 1998. HAYKIN, S. Redes Neurais - Princpios e prtica. Porto Alegre, RS: Bookman, 2001. IPEADATA. <http://www.ipeadata.gov.br> Acesso em: 14 de novembro de 2006. PASCHOALINO, F. F., LOUREIRO, T. Y. C., SOARES DE MELLO, J. C. C. B., BIONDI NETO, L. (2007). Previso de Consumo de Energia Eltrica no Brasil baseada em Redes de Elman. Pster publicado no XXXIX SBPO, 2007. RUSSELL, S. J. e NORVIG. Peter. Artificial Intellligence: a modern approach. New Jersey: Prentice-Hall Inc., 1995 YAMAMOTO Y, NIKIFORUK P N. A new supervised learning algorithm for multilayerd and interconnected neural networks. IEEE Trans Neural Networks, 2000.