Um Novo Sistema Neural para Previso de Carga

em Sistemas de Energia Eltrica

Rodrigo Marques de Figueiredo, Jos Vicente Canto dos Santos e Adelmo Luis Cechin
Universidade do Vale do Rio dos Sinos UNISINOS Av. Unisinos, 950 Cristo Rei, So Leopoldo RS - Brasil

Resumo Este trabalho apresenta uma nova abordagem para
previso de carga em sistemas de energia eltrica, integrando
dois horizontes de previso de carga. Primeiramente apresen-
tada a importncia de um previsor para a manuteno da
qualidade do fornecimento de energia eltrica. Ento
apresentado o desenvolvimento de dois modelos neurais para
longo e curto prazo. Tambm apresenta-se a integrao em nvel
topolgico desses modelos, sendo que um modelo que integra
dois horizontes de previso muito til para empresas do setor
eltrico. O sistema apresentado foi testado em trs diferentes
cenrios, cada um com comportamento de carga diferente.
Finalmente os resultados so apresentados e comentados.

Palavras-chaves Sistemas Eltricos de Potncia, Redes
Neurais Artificiais, Previso de Carga.

I. INTRODUO

A energia eltrica o nico produto que consumido
quando produzido. Quando produzida em excesso esta pode
sobrecarregar o sistema de energia eltrica, sendo que este
excesso no pode ser armazenado. Ao passo que quando se
tem escassez de produo, o sistema de energia eltrica
experimenta falhas e pode entrar em colapso. Este fato fez
com que indicadores especficos fossem criados pela
ANEEL. Indicadores como FEC, DEC, FIC, DIC e DMIC
que avaliam as duraes e freqncias de interrupes do
fornecimento de energia. Estes indicadores alm de informar
ao consumidor a qualidade do servio oferecido pelas
distribuidoras de energia tambm so utilizados pela ANEEL
para cobrana de pesadas penalidades a serem revertidas aos
consumidores lesados com a falta de fornecimento.
Desta forma a previso de carga torna-se uma importante
ferramenta para as empresas do setor de distribuio de
energia eltrica. De posse de uma previso confivel as
distribuidoras de energia podem antecipar aes e manobras
para garantir os seus ndices de qualidade nos devidos nveis.
Para se obter uma previso para este tipo de sistema
necessrio levar em considerao as variveis externas,
variveis estocsticas, como as meteorolgicas e as
macroeconmicas e as variveis internas, como o histrico de
consumo de energia do sistema. No que diz respeito as
variveis externas ao sistema eltrico as meteorolgicas
influenciam no comportamento das cargas residenciais e as
macroeconmicas tm uma forte influncia em cargas
industriais [1].
Estas caractersticas mostram o quo complexa a previso
de carga para um sistema de energia eltrica. Este tipo de
sistema no-linear e multivarivel, sendo muito difcil e
custosa sua representao computacional por um modelo
determinstico. A soluo para este entrave o uso de uma
abordagem com modelos baseados em aproximaes, onde se
destacam os modelos neurais.
Existem vrios trabalhos sobre o uso de modelagem neural
para apenas um horizonte previso na literatura especializada,
sendo exemplos disso os trabalhos de Botha [2] e Abdel-Aal
[3]. Mas modelos neurais para dois ou mais horizontes de
previso so escassos, sendo um dos poucos exemplos
encontrados o trabalho de Shirvany [4]. O presente trabalho
prope um novo modelo neural para previso de carga pela
utilizao integrada de dois modelos, um para o curto e outro
para longo prazo. O modelo resultante tem a capacidade de
prever carga para horizontes de curto e longo prazo, em uma
mesma execuo do previsor. Aps esta introduo, segue a
descrio do sistema proposto, os testes realizados e os
resultados obtidos e, finalmente, as concluses sobre os
mesmos.
II. SISTEMA COMPUTACIONAL DE PREVISO

O sistema de previso consiste em dois modelos neurais,
uma para o curto prazo e outro a longo prazo previso. Estes
modelos neurais so dados pela aplicao de redes neurais
artificiais. Os modelos foram concebidos individualmente e
validados para mais tarde serem integrados. A base de dados
de variveis disponveis para serem utilizados para construir
os modelos dada pelos seguintes tipos:

Variveis meteorolgicas;
Variveis macroeconmicas;
Variveis eltricas.

O espao de variveis para um sistema eltrico muito
grande, mesmo quando ela reduzida aos trs tipos
apresentados acima. Para melhorar a resposta do modelo este
espao deve ser reduzido. Mtodos de seleo de variveis
a melhor forma de reduzir o espao de variveis retirando do
modelo as variveis redundantes e irrelevantes.

A. Seleo de Variveis

As variveis foram selecionadas pelo uso do Forward
Selection. Neste mtodo, o modelo neural construdo
atravs de sua interao, onde cada interao uma varivel
includa no modelo. O critrio utilizado para a construo do
modelo o menor erro para uma resposta da validao [5].
Este algoritmo executado at um critrio de parada, no caso
deste trabalho o critrio um nvel de erro inferior a quinze
por cento. Para os dois modelos, de curto e longo prazo, este
mtodo aplicado de forma individual.
Antes do Forward Selection ser aplicado, uma pr-seleo
das variveis foi feita de acordo com o seu comportamento
temporal. As variveis meteorolgicas possuem um compor-
tamento temporal mais rpido, sendo mais relevantes para o
modelo de curto prazo. Por outro lado o comportamento das
variveis macroeconmicas diferente sendo que estas so
relevantes para o modelo de longo prazo. J as variveis
eltricas so importantes para ambos os horizontes previso,
pois estas descrevem o foco da previso que a carga eltri-
ca.

B. Modelo de Previso de Longo Prazo

O principal objetivo deste modelo fornecer informaes
do comportamento do sistema eltrico ao modelo de curto
prazo, atravs da integrao em nvel topolgico. Neste
modelo o horizonte de previso mensal foi o escolhido, pois a
informao mensal muito importante para os negcios em
se tratando de sistemas eltricos de potncia [6].
Atravs da utilizao do mtodo do seleo de variveis
Forward Selection, as variveis foram definidas se obtendo
como resultado o modelo neural mostrado na Fig. 1, modelo
este para a previso de longo prazo. Este utiliza como entrada
a informao mensal de um ano e um dia atrs. Essa
informao permite que o modelo absorva a tendncia mensal
de cada ms do ano com todas as suas influncias sazonais.
Esta caracterstica torna o modelo mais robusto.


Fig. 1. Modelo neural para previso de longo prazo.

C. Modelo de Previso de Curto Prazo

Esse modelo busca, como foco principal, mimetizar o
comportamento da carga eltrica do sistema. De maneira
anloga ao que foi realizado para o modelo de longo prazo, o
mtodo de Forward Selection foi utilizado para escolher suas
variveis. No caso deste modelo, variveis com comporta-
mento temporal mais rpido so relevantes, como variveis
meteorolgicas com a dinmica da temperatura e as variveis
eltricas.
Aps o uso do Forward Selection, o modelo neural foi
construdo com as variveis selecionadas. Este modelo
mostrado a seguir, na Fig. 2, utiliza a temperatura, umidade e
carga eltrica como variveis que descrevem o comportamen-
to de curto prazo do sistema de energia eltrica.


Fig. 2. Modelo neural para previso de curto prazo.

D. Integrao dos Modelos

A integrao dos modelos de previso de curto e longo
prazo a principal etapa do projeto do sistema computacional
de previso. importante manter em mente que esta inte-
grao dada em nvel topolgico. Com este tipo de
integrao apenas as tendncias de cada modelo so passadas
para os outros. Em outros tipos de integrao no s as
tendncias so integradas, mas tambm o erro integrado.
Os neurnios compartilhados garantem a troca das
tendncias entre os modelos de curto e longo prazo sem
poluir suas respostas. Mas este compartilhamento no total,
apenas uma parcela destes neurnios compartilhada. Ao
longo de testes esse valor foi fixado em um tero dos
neurnios. Os outros neurnios so usados exclusivamente
pelo seu respectivo modelo. A Fig. 3 mostra os neurnios
compartilhados, destacando os neurnios compartilhados em
cor escura. Tambm so apresentadas as entradas e sadas
fora do modelo final.


Fig. 3. Modelo neural integrado.

O modelo final utiliza doze neurnios na camada oculta,
com quatro exclusivamente utilizados pelo modelo de curto ,
quatro para o de longo prazo e quatro neurnios sendo
compartilhado pelos dois modelos, unindo-os em um nico
modelo.

E. Arquitetura do Sistema

A arquitetura do sistema computacional dada por trs
partes, ou mdulos, principais. Esta arquitetura apresentada
na Fig. 4.
Base de dados;
Tratamento de dados;
Modelo Neural.



Fig. 4. Modelo neural integrado.
A base de dados o mdulo que contm todas as
informaes sobre o sistema eltrico de potncia. Para
modelos de previso muito importante que se tenha a maior
base de dados possvel sobre o sistema que se qus modelar
[7]. Este mdulo organiza os dados por ordem temporal e
classe (meteorolgicos, macroeconmicos e eltricos).
O mdulo de tratamento dos dados responsvel por
buscar os dados na base de dados e de seu tratamento. O
tratamento de dados consiste na sincronizao temporal dos
dados, sua normalizao e separao por tipo de dados.
Quando o tratamento de dados est completo as informaes
esto prontas para serem entregues ao modelo neural.
O modelo neural utiliza os dados do sistema para aprender
seu comportamento, neste caso o comportamento da carga
eltrica. Esta aprendizagem ocorre atravs do treinamento da
rede neural artificial (RNA). Para o treinamento um conjunto
de dados entregue ao modelo neural, este conjunto de dados
que est previamente formatado pelo mdulo de tratamento
de dados. A Fig.5 mostra o alinhamento temporal dos dados
necessrio para que o modelo neural do sistema de previso
possua seu correto funcionamento.


Fig. 5. Modelo neural integrado.

Na Figura 5, o instante de previso representa o momento
em que o sistema computacional previso executado. Note
que os dados so alinhados de diferentes formas para os
parmetros de curto e longo prazo. Isto realizado para evitar
a necessidade do modelo de dados no disponveis. Este caso
ocorre quando dois horizontes de previso so utilizados em
um mesmo modelo e um horizonte engloba o outro.

III. TESTES E RESULTADOS

Para validar o sistema computacional de previso proposto
neste trabalho foram realizados ensaios com o mesmo. Estes
ensaios utilizam trs cenrios, ou regies, com
comportamento de carga predominante diferentes:
Regio com carga industrial;
Regio com carga residencial;
Regio com carga equilibrada (ou mista).

Cargas Industriais tm um comportamento sazonal com
uma forte dependncia de fatores macroeconmicos. Estes
fatores econmicos indica o comportamento da produo
indstria e por conseqncia o seu consumo de energia
eltrica.
J as cargas residenciais apresentam um comportamento
diferente, no sazonal. Este tipo de consumidor que dita
esta carga, tem um comportamento fortemente ligado as
meteorolgicas. Nos dias frios o consumidor residencial usa
seus aquecedores, e nos dias quentes que usam seus aparelhos
de ar condicionado.
Regies com equilbrio entre as cargas, ou ainda regies
com carga mista, so reas onde h um equilbrio entre os
tipo consumidores. Nestas reas, no h definio sobre o
comportamento da carga, pois seu comportamento dado
pelo conjunto de fatores relevantes de mais de um tipo de
consumidores. No caso deste trabalho esta regio possui
influncia dos consumidores residenciais e industriais.

A. Validao e Mtodos de Anlise

Para validar o sistema computacionalde previso foram
utilizados dois mtodos de validao. O primeiro mtodo o
Ten-Fold Cross Validation. Este mtodo utilizado para
verificar a robustez do sistema. O segundo mtodo de
validao utilizado utilizado o Direct Validation que
verifica a preciso do sistema.
Para analisar os resultados fornecidos pela validao foram
utilizados mtodos de anlise quantitativa e qualitativa. O
mtodo quantitativo utilizado o Root Mean Squared Error
(RMSE), e o qualitativo utilizado a anlise grfica dos
padres de esperados e previstos atravs da sobreposio de
suas curvas. Outra importante informao a organizao
temporal do conjunto de dados utilizados para cada mtodo
de validao. Para o Ten-Fold Cross Validation usada a
seguinte organizao temporal:

TABELA I. CONJUNTO DE DADOS PARA TEN-FOLD CROSS VALIDATION
TREINAMETNO E VALIDAO.
Horizonte de Previso Janela Temporal
Longo Prazo
Curto Prazo
2003 at 2006
2004 at 2007

Para Direct Validation utilizada a organizao temporal
do conjunto de dados como seguem nas Tabela II e III,
abaixo:

TABELA II. CONJUNTO DE DADOS PARA DIRECT VALIDATION -
TREINAMENTO.
Horizonte de Previso Janela Temporal
Longo Prazo
Curto Prazo
2003 at 2005
2004 at 2006

TABELA III. CONJUNTO DE DADOS PARA TEN-FOLD CROSS VALIDATION -
VALIDAO.
Horizonte de Previso Janela Temporal
Longo Prazo
Curto Prazo
2006
2007
Esta organizao se repete para todos os testes, desta forma
garante-se a repetibilidade e a possibilidade de comparao
entre os resultados do sistema para cada um dos cenrios
(regies).

B. Teste I Regio com Carga Industrial Predominante

Aplicando o Ten-Fold Cross Validation ao sistema foi
obtido uma resposta para RMSE de 13% para a previso de
curto prazo e 4% para a de longo prazo. A anlise grfica
apresenta de maneira visual a resposta do previsor. Nos
grficos traados para esta anlise a linha pontilhada
representa os padres esperados e a linha slida os padres
previstos pelo sistema.


Fig. 6. Curto Prazo Ten-Fold Cross Validation

Na Fig. 6 apresentado o comportamento do sistema para
previso de curto prazo, sendo este aceitvel. J na Fig. 7
mostrada a reposto deste para previso de longo prazo, sendo
este com uma resposta melhor em relao a previso de curto
prazo.


Fig. 7. Longo Prazo Ten-Fold Cross Validation

Aplicando-se o Direct Validation ao sistema obteve-se uma
excelente resposta. Este mtodo de validao testa o sistema
em um regime de operao real. Neste teste o RMSE para
previso de curto prazo foi de 0,07% e 1,8% para previso de
longo prazo. Estes resultados excelentes podem ser
confirmados nas Fig. 8 e Fig. 9, as quais mostram essas
respostas de maneira grfica.


Fig. 7. Curto Prazo Direct Validation


Fig. 9. Longo Prazo Direct Validation

C. Teste II Regio com Carga Residencial Predominante

O RMSE para a aplicao do Ten-Fold Cross Validation
para uma regio com carga predominantemente residencial
foi de 13% para previso de curto prazo e de 6% para
previso de longo. As Fig. 10 e Fig. 11 mostram estes
resultados de maneira visual:


Fig. 10. Curto Prazo Ten-Fold Cross Validation


Fig. 11. Longo Prazo Ten-Fold Cross Validation


Para o Direct Validation o RMSE desta regio, para curto
prazo, foi de 0,02% e de 0,09% para previso de longo prazo.
Estes excelentes resultados so apresentados em detalhes nas
Fig. 12 e Fig.13 na seqncia:


Fig. 12. Curto Prazo Direct Validation


Fig. 13. Longo Prazo Direct Validation

D. Teste III Regio com Carga Mista

Para a regio com carga mista o Ten-Fold Cross Validation
para previso de curto prazo teve um RMSE de12% e de 5%
para previso de longo prazo. Estes resultados apresentados
possuem valores muito prximos as respostas dos demais
testes aplicados para regies com predominncia de
determinado tipo de carga. Este comportamento, constante,
do sistema para todos os testes muito interessante e
excelente para a aplicao final do deste. As Fig. 14 e Fig. 15
mostram os resultados para previso na regio com carga
mista.


Fig. 14. Curto Prazo Ten-Fold Cross Validation


Fig. 15. Longo Prazo Ten-Fold Cross Validation

Aplicando-se o Direct Validation o RMSE para previso de
curto prazo foi de 0,01% e para previso de logno prazo o
RMSE ficou em 0,03%. Assim como aconteceu para as
respostas para Ten-Fold Cross Validation, os resultados
tiveram comportamento bastante prximos aos testes
correspondentes aplicados as demais regies (cenrios). Nas
Fig. 16 e Fig. 17 esto apresentados os resultads do presente
teste de maneira grfica.


Fig. 16. Curto Prazo Direct Validation


Fig. 17. Longo Prazo Direct Validation

IV. CONCLUSO

Os resultados apresentados anteriomente mostram a
validao do sistema computacional proposto. Nesta
validao o sistema foi submetido a duas anlises bsicas, as
quais analisavam o qual robusta e precisa a resposta do
sistema. A robustez avaliada atravs da aplicao do Ten-
Fold Cros Validation, e a preciso atravs da aplicao do
Direct Validation. Outro ponto de interesse verificar o quo
genrica pode ser a aplicao do sistema, isso dado pela
capacidade deste ter respostas para diferentes configuraes
de carga.. Esta anlise dada observando-se se a resposta do
sistema em diferentes cenrios (regies) mantm-se o mesmo
desempenho, o que se comprovou verdadeiro para o sistema
apresentado no presente trabalho.
A generalidade do sistema de previso uma importante
caracterstica para sua aplicao comercial, pois assim este
pode prever diversas instncias com apenas um modelo.
Outra importante caracterstica para o sistema desenvolvido
neste trabalho sua preciso que excelente, principalmente
quando a este foi entregue um conjunto de dados emulando
uma situao real de operao. Nesta situao o sistema
apresentou erros inferiores a um por cento.
Finalmente, a grande contribuio deste trabalho a
apresentao de um novo modelo neural para previso de
carga, atravs da integrao em nvel topolgico de dois
modelos de RNAs. Com esta integrao o sistema
computacional provou-se flexvel e capaz de gerar excelentes
resultados. Alguns outros aspectos do previso de carga em
sistemas eltricos de potncia, como a ampliao do
horizonte de previso, sero publicados em trabalhos futuros.

REFERNCIAS

[1] C. Ardil, T. Manjunath, H. Mehta and A. Mehta, A Multi-Layer
Artificial Neural Network Architecture Design for Load Forecasting in
Power Systems, International Journal of Applied Mathematics and
Computer Sciences, vol. 4, no. 4, 2007.
[2] E. C. Botha and J. Vermaak, Recurrent Neural Networks for Short-Term
Load Forecasting, IEEE Transactions on Power Systems, vol. 12, no. 1,
1998.
[3] R. E. Abdel-Aal, Short-Term Hourly Load Forecasting Using Abductive
Networks IEEE Transactions on Power Systems, vol. 19, no. 1, 2004.
[4] Y. Shirvany and M. Hayati, Artificial Neural Network Approach for
Short Term Load Forecasting for Illam Region, International Journal of
Electrical, Computer, and Systems Engineering, Vol. 1 No. 2, 2007.
[5] M. Seeger, C. Williams and N. Lawrence, Fast Forward Selection to
Speed Up Sparse Gaussian Process Regression, Workshop on AI and
Statistics, 2003.
[6] P. Quintanilha, A. Souza, R. Leme and O. Carpinteiro, A Hierarchical
Hybrid Neural Model with Time Integrators in Long-Term Peak-Load
Forecasting, International Joint Conference on Neural Networks 2005 -
IJCNN '05. Proceedings 2005 IEEE. vol. 5, pp. 2960- 2965, 2005.
[7] S. Swinder, R. Barth, P. Meibom and C. Weber, Changes of System
Operation Costs Due to Large-Scale Wind Integration, Business and
Policy Track: Integrating wind in electricity markets, 2007.