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:
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.