Você está na página 1de 9

RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 1

Redes neurais temporais aplicadas ao


monitoramento de barragens
Janaina Veiga Carvalho
1
, Celso Romanel
2
1
Universidade Severino Sombra, CECETEN, Curso de Sistemas de Informao e Matemtica,
Vassouras - RJ, Brasil
janvcarvalho@globo.com
2
Pontifcia Universidade Catlica do Rio de Janeiro, Departamento de Engenharia Civil,
Rio de Janeiro RJ, Brasil
romanel@civ.puc-rio.br
Resumo
O monitoramento do desempenho de barragem realizado pela reviso e anlise de dados coletados
pela instrumentao que medem indicadores crticos do comportamento da barragem. Neste trabalho
emprega-se a tcnica de redes neurais temporais (RNT) para anlise, modelagem e previso dos valores
de vazo na barragem Funil, do sistema Furnas Centrais Eltricas, a partir dos dados de instrumentaes
disponveis no perodo compreendido entre 02/09/1985 e 25/02/2002. As redes neurais temporais
empregadas foram: RNT com arquitetura feedforward associada a tcnica de janelamento, RNT
recorrente Elman e RNT FIR. Neste trabalho estuda-se ainda a gerao de intervalos de confiana para
RNT. As previses de vazo analisadas neste trabalho, envolvendo o comportamento da barragem Funil,
apresentaram resultados satisfatrios.
Abstract
Performance monitoring of dams is accomplished by reviewing and analyzing data collected from
instruments which measure critical indicators of engineering behavior. In this work the technique of
temporal neural networks (TNN) is used for analysis, modeling and forecast of the water discharges
values in the Funil dam, from Furnas Centrais Eltricas system, starting from the data of available
instrumentation in the period between 02/09/1985 and 25/02/2002. The temporal neural networks used in
this research were the following: TNN with feedforward architecture and the windowing technique,
recursive TNN Elman and TNN FIR. In this research the generation of confidence intervals for TNN was
also investigated. The discharge values forecasts analyzed in this work for the Funil dam presented
satisfactory results.
Key-words: Funil Dam, temporal neural network, confidence intervals, dam monitoring, time series.
1 Introduo
Barragens so monitoradas para verificar se o
desempenho est consistente com as expectativas do
projeto original. O monitoramento da performance das
barragens geralmente realizado atravs da reviso e
anlise de dados coletados por instrumentos que medem
indicadores crticos do comportamento da obra. Um
programa de medio envolve o projeto do sistema de
medio, instalao, operao, manuteno e avaliao
dos instrumentos da barragem, incluindo estruturas e
fundaes. A instrumentao completa engloba
medies de deslocamentos, deformaes, tenses,
presses, cargas nos membros estruturais, percolao e
drenagem junto com fatores ambientais que afetam o
comportamento da barragem tais como temperatura,
nvel do reservatrio e precipitao.
Neste artigo, redes neurais temporais so utilizadas
para modelar sries temporais que consistem de vazes
em drenos, medidas ao longo de vrios anos de
observao contnua, atravs da fundao da barragem
brasileira de Funil. Devido quantidade considervel de
dados de instrumentao disponveis, a utilizao de
redes neurais artificiais uma escolha bastante natural
por apresentar a habilidade de previso do desempenho
do sistema de monitoramento da barragem. Ento,
qualquer medida de vazo que diferir significativamente
do valor previsto pode ser uma indicao de uma
condio anormal que requer controle imediato e
cuidadoso por parte da equipe de engenharia que
acompanha a operao da barragem.
1.1 Caractersticas da barragem
A barragem de Funil (Figura 1), situada prxima da
cidade de Resende, no Estado do Rio de Janeiro, uma
barragem do tipo abbada de dupla curvatura com 85 m
de altura mxima e 385 m de comprimento. Completada
em 1963, monitorada por um sistema de
instrumentao que mede temperatura, deslocamentos
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 2
em pontos especficos ao longo de vrias galerias
internas, presso de gua e vazo pela fundao da
barragem.
Figura 1. Vista geral da barragem de Funil
2 Modelos para sries temporais
Medidas sucessivas de vazo de gua atravs da
fundao da barragem de Funil so modeladas
utilizando redes neurais temporais.
As redes neurais temporais so redes dinmicas que
possuem propriedades de memria que lhes permitem
realizar tarefas de carter temporal. A maneira como a
memria incorporada determina o tipo de rede neural.
Existem basicamente duas maneiras de se incluir
habilidades de memria na rede neural: considerando
entradas atrasadas no tempo ou laos de realimentao.
Neste trabalho duas redes neurais com atraso no
tempo so utilizadas (rede neural com mtodo de
janelamento e rede neural FIR - Finite Response
Impulse) bem como uma rede neural com laos de
realimentao (rede neural Elman).
2.1 Pr-processamento das sries
As sries temporais passaram por uma etapa de pr-
processamento de dados para substituir leituras
consideradas anmalas por valores obtidos por
interpolao com valores vizinhos. Os dados foram
normalizados entre 0 e 1, com o objetivo de tornar a
etapa de treinamento da rede neural mais eficiente.
2.2 Rede neural com mtodo de janelamento
No mtodo de janelamento a memria introduzida
nos neurnios da primeira camada oculta, fornecendo-se
valores das entradas atuais e tambm em tempos
anteriores. A Figura 2 mostra o mtodo de
janelamento em uma rede com memria de ordem 2
na primeira camada oculta. Alm da entrada atual x(k),
os neurnios da primeira camada oculta recebem dois
valores anteriores x(k-1) e x(k-2) criando, assim,
sinapses novas.
Figura 2. Mtodo de janelamento [1]
A arquitetura utilizada a feedforward
multicamada, composta por uma camada de entrada,
com nmero de neurnios dependente do nmero de
parmetros de entrada, por uma camada escondida,
contendo uma quantidade de neurnios definida pelo
algoritmo de treinamento, e por uma camada de sada
com um neurnio - previso de vazo - com funo de
ativao linear. Na camada escondida a funo de
ativao adotada foi a sigmoidal logstica e o algoritmo
de treinamento utilizado foi a regularizao bayseana
associada ao mtodo leave-one-out.
Cada rede neural foi inicializada cem vezes, com o
propsito de reduzir o efeito de mnimos locais no-
timos na superfcie de erro da rede.
2.3 Rede neural FIR
O modelo da rede neural FIR baseado na tcnica de
processamento de sinais. As sinapses so modeladas por
um filtro linear invariante no tempo, que representa a
natureza temporal do problema. Nesta modelagem a
memria considerada em todos os neurnios.
Soto [7] apresenta a formulao de uma rede neural
FIR detalhadamente, considerando no modelo filtros
sinpticos de tempo continuo. A Figura 3 ilustra o
modelo FIR do neurnio j com N entradas, onde x
1
(k),
x
2
(k) e x
N
(k) so as entradas do neurnio, w
ij
o vetor
de pesos sinpticos, s
ij
(k) o potencial sinptico do
neurnio j, s
j
(k) a soma dos potenciais sinpticos, w
b
representa bias e y
j
(k) a sada do neurnio aps passar
pela funo de ativao.
w
1j x
1
(k)
w
2j x
2
(k)
w
Nj x
N
(k)
+
s
1j
(k)
s
2j
(k)
s
Nj
(k)
w
b
s
j
(k)
f( ) y
j
(k)
Figura 3. Modelo FIR do neurnio j [1]
Neste modelo o potencial sinptico s
ij
(k) a
resposta de um filtro FIR de ordem M, onde M indica o
nmero total de atrasos unitrios considerados no
modelo do filtro FIR. Este potencial sinptico s
ij
(k)
definido por:
!
=
+ " =
M
n
b i ij ij
w ) n k ( x ) n ( w ) k ( s
0
(1)
onde k representa o tempo discreto.
Ento a soma dos potenciais sinpticos definida
por:
!!
= =
+ " =
N
i
M
n
b i ij j
w ) n k ( x ) n ( w ) k ( s
1 0
(2)
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 3
Na expresso acima, o comportamento temporal
representado pelo somatrio interno e o comportamento
espacial pelo somatrio externo.
A Figura 4 apresenta uma rede FIR com uma
camada de entrada, duas camadas escondidas e a
camada de sada, enquanto que a Figura 5 mostra a
ampliao das sinapses entre os neurnios da primeira
camada escondida e o neurnio do meio da segunda
camada escondida.
Figura 4. Rede FIR multicamada
Figura 5. Ampliao do neurnio FIR
As sries so modeladas com rede neural FIR
multicamada composta por uma camada de entrada,
uma camada escondida (2, 3, 5, 8, 10 ou 15 neurnios) e
uma camada de sada com 1 neurnio (previso da
vazo) com funo de ativao linear. A funo de
ativao da camada escondida a sigmoidal logstica e
o algoritmo de treinamento utilizado o da
retropropagao temporal [10].
Cada rede neural foi inicializada somente cinco
vezes, devido ao tempo de processamento bastante
longo.
2.4 Rede neural Elman
Um tipo de rede neural temporal com realimentao
global a rede Elman [4]. Nesta rede cada um dos
neurnios da camada oculta tem realimentao para as
unidades de contexto, como ilustrado na Figura 6, onde
x(k) a entrada externa no tempo discreto k, a(k) o
vetor contendo as sadas dos N neurnios da camada
oculta no tempo discreto k, zh(k) o conjunto de
entradas dos neurnios da camada oculta, denominado
vetor de estados e y(k) a sada da rede no tempo
discreto k.
A seguir, apresentam-se as equaes para uma rede
neural Elman com uma entrada e uma sada (Figura 6).
As entradas da camada oculta so definidas por:
H i
l i
,
,
) k ( a
) k ( x
) k ( z
i
i h
i
!
!
"
#
$
%
=
1
(3)
onde l representa uma camada externa e H o
conjunto de sadas dos neurnios da camada oculta.
a
1
(k) a
2
(k) a
N
(k)
Z
-1
Z
-1
Z
-1
x(k)
a
N
(k-1) a
2
(k-1) a
1
(k-1)
w
b
y(k)
w
b

Figura 6. Esquema de rede neural Elman [1]
A sada do j-simo neurnio da camada oculta
dada por:
H j , ) w ) k ( a w ) k ( x w ( f ) k ( a
bj
H i
i ij
l i
i ij j
! + " + =
# #
! !
1
(4)
onde
) w ) k ( a w ) k ( x w ( f
bj
H i
i ij
l i
i ij
+ ! +
" "
# #
1
indica
a funo de ativao no-linear e wbj o peso do bias.
Para o neurnio da camada de sada, y(k)
calculado pela expresso:
) ) ( ( ) (
bo
H i
i io
w k a w f k y + =
!
"
(5)
onde o ndice o representa camada de sada.
As sries temporais so modeladas com uma rede
Elman composta por uma camada de entrada, uma
camada escondida com nmero de neurnios definido
pelo algoritmo de treinamento, uma camada de contexto
com nmero de neurnios igual ao nmero de neurnios
escondidos e uma camada de sada com um neurnio
(previso de vazo) com funo de ativao linear. A
funo de ativao da camada escondida a sigmoidal
logstica. O algoritmo de treinamento utilizado foi o de
regularizao bayseana associado ao mtodo leave-one-
out.
De maneira semelhante ao caso da rede neural com
janelamento, cada rede neural Elman foi inicializada
cem vezes.
2.5 Medidas estatsticas de erro
H vrios mtodos de medidas de erro que permitem
comparao do desempenho da previso com os valores
observados. Os dois mais comumente usados so o
RMSE (Root Mean-Square Error) e o MAPE (Mean
Absolute Percentage Error), definidos a seguir, onde fi
o resultado previsto, ti o valor observado da amostra e
N o nmero de previses.
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 4
N
) t f (
RMSE
N
1 i
2
i i
! "
=
=
(6)
% 100
t
t f
N
1
MAPE
N
1 i
i
i i
! "
#
=
=
(7)
A desvantagem do RMSE a sua sensibilidade a
valores anmalos e a desvantagem da medida MAPE
que impe uma penalidade maior nas previses que
excedem os valores atuais do que naquelas que
subestimam. Visto que o RMSE e o MAPE apresentam
vantagens e desvantagens, eles foram igualmente
utilizados neste trabalho, admitindo-se que o menor
desses valores indicar a previso mais precisa.
Para auxiliar no julgamento do desempenho de um
modelo de regresso, Theil [8] props um ndice,
conhecido na literatura como indice U-Theil,
! + !
! "
= "
= =
=
N
1 i
2
i
N
1 i
2
i
N
1 i
2
i i
t
N
1
f
N
1
) t f (
N
1
Theil U
(8)
Valores altos indicam um comportamento bastante
simples da srie temporal. Para casos em que o ndice
U-Theil for igual ou superior a 1, ento o melhor
resultado simplesmente o da previso ingnua,
repetindo-se o ultimo valor observado na serie temporal.
3 Tcni cas para est i mar
intervalos de confiana para redes
neurais
Redes neurais artificiais so sistemas paralelos
distribudos formados por unidades de processamento
simples (neurnios) que calculam funes matemticas,
geralmente no-linear. So utilizadas principalmente em
problemas de previso e classificao de padres em
diferentes reas, como por exemplo, industrial, mdica
ou financeira.
Problemas de previso so complexos j que as
informaes disponveis do problema podem ser
limitadas e o sistema pode ser incerto. A grande questo
qual a preciso da previso. Isto importante devido o
resultado da previso ser normalmente utilizado na
tomada de deciso. A preciso da previso permite aos
usurios da rede neural determinar a confiana da sada
da rede neural. Tambm permite incluir a sada
estimada da rede como parte de um esquema de
estimao global.
O conjunto de dados de entrada utilizado na
previso geralmente disperso e com erros de medio.
Estes dados utilizados como entradas do modelo neural
geram incertezas denominadas incertezas na entrada.
Existe ainda o erro na sada da rede originado por rudos
na sada e pela escolha de modelos de rede imperfeitos
(definio dos pesos sinpticos inadequados). Estes
erros so responsveis pelas incertezas dos pesos. A
incerteza total da previso a combinao das
incertezas na entrada com a incerteza nos pesos.
Ento a estimativa de intervalos de confiana
associada a previso aumentam a confiabilidade na rede
neural. Diversos mtodos para estimar os intervalos de
confiana tm sido apresentados na literatura.
Chryssolouris, Lee & Ramsey [3] desenvolveram
um mtodo para estimar intervalos de confiana
baseado em um modelo para predizer intervalos de
confiana que considera um distribuio normal para os
erros (usando a distribuio t-student) em lugar de
covarincia para as sadas. Este mtodo difere de outros
mtodos existentes devido no ser necessrio
informaes sobre as segundas derivadas da sada da
rede neural.
Rivals & Personnaz [6] apresentam resultados
tericos da construo de intervalos de confiana para
uma regresso no linear, baseado na estimao do
mnimo quadrado e utilizando a expanso linear de
Taylor da correspondente sada do modelo no linear.
Eles aplicam a metodologia desenvolvida em um
modelo de rede neural. Um problema real analisado e
simulado. Os trabalhos mostram ainda que a expanso
linear de Taylor no fornece somente um intervalo de
confiana em qualquer ponto de interesse, mas tambm
fornece uma ferramenta para detectar overfitting.
Townsend & Taransenko [9] analisam o problema
de estimativa de preciso das sadas da rede neural
atravs de um modelo de pertubao. Neste trabalho, as
fontes de rudos modelados inicialmente esto no vetor
de entrada e nos pesos. O modelo de pertubao
aplicado a redes de bases de funes radiais.
Papadopoulus, Edward & Murray [5] comparam
trs mtodos de estimativa de intervalos de confiana.
Os trs mtodos so probabilidade mxima,
aproximao bayseana e tcnica bootstrap. Os mtodos
so testados com problemas artificiais e problemas
reais.
Alves da Silva & Moulin [1] e Alves da Silva &
Moulin [2] utilizam trs tcnicas para clculo de
intervalos de confiana. As tcnicas so: sada de erro,
re-amostragem dos erros e regresso multilinear
adaptada para redes neurais. O problema analisado
previso de cargas de curto tempo. A previso das
cargas obtida com o auxlio de redes perceptrons
multi-camadas.
Zhang & Luh [11] e Zhang, Luh &
Kasiviswanathan [12] estudam intervalos de confiana
para a previso gerada por uma rede neural em cascata
utilizando bayesian inference framework. Este mtodo
considera rudos nos pesos, rudos dos dados de entrada
medidos e rudos de entradas gerados no processo de
previso. Neste mtodo a distribuio de sada
aproximada para uma distribuio gaussiana. A
varincia da sada pode ser calculada pelo mtodo
metrpole ou por um mtodo memoryless Quasi-
Newton. O mtodo memoryless Quasi-Newton rpido
e com boas caractersticas computacionais.
Neste trabalho, os intervalos de confiana sero
gerados utilizando as tcnicas: sada de erro e re-
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 5
amostragem dos erros. Nas sees seguintes sero
apresentadas estas tcnicas.
3.1 Sada de Erro
Na tcnica de sada de erro, a rede neural possui
duas sadas. A primeira sada corresponde a previso da
vazo e a outra sada ao erro de previso da vazo.
Deste modo, os intervalos de confiana so gerados
durante o processo de previso. A idia proposta por
Alves da Silva & Moulin [2] que seja possvel
capturar possveis padres existentes na previso do
erro, assim como possvel tambm na previso da
vazo. A figura 7 mostra um exemplo de rede neural
para a tcnica de erro de sada.
Figura 7. Rede neural para a tcnica erro de sada
(Alves da Silva & Moulin [2]).
O treinamento da rede neural consiste em se
calcular a cada poca de treinamento os padres para o
neurnio de sada do erro de previso. Ento para cada
padro utilizado para previso da vazo, o erro da
previso da vazo calculado. Deste modo, em cada
poca um padro de treinamento diferente ser usado
para a previso do erro.
O processo de treinamento deve convergir para um
conjunto de pesos sinpticos com erros de previso de
vazo baixo. esperado que os erros da sada de erro
sejam baixos tambm. Isto acontece porque os padres
de treinamento para a sada de erro tornam-se mais
estvel ao longo das interaes. Caso contrrio, o
processo de treinamento divergiria.
Durante o processo de treinamento o erro de
porcentagem absoluto da previso de vazo utilizado
como padro de treinamento para o neurnio do erro de
sada. Este erro usado no lugar do erro relativo devido
ser mais fcil de ser aprendido. Depois do treinamento
da rede neural, o erro de sada, somado e subtrado da
previso da vazo, para gerar um intervalo de confiana
simtrico.
Nesta tcnica, o grau de confiana do intervalo de
confiana no pr-definido. Deve ser calculado
verificando o sucesso da estimao do intervalo de
confiana para o conjunto de teste.
3.2 Re-amostragem dos erros
A tcnica de re-amostragem dos erros dos erros de
previso para cada previso um passo a frente pode ser
feita do modo descrito por Alves da Silva & Moulin [2].
O conjunto utilizado para re-amostragem dos erros deve
ser representativo das vazes futuras. Considera-se
ainda, que erros das amostras so independentes um dos
outros, embora a distribuio de probabilidade seja
desconhecida.
Figura 8 representa o conjunto de dados de teste
disponveis. O processo recursivo de previso
considerando dois lags de entrada para a previso trs
passos a frente, considerado. O valor da vazo
conhecida para os tempos 1 e 2 so utilizados para
previso da vazo para o tempo 3. Como o valor da
vazo verdadeiro para o tempo 3 conhecido, o erro de
previso para este um passo a frente pode ser calculado.
Em seguida, usando o valor conhecido para 2, e a
previso prvia para o tempo 3, o valor dois passos
frente encontrado, permitindo o clculo do erro de
previso correspondente. Os valores previstos para o
tempo 3 e 4 so usados para encontrar a previso da
vazo para o tempo 5, e assim por diante. Medidas de
previso do erro para cada tempo foram obtidas, uma
vez que a distncia de previso mxima desejada,
instante 5, encontrada.
Figura 8. Exemplo da tcnica de re-amostragem dos
erros (Alves da Silva & Moulin [2]).
O procedimento descrito anteriormente repetido
para colecionar mais amostras para cada tempo, com os
valores de vazo conhecidos dos tempos 2 a 6 (linha
pontilhada superior) .Este processo repetido at, para
uma certa janela, a distncia mxima desejada de
predio alcance o fim da srie conhecida.
Em seguida, os n erros so organizados em ordem
crescente (considerando os sinais) e so representados
por z
(1)
, z
(2)
,..., z
(n)
, a funo de distribuio cumulativa
dos erros de previso das amostras pode ser calculada
como mostrado a seguir:
!
!
"
!
!
#
$
%
< %
<
=
+
z z
z z z
n
r
z z
z S
n
r r n
) (
) 1 ( ) (
) 1 (
, 1
,
, 0
) (
(9)
S
n
(z) a frao do conjunto de erros menor ou igual
a z. Quando n grande o suficiente, S
n
(z) uma boa
aproximao da distribuio de probabilidade
cumulativa F(z). Ento, o intervalo de confiana pode
ser calculado mantendo os z(r)s valores intermedirios
e eliminando as extremidades, a quantidade de valores
das extremidades descartados depende do grau de
confiana desejado. O intervalo de confiana
calculado para ser simtrico em probabilidade
(geralmente no simtrico em z). O nmero de casos
para eliminar em cada extremidade da distribuio de
erro da previso np onde p a probabilidade em cada
extremidade. Considerando que np geralmente um
x(k)
x(k-1)
x(k-2)
Erro
de previso
de y(k)
y(k)
1 2 3 4
Passado
5 6 7 8
Futuro emulado
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 6
nmero fracionrio, truncado de modo conservador, e
(np-1) levado como o nmero de casos para eliminar
em cada extremidade. Z
p
denotando tal que F(Z
p
) igual
a p, isto , h uma probabilidade p que um erro seja
menor ou igual a Z
p
, indica que Z
p
o intervalo de
confiana inferior para os erros de previso futuras.
Ento, Z
1-p
o limite superior do intervalo de confiana
e h um (1-2p) intervalo de confiana para erros futuro.
4 Resultados para a barragem de
Funil
As series temporais consideradas referem-se s leituras
de vazo dos drenos, do nvel do reservatrio de gua e
das temperaturas. As medidas de instrumentao foram
obtidas de setembro de 1985 a fevereiro de 2002, com
freqncia semanal, totalizando 736 amostras. Dois
conjuntos de dados foram considerados: o primeiro
composto de 588 amostras, usadas durante a fase de
treinamento e as 148 amostras restantes formando o
conjunto utilizado no processo de teste das previses da
vazo pela fundao da barragem.
Algumas amostras no apresentaram intervalo de
tempo constante (semanal), e por esta razo a data de
amostragem tambm foi considerada como dado de
entrada. O aspecto temporal das sries foi incorporado
atravs de uma funo senoidal para representao das
datas, conforme indicado pela equao (10).
( )
!
"
#
$
%
& '
=
365
_ 2 origem data data
sen data
(
(10)
Seis diferentes tipos de configurao de redes
neurais temporais, com diferentes nmeros de
parmetros de entrada e neurnios na camada
escondida, foram treinados e testados. A Tabela 1
mostra estas configuraes, onde o smbolo T representa
a data, NA o nvel de gua do reservatrio, TMP a
temperatura e VZ a vazo de gua medida.
Na rede FIR, os valores de entrada foram
considerados associados ordem M dos filtros. Por
exemplo, a rede III possui como parmetros de entrada
data e vazo, com filtros de memria de ordem 1 (M=1),
enquanto a rede IV apresenta filtros com memria 2
(M=2) e as mesmas entradas da rede III.
Rede Entradas Sada
I T
t-1
, NA
t-1
, TMP
t-1
,VZ
t-1
,
,
T
t
VZ
t
II T
t-2
, NA
t-2
, TMP
t-2
,VZ
t-2
, T
t-1
,NA
t-1
,
TMP
t-1
,VZ
t-1
,
,
T
t
VZ
t
III T
t-1
,VZ
t-1
,
,
T
t
VZ
t
IV T
t-2
, VZ
t-2
, T
t-1
,VZ
t-1
,
,
T
t
VZ
t
V T
t-1
, NA
t-1
,VZ
t-1
,
,
T
t
VZ
t
VI T
t-2
, NA
t-2
,VZ
t-2
, T
t-1
, NA
t-1
,VZ
t-1
,
,
T
t
VZ
t
Tabela 1. Entradas e sadas adotadas
Para cada rede neural, os erros de treinamento e de
teste foram listados nas Tabelas 2 a 4, sendo o melhor
desempenho ressaltado em negrito.
A tabela 5 apresenta a porcentagem de acerto dos
intervalos de confiana.
As Figuras 9, 10 e 11 comparam os valores
observados com os previstos durante as fases de
treinamento e teste. Como no conjunto de dados de teste
h vrias amostras com uma freqncia de tempo
diferente do intervalo de tempo regular (uma semana), o
teste de generalizao apresenta erros relativamente
maiores que da fase de treinamento.
Treinamento Teste Rede
MAPE RMSE UTHEIL MAPE RMSE UTHEIL
I 3.88 0.39 0.9666 5.58 0.56 0.9742
II 3.67 0.37 0.9136 5.18 0.49 0.8543
III 3.89 0.39 0.9770 5.57 0.57 0.9844
IV 3.64 0.37 0.9160 5.25 0.51 0.8879
V 3.87 0.39 0.9672 5.55 0.56 0.9717
VI 3.65 0.37 0.9127 5.16 0.50 0.8637
Tabela 2. Desempenho da rede com janelamento
Treinamento Teste Rede
MAPE RMSE UTHEIL MAPE RMSE UTHEIL
I 4.47 0.49 1.2160 5.98 0.56 0.9670
II 4.94 0.56 1.4080 6.71 0.63 1.1009
III 4.05 0.46 1.1426 5.84 0.55 0.9596
IV 4.59 0.54 1.3413 7.30 0.66 1.1402
V 4.38 0.48 1.2003 6.18 0.57 0.9886
VI 4.79 0.55 1.3794 6.99 0.65 1.1351
Tabela 3. Desempenho da rede FIR
Treinamento Teste Rede
MAPE RMSE UTHEIL MAPE RMSE UTHEIL
I 3.91 0.39 0.9680 5.67 0.56 0.9684
II 3.71 0.37 0.9235 5.22 0.49 0.8432
III 3.90 0.39 0.9760 5.69 0.57 0.9827
IV 3.68 0.37 0.9224 5.33 0.50 0.8740
V 3.91 0.39 0.9693 5.64 0.56 0.9659
VI 3.70 0.37 0.9230 5.21 0.49 0.8501
Tabela 4. Desempenho da rede Elman
Tcnica Treinamento Teste
Sada de erro
100% 99%
Re-amostragem dos erros
93% 93%
Tabela 5. Desempenho dos intervalos de confiana
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 7
APRENDIZADO
4
5
6
7
8
9
10
31/8/85 4/3/87 4/9/88 8/3/90 9/9/91 12/3/93 13/9/94 16/3/96 17/9/97
Tempo
V
a
z

o

(
l
/
m
i
n
)
REAL REDE NEURAL
TESTE
2
4
6
8
17/9/97 5/4/98 22/10/98 10/5/99 26/11/99 13/6/00 30/12/00 18/7/01 3/2/02
Tempo
V
a
z

o
(
l
/
m
i
n
)
REAL REDE NEURAL

Figura 9. Comparao entre os valores observados
e previstos na rede IV com mtodo de janelamento.
Na Figura 12 apresentado o intervalo de confiana
gerado pela tcnica de sada de erro. Enquanto que, na
figura 13 o intervalo de confiana gerado pela tcnica
de re-amostragem dos erros. A tcnica de re-
amostragem dos erros foi utilizada para determinao de
intervalo que compreenda 95% de probabilidade.
APRENDIZADO
4
5
6
7
8
9
10
31/8/85 4/3/87 4/9/88 8/3/90 9/9/91 12/3/93 13/9/94 16/3/96
Tempo
V
a
z

o

(
l
/
m
i
n
)
REAL REDE FIR
TESTE
0
5
10
17/9/97 5/4/98 22/10/98 10/5/99 26/11/99 13/6/00 30/12/00 18/7/01 3/2/02
Tempo
V
a
z

o
(
l
/
m
i
n
)
REAL REDE FIR

Figura 10. Comparao entre os valores observados
e previstos na rede III do tipo FIR.
APRENDIZADO
4
5
6
7
8
9
10
31/8/85 4/3/87 4/9/88 8/3/90 9/9/91 12/3/93 13/9/94 16/3/96 17/9/97
Tempo
V
a
z

o

(
l
/
m
i
n
)
REAL RNA ELMAN
TESTE
2
4
6
8
17/9/97 5/4/98 22/10/98 10/5/99 26/11/99 13/6/00 30/12/00 18/7/01 3/2/02
Tempo
V
a
z

o
(
l
/
m
i
n
)
REAL RNA ELMAN

Figura 11. Comparao entre os valores observados
e previstos na rede IV do tipo Elman elementos.
APRENDIZADO
1
3
5
7
9
31/8/85 1/8/87 1/7/89 1/6/91 1/5/93 1/4/95 1/3/97
Tempo
V
a
z

o
(
l
/
m
i
n
)
REAL
intervalo de confiana
Seqncia3
TESTE
1
3
5
7
9
17/9/97 14/7/98 10/5/99 5/3/00 30/12/00 26/10/01
Tempo
V
a
z

o
(
l
/
m
i
n
)
REAL
intervalo de confiana
Seqncia3
Figura 12. Intervalo de Confiana gerado pela
tcnica de sada do erro com a previso obtida pela RNT
com mtodo de janelamento.
5 Discusso e Concluses
Neste trabalho os resultados de instrumentao da
barragem Funil, de Furnas Centrais Eltricas, em
relao aos valores de vazo na fundao foram
analisados com o auxlio de redes neurais temporais. As
redes neurais temporais empregadas foram: RNT com
arquitetura feedforward associada a tcnica de
janelamento, RNT recorrente Elman e RNT FIR.
Nesta pesquisa estuda-se tambm a gerao de
intervalos de confiana para RNT. As previses obtidas
pela RNT com arquitetura feedforward associada
tcnica de janelamento so utilizadas para a gerao de
intervalos de confiana pelos mtodos de sada do erro e
re-amostragem dos erros.
Neste estudo analisa-se o problema considerando o
intervalo de tempo varivel. Ento para os modelos
conseguirem captar a distncia entre as amostras, a data
da amostra foi considerada como varivel explicativa.
Esta data foi utilizada como entrada para uma funo
seno, com o intuito de considerar o carter cclico do
fenmeno estudado, onde a sada foi utilizada como
entrada das RNT. Nesta anlise consideram-se ainda,
outras variveis explicativas o nvel do reservatrio
montante e a temperatura. Observando as mtricas
obtidas constatou-se que as previses foram
satisfatoriamente obtidas. Nesta anlise, os
desempenhos das redes neurais com janelamento e do
tipo Elman mostraram-se semelhantes e melhores que o
apresentado pela rede temporal FIR.
Quanto ao estudo dos intervalos de confiana foram
necessrios utilizar tcnicas que permitissem a gerao
de intervalos de confiana para estimativas com
distribuio do erro no gaussiana. As tcnicas de sada
do erro, re-amostragem dos erros apresentam est
caracterstica, sendo utilizadas nas previses geradas
pelos modelos das RNT. A aplicao de metodologias
para determinao de intervalos de confiana de
grande importncia, j que o processo de previso
sempre estar associado a erros de estimativa. O
intervalo de confiana permite que ao invs de fornecer
um valor nico para a estimativa, seja fornecido um
intervalo e a probabilidade que o valor desconhecido
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 8
esteja dentro deste intervalo. Neste estudo, os obtidos
pela tcnica de sada do erro apresentam grau de
confiana elevado, mas os intervalos so muitos
largos. Enquanto que os obtidos pela tcnica de re-
amostragem dos erros no atenderam ao grau de
confiana esperado.
APRENDIZADO
4
6
8
10
31/8/85 1/8/87 1/7/89 1/6/91 1/5/93 1/4/95 1/3/97
Tempo
V
a
z

o
(
l
/
m
i
n
)
REAL
intervalo de confiana
Seqncia3
TESTE
2
4
6
8
10
17/9/97 14/7/98 10/5/99 5/3/00 30/12/00 26/10/01
Tempo
V
a
z

o
(
l
/
m
i
n
)
REAL
intervalo de confiana
Seqncia3
Figura 13. Intervalo de Confiana gerado pela tcnica
de re-amostragem dos erros com a previso obtida pela
RNT com mtodo de janelamento.
Agradecimentos
Os autores expressam gratido a Furnas Centrais
Eltricas, proprietria da barragem de Funil, por
permitir acesso aos dados e relatrios tcnicos.
Referncias
[1] ALVES, A. P. & MOULIN, L. S. , Neural Network
based short-term electric load forecasting with confidence
intervals Proceeddings of the IV Brazilian Conference on
Neural Networks. ITA, So Jos dos Campos. pp. 7-12,
1999.
[2] ALVES, A. P. & MOULIN, L. S., Confidence intervals
for neural network based short-term load forecasting
IEEE Trans. Power Syst., Vol. 15, pp. 1191-1196, 2000.
[3] CHRYSSOLOURIS, M. L. & RAMSEY, A., Confidence
Interval prediction for neural network models IEEE
Trans. Neural Networks, Vol. 7, pp. 229-232, 1996.
[4] HAYKIN, S., Neural Networks: A Comprehensive
Foundation, MacMillan Publishing Co, 1994.
[5] PAPADOPOULOS, G. ; EDWARDS, P. J. & MURRAY,
A. F., Confidence estimation methods for neural
networks: A practical comparison IEEE Trans. Neural
Networks, Vol. 12, pp. 1278-1287, 2001.
[6] RIVALS, I. and PERSONNAZ, L., Construction of
confidence intervals for neural networks based on least
squares estimation Neural Networks, Vol. 13, pp. 463-
484, 2000.
[7] SOTO, C. P., Redes neurais temporais para o tratamento
de sistemas variantes no tempo, Dissertao de
Mestrado, Departamento de Engenharia Eltrica,
Pontifcia Universidade Catlica do Rio de Janeiro. Rio
de Janeiro, 1999.
[8] THEIL, H., Applied Economic Forecasting, Nort h-
Holland, Amsterdam, 1966.
[9] TOWNSEND, N. W. & TARASSENKO, L., Estimations
of error bounds for neural-network function
approximators IEEE Trans. Neural Networks, Vol. 10,
pp. 217-230, 1999.
[10] WAN, E. A., "Time Series Prediction by Using a
Connectionist Network with Internal Delay Lines". Time
Series Prediction. Forecasting the Future and
Understanding the Past.. SFI Studies in the Sciences of
Complexity, Proc. Vol XVII, Addison Weslwy, 1994.
[11] ZHANG, L. & LUH, P. B., Confidence regions for
cascaded neural network prediction in power markets
IEEE Power Eng. Soc. Winter Meeting, Columbus, OH,
pp. 533-538, 2001.
[12] ZHANG, L.; LUH, P. B. & KASIVISWANATHAN, K. ,
Energy clearing price prediction and confidence interval
estimation with cascaded neural netoworks IEEE Trans.
on Power Systems, Vol. 18, n. 1, pp. 99-105, 2003.
RESI-Revista eletrionica de Sistemas de Informanao Edio 10, N1 2007 9