Redes Neurais Artificiais Na Previsão Do Consumo de Energia Elétrica No Brasil - II

CENTRO UNIVERSITRIO SOCIESC UNISOCIESC
SOCIEDADE EDUCACIONAL DE SANTA CATARINA
SAHAR MAHMOUD AYOUB
REDES NEURAIS ARTIFICIAIS NA PREVISO DE CONSUMO DE ENERGIA

ELTRICA NO BRASIL
JOINVILLE-SC
2015/012CENTRO UNIVERSITRIO SOCIESC UNISOCIESC

SOCIEDADE EDUCACIONAL DE SANTA CATARINA
SAHAR MAHMOUD AYOUB

ELTRICA NO BRASIL
Este trabalho ser apresentado ao Instituto

Superior Tupy, na Disciplina de Pesquisa
Aplicada orientado pelo Prof. Mestre Jonny
Ivon Beckert e co orientado pelo Prof. Mestre
Carlos Roberto da Silva Filho no Curso de
Engenharia Eltrica, turma EEL391 como
requisito parcial para obteno de grau.
Joinville
2015/02SAHAR MAHMOUD AYOUB

ELTRICA NO BRASIL
Trabalho da 1 parcial de curso,

aprovado como requisito para obteno
do grau de bacharel no Curso de
Engenharia Eltrica do Centro
Universitrio Sociesc UNISOCIESC
Sociedade Educacional de Santa Catarina
Joinville, ___de ______________de ______.
_________________________________________.
Prof. Mestre Jonny Ivon Beckert (orientador)
_________________________________________.
Prof. Mestre Carlos Roberto da Silva Filho (co orientador)
_________________________________________.
Prof. (membro da banca)
_________________________________________.
(Membro da banca)
Este trabalho dedicado a

Simone Cecilia sem a qual nada
seria possvel.
AGRADECIMENTOS
Como no iniciar agradecendo ao meu coordenador de curso e co orientador

Prof. Mestre Carlos Roberto da Silva Filho que me desafiou com um tema at ento
desconhecido por min e com lies de perseverana e humildade, dispondo de seu
escasso tempo para me atender nos momentos de aflio diante das inmeras
dificuldades que surgiram, sempre com sugestes precisas e, em nenhum momento,
deixando de me colocar de volta ao caminho certo, quando eu me sentia perdido.
Prof. Mestre Jonny Ivon Beckert com toda a sua sabedoria a respeito do tema
proposto, teve a pacincia de um verdadeiro mestre para sanar as minhas dvidas,
e dispondo do seu precioso tempo, orientar-me e ensinar-me as nuances que
permeiam esse assunto to fabuloso que so as RNAs.
Agradeo a meus pais com quem adquiri o habito e a perseverana de
estudar e, nunca parar de estudar. Eu no estaria aqui se no fosse por eles e todos
os sacrifcios que fizeram em prol da minha educao.
E por ltimo, mas no a ltima, Simone Cecilia, mulher da minha vida e que
faz com que todos os meus dias a seu lado sejam felizes. Obrigado Simone.
RESUMO
A habilidade de prever precisamente o consumo de energia de um sistema
vital para o planejamento e operao eficiente, econmica e segura de um sistema
de potncia. Esse trabalho investiga a utilizao de Redes Neurais Artificiais para a
previso do consumo de energia eltrica no Brasil.
Aqui so destacados os principais fatores que devem pautar a modelagem de
um sistema baseada em redes neurais artificiais, que so: seleo das variveis de
entrada; quantidade de dados referente s variveis disponveis; arquitetura da rede;
treinamento; previso da sada. O modelo ora apresentado foi desenvolvido a partir
de uma amostra do consumo de energia eltrica no Brasil, nos anos de 1995 a 2014.
Como variveis de entrada, foram selecionadas aquelas definidas pela Empresa de
Pesquisa Energtica (EPE) nos Planos Decenais de Expanso de Energia.
Para validar a proposta apresentada, so mostrados resultados baseados nas
simulaes com o modelo proposto utilizando o software MATLAB
Palavras-Chave: Redes Neurais Artificiais, Modelo de Predio, Consumo de

Energia Eltrica, MATLAB
ABSTRACT
The ability to accurately predict the power consumption of a system is vital
for planning and efficient operation, economical and safe a power system. This work
investigates the use of Artificial Neural Networks for the forecast electricity
consumption in Brazil.
Here the main factors that should guide the modeling of a system based on
artificial neural networks are deployed, which are selection of the input variables;
amount of data for the variables available; network architecture; training; Output
forecast. The model presented here was developed from a sample of electricity
consumption in Brazil, from 1995 to 2014. As input variables were selected those
defined by the Energy Research Company (EPE) in the Decennial Plan for Energy
Expansion.
To validate the proposal, results are shown based on simulations with the
model using the MATLAB software
Keywords: Artificial Neural Networks, Prediction Model, Electricity Consumption,

MATLAB
LISTA DE ILUSTRAES
Figura 1 Sistema Eltrico de Potncia SEP.................................................................19

Figura 2 Oferta Interna de Energia Eltrica por Fonte...................................................20
Figura 3 Concessionrias brasileiras de energia eltrica...............................................22
Figura 4 Rede Perceptron Multicamadas.....................................................................31
Figura 5 Neurnio Biolgico...................................................................................... 33
Figura 6 Modelo no Linear de Neurnio.....................................................................35
Figura 7 Funo Limiar............................................................................................. 37
Figura 8 Funo Linear por Partes.............................................................................38
Figura 9 Funo Sigmoide........................................................................................ 40
Figura 10 Arquitetura de uma RNA.............................................................................41
Figura 11 Rede alimentada adiante com uma nica camada de neurnios.......................42
Figura 12 Rede MLP tpica com duas camadas intermediarias.......................................43
Figura 13 Rede totalmente conectada........................................................................44
Figura 14: Rede parcialmente conectada....................................................................44
Figura 15 Rede recorrente com neurnios ocultos........................................................45
Figura 16 Aprendizado supervisionado.......................................................................47
Figura 17 Fluxo de processamento do algoritmo backpropagation..................................48
Figura 18 Fluxograma do algoritmo Backpropagation....................................................49
Figura 19 Projeo da populao total residente..........................................................53
Figura 20 Posse mdia de equipamentos....................................................................53
Figura 21 Crescimento econmico mundial e nacional..................................................55
Figura 22 Grandes consumidores industriais: produo fsica (10 t/ano).........................58
Figura 23 Projeo de consumo de energia eltrica......................................................67
Figura 24 Fluxo bsico para a concepo de uma RNA................................................68
Figura 25 Tela de configurao da RNA no MATLAB R2015a.........................................70
Figura 26 Tela do tool de redes neurais do MATLAB.....................................................72
Figura 27 Tela de configurao de uma das RNA simulada............................................73
Figura 28 Rede simulada pelo MATLAB......................................................................73
Figura 29 Janela com opes de comandos da rede criada...........................................74
Figura 30 Parmetros de treinamento da rede.............................................................75
Figura 31 Dados para treinamento da rede..................................................................76
Figura 32 Processo de treinamento da rede................................................................77
8
Figura 33 Comparao ente valores conhecidos e valores treinados...............................78

Figura 34 Aba Simulate do MATLAB...........................................................................80
Figura 35 Sada simulada x sada conhecida...............................................................81
Figura 36 Comparao ente valores conhecidos e valores treinados...............................84
Figura 37 Sada simulada x sada conhecida (4 dados).................................................85
GRFICOS
Grfico 1 Populao brasileira..............................................................................54

Grfico 2 Produto Interno Bruto do Brasil.............................................................56
Grfico 3 Desempenho das Importaes e Exportaes......................................57
Grfico 4 Produo de alumnio em 1000 toneladas............................................59
Grfico 5 Produo de ao bruto em 1000 toneladas...........................................60
Grfico 6 Produo de cimento em milhes de toneladas....................................61
Grfico 7 Produo de papel e celulose em 1000 toneladas................................62
Grfico 8 Produo de Cobre no Brasil.................................................................63
Grfico 9 Produo de pelotas em milhes de toneladas.....................................64
Grfico 10 Produo de soda e cloro em 1000 toneladas.....................................65
Grfico 11 Capacidade instalada em MWh...........................................................66
Grfico 12 Consumo de energia eltrica no Brasil................................................67
LISTA DE TABELAS
10
Tabela 1 Modelos de redes neurais artificiais.......................................................29

Tabela 2 Erro percentual entre valores conhecidos e treinados............................78
Tabela 3 Valores simulados x valores conhecidos.................................................81
Tabela 4 Redes simuladas x Erro mdio percentual..............................................82
Tabela 5 Erro percentual entre valores conhecidos e treinados............................84
Tabela 6 Valores simulados x valores conhecidos.................................................86
Tabela 7 Comparativo entre menor e maior quantidade de dados disponvel......87
SUMRIO
11
INTRODUO............................................................................................... 15
1.1
TEMA........................................................................................................... 16
1.1.1
Delimitao do tema............................................................................16
1.2
PROBLEMA.................................................................................................. 16
1.3
HIPTESE.................................................................................................... 16
1.4
JUSTIFICATIVA.............................................................................................. 17
1.5
OBJETIVO GERAL......................................................................................... 17
1.6
OBJETIVOS ESPECIFICOS.............................................................................17
1.7
METODOLOGIA............................................................................................ 18
REFERENCIAL TERICO.............................................................................. 19
2.1
SISTEMA ELTRICO DE POTENCIA...............................................................19
2.1.1
Estaes Geradoras.............................................................................20
2.1.2
Linhas de Transmisso........................................................................21
2.1.3
Sistemas de Distribuio....................................................................22
2.2
DEMANDA DE ENERGIA ELTRICA...............................................................23
2.3
PREVISO DE DEMANDA.............................................................................23
2.4
VIABILIDADE DA PREVISO DE CARGAS ELTRICAS FUTURAS....................25
2.5
FATORES QUE INFLUENCIAM A DEMANDA...................................................25
2.6
SRIES TEMPORAIS..................................................................................... 27
2.7
REDES NEURAIS ARTIFICIAIS.......................................................................28
2.7.1
Modelos de Redes Neurais.................................................................29
2.7.2
Escolha da Rede................................................................................... 30
2.7.3
Histrico das Redes Neurais Artificiais.............................................32
2.7.4
Neurnio Biolgico...............................................................................33
2.7.5
Neurnio Artificial................................................................................35
2.7.6
Funo de Ativao..............................................................................36
2.7.6.1 Funo Degrau......................................................................................... 37

12
2.7.6.2 Funo Linear por Partes.........................................................................38

2.7.6.3 Funo Sigmoide...................................................................................... 39
2.7.7
Arquitetura das RNAs..........................................................................40
2.7.7.1 Redes alimentadas adiante de uma nica camada (feedforward)...........42

2.7.7.2 Redes alimentadas adiante com mltiplas camadas (Multilayer
Feedforward Networks)........................................................................................ 43
2.7.8
Aprendizagem das redes neurais......................................................46
2.7.9
Algoritmo de treinamento (backpropagation)................................47
METODOLOGIA............................................................................................. 50
3.1
ESCOLHA DAS VARIAVEIS DE ENTRADA......................................................50
3.1.1
Populao.............................................................................................. 52
3.1.2
As variveis macroeconmicas..........................................................54
3.1.3
Principais segmentos eletrointensivos.............................................57
3.1.4
Capacidade instalada de gerao eltrica no Brasil......................65
3.2
A VARIAVEL DE SAIDA.................................................................................66
3.3
MODELO UTILIZADO NESSE ESTUDO..........................................................68
3.3.1
Parmetros das RNAs simuladas.......................................................69
3.4
Treinamento da Rede.................................................................................. 74
3.5
Analise dos Resultados............................................................................... 82
3.6
Minimizando o Erro..................................................................................... 83
CONSIDERAES FINAIS............................................................................88
LISTA DE ABREVIATURAS
13
AA: Ao Ano
ANEEL: Agencia Nacional de Energia Eltrica
BEN: Balano Energtico Nacional
BNDES: Banco Nacional do Desenvolvimento
EPE: Empresa de Pesquisa Energtica
IBGE: Instituto Brasileiro de Geografia e Estatstica
MLP: Multilayer Perceptron
PDE: Plano Decenal de Energia
PIB: Produto Interno Bruto
RNA: Rede Neural Artificial
SEP: Sistema Eltrico de Potencia
SIN: Sistema Interligado nacional
UH: Usina Hidroeltrica
1 INTRODUO
14
Um dos recursos mais estratgicos e indispensveis para o desenvolvimento

socioeconmico da humanidade a energia eltrica, portanto, a ampliao desse
sistema requer uma ateno especial no que tange ao planejamento de mdio e
longo prazo, visto que, so obras que normalmente demandam muito tempo e
dinheiro.
A predominncia das usinas hidreltricas representa 65,2% da produo de
energia eltrica no Brasil (BEN 2015) sendo o restante produzido por usinas
termoeltricas, parques elicos e biomassa o que coloca o Brasil como um dos
pases que tem a matriz energtica mais limpa e renovvel, ms tambm muito
vulnervel as mudanas climticas que acabam comprometendo o nvel dos
reservatrios das UH e consequentemente a produo de energia eltrica.
O tamanho continental do Brasil tambm pede linhas de transmisso muito
grandes o que implica em perdas na transmisso e consequentemente menos
energia disponvel para o consumidor final.
Planejar de maneira acertada a ampliao desse sistema consiste em levar
em considerao fatores que vo desde o aumento demogrfico passando por
variaes climticas, crescimento da economia em seus diversos setores e tambm
a disponibilidade dos recursos. Erros de planejamento nesse setor tem impacto
muito grande sobre a economia do Brasil e devem ser evitados.
Diante do exposto acima e devido grande complexidade do Sistema
Interligado Nacional (SIN), sistemas de informao so criados para servir de apoio
na anlise de senrios futuros para ajudar na tomada de deciso. A aplicao da
teoria que usa sries temporais fator de grande viabilidade para a previso de
aes que visam a ampliao do sistema dentre as quais se destaca a de Redes
Neurais Artificiais (RNA).
15
1.1
TEMA
UTILIZAO DE REDES NEURAIS ARTIFICIAIS NA PREVISO DE
CONSUMO DE ENERGIA ELTRICA.
1.1.1
Delimitao do tema
Criao de um sistema utilizando Redes Neurais Artificiais (RNA) para
prever o consumo de energia eltrica no Sul do Brasil no mdio e longo prazo

utilizando dados disponveis no site do Operador Nacional do Sistema (ONS),
Instituto Brasileiro de Geografia e Estatstica (IBGE) e tambm dados encontrados
na Empresa de Pesquisa Energtica (EPE).
1.2
PROBLEMA
Previso da demanda de energia em um determinado tempo futuro utilizando
dados passados, com uma margem de erro pequena o suficiente para auxiliar na
tomada de deciso com relao a ampliao do Sistema Interligado Nacional (SIN).
1.3
HIPTESE
- possvel utilizar Redes Neurais Artificiais como mtodo preditivo de
consumo de energia eltrica no Brasil?

- A quantidade de dados disponvel suficiente para fazer previses usando
Redes Neurais Artificiais?
- Os valores de consumo previstos por uma RNA so confiveis?
- vivel a construo de um programa utilizando a linguagem C++ para
simular redes neurais?
- Os resultados encontrados utilizando o programa desenvolvido em C++ so
to eficientes quanto os produzidos por programas comerciais?
16
1.4
JUSTIFICATIVA
Tomando como base o atual senrio econmico do Brasil, a necessidade de
atender a demanda por energia eltrica torna-se fator primordial para as projees
de crescimento econmico nacional. Planejar de forma eficaz a oferta de energia
eltrica muito mais que apenas conservao de energia. Esta verificao pode ser
feita confrontando a parcela de crescimento do mercado que pode ser atendida
atravs de aes de eficincia energtica que muito pequena, segundo o site do
Ministrio das Minas e Energias, em relao ao crescimento industrial, sendo esse,
o principal responsvel pela maior parte da demanda de energia gerada. A diferena
entre oferta e demanda de energia tem sido fator importante no crescimento do
Brasil.
Com base no exposto acima faz-se fundamental o planejamento da expanso
da capacidade produtiva e da infraestrutura de transmisso e distribuio, tendo em
vista o atendimento ao crescimento da demanda, com a manuteno ou melhoria da
qualidade do servio prestado.
O uso de RNAs de acordo com Biondi Neto et al, 2005 justifica-se pela sua
capacidade de, na anlise de sries temporais, aprendizado na realizao de
previses precisas, flexibilidade para previses iterativas capacidade de lidar com a
no estacionariedade e a no-linearidade das sries temporais investigadas e a
possibilidade de oferecer predio paramtrica e no-paramtrica
1.5
OBJETIVO GERAL
Utilizar RNA para melhorar a previso do consumo de energia eltrica em
qualquer momento futuro com uma pequena margem de erro.
17
1.6
OBJETIVOS ESPECIFICOS
Buscar dados de demanda de energia eltrica no sul do Brasil em perodos
anteriores a 2015.
Identificar quais so os fatores, variveis, envolvidas no aumento ou
diminuio da demanda de energia eltrica.

Escolher o tipo de RNA que se adapta ao problema proposto.
Construir uma Rede Neural Artificial que receba tais variveis como suas
entradas e produza o valor do consumo futuro como sua sada.

Definir o tipo de aprendizagem a ser adotado para treinar a RNA.
Comparar os resultados obtidos com valores existentes e encontrar a margem
de erro.
Elaborar um programa utilizando a linguagem C++ para simular Redes
Neurais Artificiais.
Comparar resultados obtidos no programa em linguagem C++ com resultados
encontrados na simulao usando o MATLAB.
1.7
METODOLOGIA
A pesquisa ser feita de modo quantitativo e a confirmao dos dados, objeto
dessa pesquisa, ser feita utilizando um software existente e tambm um algoritmo

prprio que ser desenvolvido no decorrer da pesquisa.
Aps a anlise dos resultados obtidos ser feita uma comparao entre os
mtodos utilizados com o objetivo de definir qual metodologia melhor se encaixa na
situao problema.
18
2 REFERENCIAL TERICO
2.1
SISTEMA ELTRICO DE POTENCIA

De acordo com a NR10 o Sistema Eltrico de Potncia (SEP) consiste no
conjunto das instalaes e equipamentos destinados gerao, transmisso e

distribuio de energia eltrica at a medio, inclusive. (NR-10, 1978, p.9)
Portanto podemos afirmar que um sistema eltrico de potncia constitudo
principalmente por trs elementos:
Estaes Geradoras
Linhas de transmisso
Sistemas de distribuio
Figura 1 Sistema Eltrico de Potncia SEP
Fonte: Desconhecido
19
2.1.1
Estaes Geradoras
De acordo com o Balano Energtico Nacional (BEN 2015) atualmente temos
como principais estaes geradoras de energia no Brasil as hidreltricas,

termoeltricas, biomassa e em menor quantidade a elica e a nuclear.
Figura 2 Oferta Interna de Energia Eltrica por Fonte
Fonte: Balano Energtico Nacional (BEN 2015, p16)
As usinas Hidreltricas dependem da regio e da geografia onde sero

instaladas as suas barragens, embora tenham um impacto ambiental bastante
significativo quando da formao do lago pelo represamento do rio, o custo da
gerao de energia aps o termino do empreendimento um dos mais baixos da
atualidade pois ser usada a queda da agua represada para mover as turbinas que
geram a energia eltrica.
Para produzir a energia hidreltrica necessrio integrar a vazo do rio, a

quantidade de gua disponvel em determinado perodo de tempo e os
desnveis do relevo, sejam eles naturais, como as quedas dgua, ou
criados artificialmente (Atlas de energia eltrica do Brasil, 2008, p 50)
As usinas termoeltricas utilizam algum tipo de combustvel para aquecer a

gua presente em seu sistema, que normalmente fechado, at transforma-la em
20
vapor. Esse vapor ira mover as turbinas que esto acopladas a um gerador que vai
gerar a energia eltrica. Quando usamos combustvel fssil nas termoeltricas o
custo dessa energia gerada torna-se bastante elevado, enquanto que ao utilizarmos
resduos que podem ser queimados, Biomassa, esse custo tende a diminuir.
Nas usinas trmicas convencionais, a primeira etapa consiste na queima de
um combustvel fssil, como carvo, leo ou gs, transformando a gua em
vapor com o calor gerado na caldeira.
A segunda consiste na utilizao deste vapor, em alta presso, para girar a
turbina, que por sua vez, aciona o gerador eltrico.
Na terceira etapa, o vapor condensado, transferindo o resduo de sua
energia trmica para um circuito independente de refrigerao, retornando
gua caldeira, completando o ciclo. (Furnas 2015)
As usinas nucleares seguem um princpio de funcionamento muito

semelhante ao das termoeltricas diferenciando-se apenas pela forma com que a
gua aquecida, nesse caso uma reao nuclear a base de uranio.
Os geradores elicos utilizam a fora dos ventos para girar grandes ps em
formato de hlice que ao girarem movimentam os geradores e produzem energia
eltrica. Estes geradores tambm so dependentes da geografia da regio pois a
sua implementao s justificada em regies que possuam ventos perenes e com
uma certa intensidade.
2.1.2
Linhas de Transmisso
As linhas de transmisso so as responsveis por ligar as usinas geradoras
com o sistema de distribuio das concessionrias. So formadas por trs

elementos principais, torres, isoladores e subestaes. As linhas de transmisso tm
sua teno variando entre 230kV at 750kV, lembrando que quanto maior a distncia
percorrida pela linha de transmisso maior deve ser a teno utilizada para
minimizar as perdas no meio do caminho. As subestaes so as responsveis pela
converso das tenes ao longo da linha de transmisso e tambm na entrada do
sistema de distribuio.
2.1.3
Sistemas de Distribuio
Esse o elemento do SEP responsvel pela entrega da energia ao
consumidor final seja ele residencial comercial ou industrial. Geralmente cada

21
sistema de distribuio dispe apenas de uma companhia de eletricidade que

atende uma determinada regio geogrfica dando a falsa impresso de que no h
concorrncia entre essas empresas. Porm essas empresas disputam grandes
consumidores negociando tarifas vantajosas para estes consumidores.
Figura 3 Concessionrias brasileiras de energia eltrica
Fonte: Desconhecido
Nesse sistema a teno de 13,8kV na distribuio e de 127/220V nos

consumidores residenciais e comerciais e 220/380V para as indstrias. Os
transformadores de baixa teno so os responsveis pela converso dos 13,8kV
para a teno contratada pelo consumidor final.
22
2.2
DEMANDA DE ENERGIA ELTRICA

A demanda de energia eltrica pode ser considerada como a procura por essa
forma de energia pelos consumidores para poderem realizar suas atividades em

suas residncias, comrcios ou industrias.
De acordo com Marques et al podemos definir a demanda de energia eltrica
como sendo a mdia das potncias eltricas ativas ou reativas, solicitada ao
sistema eltrico pela parcela da carga instalada em operao na unidade
consumidora, durante um intervalo de tempo especificado. No Brasil esse intervalo
de tempo foi definido em 1968 como sendo de 15 minutos de acordo com o decreto
no 62.724 de 1968.
Saber com antecedncia dessa vontade da populao, indstria e comrcio
de suma importncia para um bom planejamento estratgico de expanso do
sistema.
2.3
PREVISO DE DEMANDA
O prognostico de demanda uma tcnica que tem como base uma
metodologia clara e definida que, sustentada por modelos estatsticos, matemticos

ou economtricos, ou ainda, em modelos subjetivos busca determinar os valores
futuros de uma srie temporal. (MARTINS; LAUGENI, 2003). A previso de demanda
permite ao usurio ter noo de como a srie temporal ir se comportar no tempo
futuro. O desejo e a relevncia dessas informaes se mostram imprescindveis para
a tomada de deciso em diversas reas da indstria, comrcio e governamental.
Prever a demanda se torna uma tarefa difcil devido a quantidade e
complexidade das variveis que interferem no comportamento da srie, porm de
fundamental importncia no processo decisrio. Devemos levar em considerao
que a previso de demanda no deve se constituir como um fim e sim um meio de
se obter e fornecer informaes para a tomada de decises, visando sempre atingir
determinados objetivos.
23
Previses claras de demanda futura por energia passam a ter um papel mais
importante no que se refere aos investimentos na rea de sistemas de distribuio,
planejamento em energia eltrica e estratgias de gerenciamento em sistemas
regionais e nacionais. (ANDRADE 2010). Previses imprecisas de energia podem
aumentar os custos operacionais, pois a superestimao na demanda futura resulta
em uma reserva girante desnecessria enquanto a subestimao pode causar falhas
no fornecimento.
A previso de cargas eltricas em relao ao intervalo de tempo descrita da
seguinte forma (YALCINOZ; EMINOGLU, 2005):
Curtssimo Prazo: toma por base o intervalo de menos de uma hora, com
instantaneidade do perfil da carga servindo de base para decises
relacionadas ao gerenciamento de demanda de carga, maior disponibilidade
de potncia, servindo como parmetro realocao de manutenes de
unidades geradoras, otimizao do uso de potncias decorrentes de cargas
diversas, etc;
Curto Prazo: se fundamenta em intervalos semanais, no intuito de obter uma

maior vantagem econmica dos geradores, tornando menor o custo de
gerao de energia, possibilitando, ainda, a otimizao quanto utilizao de
geradores trmicos;
Mdio Prazo: neste caso, o intervalo considerado mensal, com o objetivo

de melhor aproveitamento de mquinas geradoras ou, at mesmo, avaliao
da instabilidade da rede de energia, para fins de segurana quanto ao
fornecimento;
Longo Prazo: aqui o intervalo anual, sendo realizado para a avaliao

relativa capacidade de fornecimento ao mercado consumidor. No Brasil,
tendo em vista o setor ser basicamente hidroeltrico, o que possibilita
transferncia de carga entre empresas, so utilizados intervalos temporais de
10, 15 e at 20 anos para que ocorra a expanso do sistema, considerandose o perodo compreendido entre a deciso e o real aumento da capacidade
de fornecimento.
24
2.4
VIABILIDADE DA PREVISO DE CARGAS ELTRICAS
FUTURAS
Prever cargas eltricas futuras mostra-se plausvel levando-se em
considerao o crescimento econmico e populacional, desejando minimizar os
riscos de desabastecimento e consequentemente perda de produtividade e aumento
dos custos de fornecimento de energia eltrica.
Partindo dessa necessidade devemos utilizar um sistema com capacidade de
encontrar o menor erro possvel com o objetivo de evitar problemas no planejamento
tanto da gerao como da transmisso de energia.
Para adequada aplicao de um sistema de previso de demanda devemos
levar em considerao a disponibilidade de informaes histricas, a possibilidade
da transformao dessas informaes histricas em dados numricos e ainda
verificar a repetio de padres passados que possam ser aplicados no futuro.
De acordo com (LIMA, 1996) os modelos de previso de carga podem ser
classificados em:
Regresso Linear Mltipla.

Alisamento Exponencial.
Sries Temporais Estocsticas.
Mtodo de Espao de Estado (Filtro de Kalman).
Sistemas Especialistas.
Redes Neurais Artificiais.
Nesse trabalho ser dado nfase ao uso das RNAs para a previso do
consumo no longo prazo deixando os demais modelos para trabalhos futuros.
2.5
FATORES QUE INFLUENCIAM A DEMANDA

As principais premissas utilizadas para a projeo da demanda de energia
eltrica no Brasil, de acordo com a Empresa de Pesquisa Energtica (EPE), so:

25
2.5.1
Projeo da populao e dos domiclios

Cenrio macroeconmico
Perspectivas relativas aos grandes consumidores industriais (destacando os
principais segmentos eletrointensivos).

Evoluo da produo de eletricidade e da eficincia energtica.
Projeo da populao e dos domiclios

As diferentes perspectivas da transformao demogrfica, e suas
consequncias sociais e econmicos, possuem grande relevncia para explicar o

consumo de energia. Considerando esse aspecto, qualquer estudo probabilstico da
demanda de energia deve ter a ateno de estabelecer os princpios de correlao
com a dependncia do comportamento futuro da populao.
De acordo com DEA 03-2015
A populao brasileira vem passando por um rpido processo de transio
demogrfica, ao longo das ltimas dcadas. Nos ltimos anos, a populao
total residente do pas apresenta taxas de crescimento de modo geral
declinantes em todas as regies do Pas. (DEA 03-2015- Projees da
Demanda de Energia Eltrica 2015-2024, P.4)
2.5.2
Cenrio Macroeconmico
Com relao economia mundial, ainda existe uma apreenso sobre o
reestabelecimento da economia europeia. Os Estados Unidos da Amrica j esto

mostrando melhoras relacionadas com o mercado de trabalho, e produo industrial
indicando que logo o pais deva voltar ao seu ritmo habitual de crescimento. Com
relao aos pases em desenvolvimento, esses esto sofrendo com a baixa
demanda mundial e consequentemente menores preos das commodities,
normalmente seu principal produto de exportao.
O Brasil tem sofrido com o impacto do desaquecimento da economia mundial,
aliado as dificuldades de competitividade da indstria nacional, provocando uma
reduo no ritmo de crescimento da indstria como um todo, portanto, teremos
grandes desafios para serem superados nos prximos anos.
26
2.5.3
Perspectivas relativas aos grandes
consumidores industriais
Dentro do setor industrial existe uma parcela que responsvel por um
grande consumo de energia eltrica para seu funcionamento, de acordo com (DEA
03-2015) os segmentos de alumnio (incluindo alumina e bauxita), siderurgia (ao
bruto), ferro ligas, pelotizao, cobre, celulose e papel, soda-cloro, petroqumica
(eteno) e cimento juntos so responsveis por aproximadamente 40% do gasto de
toda a eletricidade consumida pelo setor industrial.
Dada a relevncia desses consumidores no gasto de energia do pas,
devemos considerar alm do senrio macroeconmico, os possveis senrios de
expanso ou retrao nesses setores especficos pois, como j vimos, so
responsveis pelo consumo de uma fatia considervel de toda a produo de
energia eltrica no Brasil, tendo assim, seu consumo, um impacto muito grande em
qualquer previso feita para o clculo de demanda futura de energia eltrica.
2.6
SRIES TEMPORAIS
Podemos definir sries temporais como sendo a observao de uma coleo
de variveis aleatrias em um determinado intervalo de tempo (cada dia, cada ms,

cada ano, etc.). Os dados da srie temporal no so independentes especialmente
se os dados da amostra so curtos. As observaes prximas costumam ser mais
parecidas do que as mais distantes.
De maneira mais formal, definimos srie temporal como sendo uma
realizao de um processo estocstico (coleo de variveis aleatrias ordenadas
no tempo).
O maior interesse em sries temporais na previso, isto , estando no
instante t desejamos prever o valor da varivel no instante t + k onde k > 0. Para isso
devemos elaborar um modelo estatstico que descreva a procedncia da dita srie
27
de forma que esse modelo seja compatvel com as amostras observadas nas sries
temporais.
As sries temporais podem ser classificadas de duas maneiras:
Sries Temporais Estacionrias: so viveis para a previso pois

matematicamente podemos dizer que so sries convergentes, ou seja,
converge para um determinado valor ao longo do tempo.

Sries Temporais No-Estacionarias: conhecida matematicamente como
srie divergente, no se prestam para previso futura pois seus valores
divergem ao longo do tempo.
2.7
REDES NEURAIS ARTIFICIAIS

Uma rede neural um sistema computacional constitudo por unidades
conhecidas como neurnios. Os neurnios so elementos processadores

interligados, trabalhando em paralelo para desempenhar uma determinada tarefa.
Os modelos RNAs constituem uma importante tcnica estatstica no-linear capaz
de resolver uma gama de problemas de grande complexidade. Por isso, so
modelos teis em situaes que no possvel definir explicitamente uma lista de
regras. Em geral, isso acontece quando o ambiente gerador dos dados muda
constantemente. As principais reas de atuao so para classificao de padres e
previses.
De acordo com Haykin pode-se definir uma rede neural como:
Uma rede neural um processador maciamente paralelamente distribudo
constitudo de unidades de processamento simples, que tem a propenso
natural para armazenar conhecimento experimental e torna-lo disponvel
para uso. (Haykin, 2001, p28)
A comparao com o crebro humano se torna inevitvel pois ainda segundo

Haykin uma RNA se assemelha ao crebro humano em dois aspectos:
O conhecimento adquirido pela rede a partir de seu ambiente atravs de
um processo de aprendizagem.
Foras de conexo entre neurnios, conhecidas como pesos sinpticos, so
utilizadas para armazenar o conhecimento adquirido. (Haykin, 2001, p28)
28
2.7.1
Modelos de Redes Neurais
No estudo das RNAs podemos verificar a existncia dos modelos citados na

tabela abaixo e descritos de maneira bem resumida logo abaixo.
Tabela 1 Modelos de redes neurais artificiais
Camada Simples
Multicamadas
Recorrentes e Parcialmente
Recorrentes
ADALINE
Perceptron
Self-Organizing Map SOM
Learning Vector Quantization LVQ
Hopfield
Multilayer Perceptron MLP
Radial Basis Function RBF
Time Delay Neural Network TDNN
Elman
Jordan
Fonte: O autor
Rede Adaline uma rede neural tendo uma camada de entrada com N
unidades e uma camada de sada com apenas uma unidade. No h
camadas escondidas. Na Adaline, a atividade do neurnio de sada no
uma varivel binria como no Perceptron, mas uma funo linear

Rede Perceptron uma rede direta consistindo de unidades binrias, que
aprendem a classificar padres atravs de aprendizado supervisionado. As
redes Perceptron introduzem formalmente uma lei de treinamento. Modelam o
neurnio fazendo a soma ponderada de suas entradas e enviando 1 se a
soma for maior do que algum resultado inicial, caso contrrio a rede envia 0
Rede Self-Organizing Map (SOM) uma rede neural de 2 camadas que
aceita padres de N-dimenses como entrada e os mapeia para um conjunto
de neurnios de sada, o qual representa o espao dos dados a serem
agrupados
29
Rede Learning Vector Quantization (LVQ) composta por trs camadas

sendo uma de entrada, uma camada oculta e uma camada de sada. A
camada de entrada completamente conectada com a camada oculta
enquanto que a camada oculta e parcialmente conectada com a camada de
sada.
Rede Hopfield possui uma nica camada de neurnios totalmente e
simetricamente interconectados a partir de operadores de atraso unitrio, no
havendo conexes de um neurnio para ele mesmo, possui ainda memria
auto associativa sem camada escondida e a aprendizagem realizada em um
nico passo.
Rede Multilayer Perceptron (MLP) consiste de uma camada de entrada,
uma ou mais camadas ocultas e uma camada de sada. uma rede em que
as camadas esto organizadas em uma ordem e os neurnios de uma
camada estimulam todos os neurnios da camada seguinte (fortemente
conectada). Nenhum neurnio pode estimular um neurnio da mesma
camada ou de camadas anteriores

Rede Radial Basis Function (RBF) uma rede constituda de vrias
camadas e que utiliza o aprendizado supervisionado. Sua principal
caracterstica a utilizao de funes de base radial em todos os ns das
camadas ocultas
Rede Time Delay Neural Network (TDNN) so alimentadas adiante, com
mltiplas camadas, cujos nodos das camadas escondidas e da camada de
sada so duplicados ao longo do tempo. A topologia de uma rede TDNN est
embutida em uma rede PMC (Perceptron multicamadas)

Rede Elman possui trs camadas (entrada, escondida e de sada) e mais
uma camada de contexto que realimenta a camada escondida sendo uma
RNA recorrente, sendo esta responsvel por guardar a informao temporal
relativa as entradas anteriores da rede.

Rede Jordan seu funcionamento difere da rede de Elman pelo fato da
camada de contexto realimentar apenas a camada de sada.
2.7.2
Escolha da Rede
30
Como citado anteriormente as redes Neurais Artificiais (RNAs) so

ferramentas potentes para tratar uma grande variedade de problemas. De acordo
com (Haykin, 2001) o modelo Perceptron multicamadas tem sido aplicado para
solucionar uma grande gama de problemas de reconhecimento de padres, como
por exemplo softwares de reconhecimento de voz, softwares de OCR que
acompanham scanners que precisam aprender a reconhecer caracteres da imagem,
processamento de sinais, aproximao de funes e previso de sries temporais.
Figura 4 Rede Perceptron Multicamadas
Fonte: O autor
O algoritmo responsvel pelo treinamento da rede multicamadas ser o backpropagation que de acordo com (BRAGA, CARVALHO e LUDERMIR, 2000) segue
uma sequncia de dois passos na fase de treinamento:
Primeiro, um padro apresentado camada de entrada da rede. A atividade
resultante flui atravs da rede camada por camada, at que a resposta seja
produzida pela camada de sada.
Segundo passo, a sada obtida comparada com a sada desejada para esse
padro em particular. Se no estiver correta o erro calculado e propagado a partir
31
da camada de sada at a camada de entrada e os pesos das conexes das

unidades das camadas internas vo sendo modificados conforme o erro retro
propagado.
A oportunidade que as RNAs oferecem de processamento em paralelo e de
forma distribuda aumentando a velocidade de convergncia da srie temporal.
Outro aspecto das RNAs que no necessitam ser programadas pois so autoorganizveis aprendendo atravs do treinamento repetitivo.
De acordo com (Sabbatini, 1992) as aplicaes das RNAs, em geral, so
voltadas para o reconhecimento de padres que computadores convencionais no
executam com facilidade.
2.7.3
Histrico das Redes Neurais Artificiais

McCulloch e Pitts (1943), Hebb (1949), e Rosemblatt (1958). Estas
publicaes introduziram o primeiro modelo de redes neurais simulando mquinas,

o modelo bsico de rede de auto-organizao, e o modelo Perceptron de
aprendizado supervisionado, respectivamente.
Nos anos 60 e 70, importantes trabalhos sobre modelos de redes neurais em
viso, memria, controle e auto-organizao como: Amari, Anderson, Cooper,
Cowan, Fukushima, Grossberg, Kohonen, von der Malsburg, Werbos e Widrow.
Alguns histricos sobre a rea costumam pular os anos 60 e 70 e apontar
um reincio da rea com a publicao dos trabalhos de Hopfield (1982) relatando a
utilizao de redes simtricas para otimizao e de Rumelhart, Hinton e Williams
que introduziram o poderoso mtodo Backpropagation.
De acordo com (BIONDINI 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
32
de lidar com a no estacionariedade e a no-linearidade das sries temporais

investigadas e a possibilidade de oferecer predio paramtrica e no-paramtrica.
J em 1986 Rumelhart, Hinton e Williams descrevem o algoritmo de
backpropagation, comprovando que as RNAs de mltiplas camadas so realmente
capazes de resolver problemas complexos. Aps o surgimento do algoritmo de
Backpropagation inmeras pesquisas se voltaram a propor variaes do algoritmo
que tivesse maior velocidade de convergncia.
2.7.4
Neurnio Biolgico
O neurnio biolgico dividido de forma simplificada em corpo celular,
dendritos e axnio sendo que, cada parte complementa a outra.

Figura 5 Neurnio Biolgico
Fonte: Desconhecido
Conforme (BRAGA, CARVALHO e LUDERMIR, 2000) o crebro humano

contm algo em torno de 1011 neurnios sendo que cada um deles processa e se
comunica com milhares de outros modelos contnuo e paralelo. O crebro humano,
33
entre outras funes, responsvel pelo pensamento, percepo e cognio. Alm

disso sua rede de nodos tem a capacidade de reconhecer padres e relaciona-los,
usar e armazenar conhecimento por experincia e interpretar observaes
O corpo celular de um neurnio a parte central da clula onde esto
contidos o ncleo e o citoplasma celular. Partindo do corpo celular esto os
dendritos cuja funo receber as informaes, nesse caso os impulsos nervosos
vindos dos demais neurnios e conduzi-las at o corpo celular onde a informao
processada e novos impulsos so gerados. A transmisso dessa informao para
outros neurnios acontece travs do axnio do neurnio 1 chegando aos dendritos
dos neurnios seguintes. O ponto de contato entre o axnio de um neurnio com o
dendrito de outro recebe o nome de sinapse.
As sinapses so o local de contato entre neurnios, onde ocorre a
transmisso de impulsos nervosos de uma clula para outra permitindo assim que a
informao trafegue pelo crebro. De acordo com (BRAGA, CARVALHO e
LUDERMIR, 2000) a capacidade de executar funes complexas aparece com a
operao em paralelo de todos os neurnios do nosso sistema nervoso.
As sinapses entre os neurnios podem ser fortes quando um evento muito
marcante e mantemos a lembrana ou fracas quando a memria logo se perde,
como pode ser visto na regra de Hebb.
A regra de Hebb prope que o peso de uma conexo sinptica deve ser
ajustado se houver sincronismo entre os nveis de atividade da entrada e
da sada. Assim, se dois neurnios em lados distintos de uma sinapse, so
ativados simultaneamente, tem-se um fortalecimento dessa sinapse. Caso
no seja simultneo, essa sinapse ser enfraquecida ou eliminada. (PIO,
2009, p7)
O conceito de sinapse forte ou fraca muito importante nas RNAs pois so os

pesos atribudos a cada uma das variveis que vo definir se essa determinada
varivel tem uma funo mais ativa no estudo realizado ou no. Desta forma quanto
maior o peso dado a uma determinada varivel maior ser seu impacto no resultado
34
da rede. O estudo dos pesos dados as variveis ser objeto de estudo mais adiante
nesse trabalho.
2.7.5
Neurnio Artificial
De acordo com (Haykin, p36) podemos definir um neurnio artificial como
uma unidade de processamento de informao que fundamental para a operao

de uma rede neural.
Figura 6 Modelo no Linear de Neurnio
Fonte: Haykin, p6
Na figura acima podemos identificar, como no neurnio biolgico, trs

elementos bsicos do modelo neural.
Conjunto de Sinapses: Cada uma caracterizado por um peso prprio onde

para cada entrada ( Xj ) existe uma conexo sinptica ( j ) associada a um
peso sinptico ( wkj ), que multiplica suas respectivas entradas. Diferente das
sinapses do crebro o peso sinptico de um neurnio artificial pode ser tanto
positivo como negativo.

Somador: Soma os sinais de entrada j ponderados pelos seus respectivos
pesos sinpticos.
Funo de Ativao: Para restringir a amplitude de sada do neurnio,
tambm conhecida como funo restritiva j que restringe a amplitude do
sinal de sada a um valor finito. Normalmente o intervalo da amplitude de
sada do neurnio [ 0,1] ou [-1,1].
35
Matematicamente falando, podemos descrever o neurnio artificial pelo

seguinte par ade equaes:
m
uk = w kj . x j
j=1
(2.1)
e
y k = ( uk +b k )
(2.2)
Definio das variveis envolvidas:

x j :sinal de entrada
w jkj : peso sinaptico do neurnio
uk :saida do somador sem adio do bias
bk : sinal de bias
v k : saidado somador com a adio do bias
( . ) :funo de ativao
y k : sinal de saida do neuronio
O bias bk um parmetro externo ao neurnio, e tem

como funo evitar o surgimento de erros quando os dados de
36
entrada so nulos. Possui o efeito de transladar a funo de

ativao em torno da origem.
2.7.6
Funo de Ativao
uma funo de ordem interna, sendo uma deciso tomado pelo prprio
neurnio sobre o que fazer com os valores advindos do somatrio das entradas
ponderadas.
De acordo com (Valena,2007) em uma RNA, cada unidade de
processamento ou n tem associado uma funo de ativao, responsvel pela
intensidade do sinal a ser transmitido pelas conexes para os neurnios das
camadas adjacentes. Dentre as funes de ativao mais usuais podemos destacar
a funo degrau, funo linear e funo sigmoide.
2.7.6.1 Funo Degrau

Tambm conhecida como funo de limiar descrita por como:
( v ) = 1 se v 0
0 se v <0
(2.3)
37
Figura 7 Funo Limiar
Fonte: O autor
Essa funo foi proposta por McCulloch em seu artigo (McCulloch, 1943) e
define que a sada do neurnio ser igual a 1 se os valores da funo forem
positivos e igual a 0 se os valores forem negativos.
2.7.6.2 Funo Linear por Partes

uma funo que no limita a sada da rede, assume um fator de
amplificao unitrio dentro da regio linear e usada apenas para armazenar
entrada e sada de dados.
descrita matematicamente como:
1
2
1
( v ) = v se+ >v > 1
2
2
1
0 se v
2
1 se v +
(2.4)
38
Figura 8 Funo Linear por Partes
Fonte: O autor
Logo essa funo pode funcionar como um amplificador no linear, desta

forma podemos observar esta funo em dois casos especiais (FIGUEIREDO,
2009):
Se a operao mantida sem entrar em saturao, tem-se um combinador
linear.
A funo linear por partes pode ser vista como a reduo da funo limiar
quando o fator de amplificao tende ao infinito.
2.7.6.3 Funo Sigmoide

De acordo com (BRAGA, CARVALHO e LUDERMIR, 2000) essa a funo
mais usual e relacionada ao uso de Perceptron multicamadas sendo ela
estritamente crescente alm de possuir um comportamento balanceado entre funo
linear e no-linear.
Existem dois tipos possveis de implementao para funo sigmoide: a
sigmoidal logstica (Logsig) e a tangente hiperblica (Tansig). A diferena elementar
entre essas funes que quando a funo Logsig gera sadas em um intervalo de
0 a 1, a funo Tansig assume valores de sada de -1 a 1.
A descrio matemtica da funo sigmoide est descrita abaixo
39
(v )=
1
1+exp (av )
(2.5)
Figura 9 Funo Sigmoide
Fonte: O autor
Como pode ser visto na figura 7 o parmetro a define a inclinao da funo

sigmoide e conforme a tende a infinito a funo sigmoide tende a uma funo
limiar. Comparando as duas funes vemos que a funo sigmoide tem sua sada no
intervalo [0 1] enquanto a funo limiar tem seus valores de sada 0 ou 1.
2.7.7
Arquitetura das RNAs

A arquitetura de uma RNA uma orientao importante de sua concepo, j
que a mesma restringida pelo problema proposto. De acordo com (Goedetel, 2003)
a estrutura de uma rede neural , basicamente, composta por trs camadas. A
primeira delas denominada camada de entrada, responsvel apenas pela
recepo do vetor de variveis, com as informaes a serem processadas pelo
40
restante da rede. A segunda camada denominada camada intermediria ou oculta,

que pode ser nica ou com vrias subcamadas, em cascata. Esta a camada
responsvel pelo processamento da informao recebida pela camada de entrada.
O processamento realizado de forma paralela, passando pelos diversos neurnios
da camada intermediria. A seguir, tem-se a camada de sada a ltima
responsvel pela fase final do processamento e apresentao dos resultados.
Figura 10 Arquitetura de uma RNA
Fonte: Haykin, p47
As redes de camada nica de nodos MCP servem somente para resolver

problemas linearmente separveis. Redes recorrentes so as mais apropriadas para
resolver problemas que envolvem processamento temporal na definio de uma
arquitetura, levando-se em conta os seguintes parmetros: nmero de camadas da
rede, nmero de nodos em cada camada, tipo de conexo entre os nodos e
topologia da rede (BRAGA; CARVALHO; LUDERMIR, 2007).
Segundo Haykin, [HAYKIN, 2001], a disposio dos neurnios na formao de
uma RNA est diretamente ligada ao algoritmo de aprendizagem usado para treinar
esta RNA. Tambm de acordo com (Silva et al. 2004) as RNAs diferem umas das
outras em funo do nmero de camadas e pela forma que seus neurnios
interagem.
41
Nesse trabalho ser levado em considerao trs arquiteturas de RNAs

fundamentalmente diferentes, das quais derivam-se outras, porm estas possuem a
base conceitual sobre a arquitetura de uma RNA.
Redes alimentadas adiante de uma nica camada: Nesse caso existe

somente uma camada de neurnios ligados diretamente aos ns de entrada e
eles mesmos j fornecem os dados de sada.

Redes alimentadas adiante de mltiplas camadas: Esse tipo possui uma ou
mais camadas de neurnios escondidos. Sua funo processar os sinais de
entrada antes de envi-los aos neurnios de sada.

Redes recorrentes: So arquiteturas neurais que possuem laos de
realimentao. Desta forma, produzem um nico conjunto de valores de
sada. Pode ser monocamada ou multicamada.
2.7.7.1 Redes alimentadas adiante de uma nica camada

(feedforward)
a topologia mais simplificada de uma RNA pois possui apenas a camada de
entrada, onde feita a entrada dos dados, e a camada de sada, onde esto os
neurnios computacionais. Esse tipo de rede rigorosamente alimentado adiante
como fica claro na figura abaixo.
42
Figura 11 Rede alimentada adiante com uma nica camada de neurnios
Fonte: O autor
De acordo com (SCHMITT, 2009) a camada de entrada no e considerada no

nmero de camadas pelo fato dos neurnios de entradas serem especiais, cuja
funo e distribuir cada uma das entradas da rede a todos os neurnios da camada
seguinte.
2.7.7.2 Redes alimentadas adiante com mltiplas camadas

(Multilayer Feedforward Networks)
Essas redes, tambm conhecidas como MLP Multilayer Perceptron, diferemse das anteriores por possurem uma ou mais camadas ocultas, cujos ns
computacionais so chamados de neurnios ocultos. A incumbncia destes
neurnios interceder entre os neurnios da camada de entrada e camada de sada
ajudando a rede a atingir seu objetivo. Assim que essas camadas passam a fazer
parte de uma RNA essa torna-se capaz de retirar informaes, estatsticas, de
ordem elevada.
43
Figura 12 Rede MLP tpica com duas camadas intermediarias
Fonte: Haykin, 2001
Para (Haykin, 2001) a camada oculta includa para permitir que a rede
extraia as caractersticas intrnsecas do processo estabelecendo, no treinamento, a
relao entrada-sada pelo ajuste de seus pesos sinpticos, e, com isto, formando
sua memria de longo prazo utilizada na generalizao de resultados para o domnio
especfico das variveis de entrada.
Esse tipo de rede pode ser totalmente conectada, quando todos os neurnios
possuem sinapses entre si ou parcialmente conectada quando no existem
conexes entre todos os neurnios.
44
Figura 13 Rede totalmente conectada
Fonte: O autor
Figura 14: Rede parcialmente conectada
Fonte: O autor
A rede MLP uma das mais importantes classes de redes neurais de

mltiplas camadas alimentadas adiante, tendo como principais caractersticas:
Cada neurnio da rede possui uma funo de ativao no linear;

A rede possui uma ou mais camadas de neurnios ocultos;
A rede exibe um alto grau de conectividade, determinado por suas sinapses;
2.7.7.3 Redes recorrentes

Nesse tipo de rede h ao menos um lao de realimentao. A rede recorrente
pode ser montada em uma nica camada com cada um desses neurnios
realimentando para a sua entrada. Uma variao desta arquitetura so redes que
possuem neurnios ocultos a sadas destes realimentadas para a entrada da RNA.
45
Figura 15 Rede recorrente com neurnios ocultos
Fonte: Haykin, 2001
A presena dos laos de realimentao, de acordo com (FIGUEIREDO, 2009)

nesta arquitetura de RNA tem uma grande importncia na capacidade de
aprendizado da rede. Estes laos de realimentao envolvem o uso de ramos
particulares compostos representados por Z -1 (elementos de atraso unitrio), o que
resulta num comportamento dinmico no-linear, admitindo-se que a RNA contenha
unidades (neurnios) no-lineares.
2.7.8
Aprendizagem das redes neurais

A principal caracterstica das RNAs a sua habilidade de aprender dentro do
ambiente para o qual foi desenvolvida e gradativamente melhorar seu desempenho

atravs da aprendizagem.
Embora a palavra aprendizagem possa sugerir diversas interpretaes
conforme o contexto onde aplicada e reconhecendo que o foco do trabalho so as
RNAs usaremos a definio de Haykin (2001 apud Mendel; McClaren 1970).
46
A aprendizagem um processo pelo qual os parmetros livres de uma rede

neural so adaptados atravs de um processo de estimulao pelo
ambiente no qual a rede est inserida. O tipo de aprendizagem
determinado pela maneira pela qual a modificao dos parmetros ocorre.
(Haykin, 2001, p75)
De acordo com a definio acima podemos afirmar que a RNA estimulada

por um ambiente, sofre modificao em seus parmetros livres devido a estimulao
recebida e responde de uma maneira nova ao ambiente devido s modificaes
ocorridas na sua estrutura interna.
Embora tenham sido desenvolvidos diversos mtodos de treinamento para as
RNAs, podemos compila-los em dois grandes grupos:
Aprendizagem no supervisionada: Acontece sem a ajuda de um professor,

onde somente os padres de entrada so fornecidos para a rede. A rede ira
apurar essas entradas e se organizar para classificar essas entradas usando
seus prprios critrios. Esse tipo de rede utiliza os neurnios como
classificadores e os dados de entrada como elementos para classificao.

Aprendizagem supervisionada: o meio mais utilizado no treinamento das
RNAs onde o aprendizado acontece com um professor que fornece as
entradas e sadas com o objetivo de ajustar os parmetros de rede. Dessa
forma, a cada nova entrada oferecida a rede devemos verificar se a sada
obtida confere com a sada desejada para aquela entrada. Caso a sada no
corresponda com a sada desejada a rede deve ajustar os pesos e
armazenar o conhecimento desejado. Esse treino deve ser repetido em todo
o conjunto de treinamento at que o percentual de erro esteja dentro dos
parmetros considerados como adequados.
Para os propsitos desse estudo ser adotada a metodologia da
aprendizagem supervisionada que est representada na figura 12.
47
Figura 16 Aprendizado supervisionado
Fonte: Braga; Carvalho e Ludermir, 2000
No aprendizado supervisionado, o agente supervisor metaforicamente

chamado de professor ou retro programao de erro (backpropagation), sendo esse
o algoritmo mais utilizado para o ajuste de uma RNA.
O algoritmo de aprendizagem fixado como um agrupamento de regras bem
definidas para resolver o problema de aprendizagem da rede. No existe um
algoritmo padro para os projetos de RNAs pois cada rede est inserida em um
contexto prprio e necessitar de ajustes prprios para adequar a sua sada com os
valores desejados. Podemos dizer que h um conjunto de ferramentas que
representa uma grande variedade de algoritmos onde cada um oferece vantagens
especificas.
2.7.9
Algoritmo de treinamento (backpropagation)

Foi visto anteriormente que o algoritmo backpropagation o mais popular
entre os algoritmos para o aprendizado das redes MLP, por ser supervisionado e
utilizar pares de entrada e sada para, por meio de um mecanismo de correo de
erros, ajustar os pesos da rede.
O uso do algoritmo backpropagation consiste em calcular o erro na sada da
rede e retro propag-lo pela rede, modificando os pesos para minimizar o erro da
prxima sada. Baseando-se no mtodo do gradiente descendente, o algoritmo tem
como objetivo determinar um mnimo global, atravs de um acrscimo dos valores
48
dos pesos por uma quantidade que igual a 1 derivada (gradiente) do erro entre o
valor esperado e o valor encontrado pela rede.
O algoritmo existe na forma de duas etapas, sendo uma delas para a frente
(forward) e a outra etapa para trs (backward).
Figura 17 Fluxo de processamento do algoritmo backpropagation
Fonte: O autor
No passo para frente, a informao entregue entrada da rede se

propaga camada por camada, at atingir sua sada. Nesta fase, no h alterao
dos pesos sinpticos da rede.
O passo para trs consiste em percorrer o caminho inverso ao anterior, isto ,
partindo-se da sada, o erro calculado e levado de volta, promovendo o ajuste das
matrizes de pesos sinpticos (GOEDTEL, 2003).
Basicamente o algoritmo backpropagation pode ser descrito da seguinte
maneira:
a) Apresentao do padro.
b) Propagar o sinal para frente e calculara a sada resultante para todos os
neurnios de sada.
c) Calcular os erros para todas as camadas de sada.
d) Retro propagar o sinal de erro da sada nos neurnios ocultos.
e) Atualizar os pesos, apresentar novo padro e retornar ao passo (a).
49
Figura 18 Fluxograma do algoritmo Backpropagation
Fonte: O autor
3 METODOLOGIA
50
3.1
ESCOLHA DAS VARIAVEIS DE ENTRADA

A quantidade de variveis que modela um sistema eltrico tem um nmero e
uma complexidade bastante elevada, ms o primeiro grande corte no espao

amostral que ser utilizado se d pela disponibilidade de informaes referentes ao
sistema objeto de estudo desse trabalho.
Para a realizao desse estudo, foi tomado como base os estudos feitos pela
EPE para a previso de demanda de energia eltrica no Brasil. Embora a
metodologia utilizada pela EPE no esteja disponvel nesses estudos, podemos
retirar dele as variveis envolvidas e que so fundamentais para o processo de
aquisio de dados passados para poder alimentar a RNA objeto de estudo deste
trabalho.
Os estudos sobre a demanda de eletricidade que resultaram na projeo
apresentada nesta nota tcnica envolveram a anlise prospectiva da
evoluo socioeconmica e demogrfica no Brasil, para o perodo 20152024, assim como estudos setoriais contemplando os principais setores da
economia. Em destaque, analisou-se a dinmica do mercado dos principais
segmentos industriais eletrointensivos, alguns dos quais esto inseridos
numa lgica de competio global, com vista definio dos cenrios de
expanso para esses segmentos. (Nota tcnica DEA 03/15 - Introduo)
Logo, de acordo com o descrito acima esse trabalho ira se concentrar na

busca de dados passados referentes a evoluo socioeconmica e demogrfica no
Brasil bem como dados referentes aos principais segmentos industriais
eletrointensivos para que possam servir de entradas da RNA.
As variveis adotadas para esse trabalho so:
Populao;
PIB;
As exportaes de bens e servios;
As importaes de bens e servios;
Produo de Alumnio;
Produo de Ao Bruto;
Produo de Cimento;
Produo de Papel;
Produo de Celulose;
Produo de Cobre;
Pelotizao;
Produo de Soda;
51
Produo de Cloro;
Capacidade instalada de gerao eltrica no Brasil;
A EPE foi criada pela LEI No 10.847, de 15 de maro de 2004 com o objetivo
de, entre outros, realizar estudos e projees da matriz energtica brasileira,

portanto os dados referentes a esses estudos tm incio em 2006 com o lanamento
do primeiro PLANO DECENAL DE EXPANO DE ENERGIA ELTRICA.
Os dados de entrada da RNA, foram pesquisados em diversos documentos
disponveis digitalmente e em sites como o do Operador Nacional do Sistema
(ONS), Empresa de Pesquisa Energtica (EPE), Banco Nacional de
Desenvolvimento (BNDES), Instituto Brasileiro de Geografia e Estatstica (IBGE)
bem como em publicaes e sites das associaes industriais e entidades
empresariais como a Associao Brasileira de Grandes Consumidores Industriais
de Energia e de Consumidores Livres (ABRACE), Departamento Nacional de
Produo Mineral (DNPM), Associao Brasileira do Alumnio (ABAL), Instituto Ao
Brasil (ABr), Associao Brasileira da Indstria Qumica (ABIQUIM), Associao
Brasileira da Indstria de lcalis, Cloro e Derivados (ABICLOR), Associao
Brasileira de Celulose e Papel (BRACELPA).
Os dados coletados referem-se ao perodo de 1995 a 2014 e so descritos e
referenciados mais adiante.
Para sada da RNA sero utilizados os dados referentes ao consumo de
energia eltrica no Brasil no mesmo intervalo de tempo de 1995 a 2014 obtidos junto
ao ONS como sendo a sada da RNA.
Os dados coletados sero divididos entre dados para treinamento da RNA e
dados para validao da RNA sendo que o perodo que vai de 1995 a 2010
reservado para treinamento e o perodo que vai de 2011 a 2014 o perodo que ser
utilizado para validao da rede
Aps treinada e validada espera-se que a RNA possa ser capaz de prever o
consumo de energia eltrica no Brasil no horizonte de um, cinco e dez anos. A
escolha desses perodos de tempo foi feita pelo autor por se assemelhar com os
intervalos de tempo adotados pela EPE.
52
3.1.1
Populao
O crescimento populacional dos ltimos 20 anos e o aumento da renda mdia
da populao, fez com que muitas famlias tivessem acesso a novos bem de
consumo, durveis ou no. Levando em considerao que esse aumento do
consumo das famlias brasileiras consiste em um aumento do consumo de energia
eltrica, a varivel populao, e seu comportamento, se mostra fundamental para a
previso de demanda de energia eltrica.
De acordo com o Plano Decenal de Expanso de Energia (PDE 2019) temos:
...esses diferentes aspectos da evoluo demogrfica, por conta dos seus
importantes efeitos sociais e econmicos, acabam se refletindo de forma
significativa em termos do consumo de energia. Assim sendo,
preocupao bsica de qualquer estudo prospectivo da demanda de energia
estabelecer premissas com relao ao comportamento futuro da populao.
(Plano Decenal de Expanso de Energia PDE 2019 EPE 2009, p22)
Na figura abaixo temos a projeo da populao total residente no Brasil

separada por regio.
Figura 19 Projeo da populao total residente
Fonte: Plano Decenal de Expanso de Energia EPE,2015 p24
53
Conforme foi dito anteriormente o aumento da populao impacta diretamente

no aumento do consumo de energia eltrica. A EPE apresenta na figura 18 as
projees da posse mdia de equipamentos eltricos que hoje respondem juntos a
mais de 80% do consumo de uma residncia.
Figura 20 Posse mdia de equipamentos
Fonte: Plano Decenal de Expanso de Energia EPE,2015 p34
O grfico abaixo representa a evoluo da populao brasileira nos ltimos 20

anos com dados retirados da Pesquisa Nacional por Amostra de Domiclios feita
anualmente pelo IBGE.
54
Grfico 1 Populao brasileira
POPULAO
250,000,000
200,000,000
150,000,000
100,000,000
50,000,000
POPULAO
Fonte: O autor com dados do IBGE
3.1.2
As variveis macroeconmicas
O PIB, Produto Interno Bruto, consiste na soma de todos os bens e servios
finais produzidos no Brasil. Sendo ele um dos indicadores mais utilizados na

macroeconomia, de acordo com o Banco Mundial, tem o objetivo de quantificar a
atividade econmica de uma regio ou pas.
De acordo com o DEA 03 2015 o senrio econmico mundial atual est
descrito da seguinte maneira:
Com relao economia mundial, seguem as preocupaes acerca do
ritmo de recuperao da economia europeia. Os Estados Unidos, por sua
vez, esto apresentando melhores resultados, em especial, com relao ao
mercado de trabalho, indicando possibilidade de que o pas reverta
brevemente sua poltica monetria acomodatcia. J os pases em
55
desenvolvimento enfrentam alm dos problemas internos, tais como inflao

e adaptaes s mudanas do modelo de crescimento, dificuldades
externas como menor demanda mundial refletida em menores preos de
commodities. (Nota tcnica DEA 03/15 EPE 2015 p6)
Para o Brasil o menor ritmo de crescimento da economia mundial aliado as

dificuldades polticas enfrentadas pelo governo devem refletir no ritmo do
crescimento econmico do pais ao longo dos prximos anos. Ainda de acordo com o
DEA 03 2015 espera-se que ao longo da prxima dcada os investimentos em
infraestrutura reflitam de forma positiva na produtividade nacional possibilitando ao
Brasil uma taxa de crescimento mdio de 3,5% a.a.
Nmeros atuais do Ministrio da fazenda j demonstram que esses dados
no sero concretizados pois para 2015 existe uma retrao de 1,5% e para 2016 a
previso de queda de 1%.
A figura 19 demonstra as projees feitas pela EPE com base em dados
passados do Fundo Monetrio Internacional (FMI) e do IBGE e que provavelmente
devero ser revistas no prximo ano.
Figura 21 Crescimento econmico mundial e nacional
Fonte: Nota tcnica DEA 03/15 EPE 2015 p7
Como o PIB reflete diretamente a produo nacional em todos os setores,

torna-se uma varivel importante para este estudo, pois um crescimento do Produto
Interno Bruto reflete um crescimento no desempenho da indstria, comrcio e
prestao de servios bem como um maior consumo de energia eltrica.
56
Com base em dados coletados junto ao Banco Mundial e ao Banco nacional

de Desenvolvimento (BNDES) foi construdo o grfico 3 que representa o valor do
Produto Interno Bruto (PIB) do Brasil ao longo dos ltimos 2 anos.
Grfico 2 Produto Interno Bruto do Brasil
PIB Bilho (USD)

3000.00
2500.00
2000.00
1500.00
1000.00
500.00
0.00
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
1995 1997 1999 2001 2003 2005 2007 2009 2011 2013
PIB Bilho (USD)
Fonte: O autor com dados do Banco Mundial e BNDES
O desempenho do comrcio mundial repercute nas importaes e

exportaes do Brasil e, portanto, est intimamente ligado a produo industrial e ao
comrcio internacional, sendo assim o desempenho da balana comercial brasileira
afeta o consumo de energia. Como pode ser visto na figura 19 existe uma previso
de crescimento da economia mundial da ordem de 5,5 conforme previses da EPE.
Utilizando dados retirados pelo autor do site do Ministrio do
Desenvolvimento, Indstria e Comrcio Exterior e que refletem o desempenho da
balana comercial brasileira durante os ltimos 20 anos construiu-se o grfico 4 que
demonstra em quanto por cento o resultado da balana comercial responsvel
PIB.
57
Grfico 3 Desempenho das Importaes e Exportaes
Balana Comercial
20.00
15.00
10.00
5.00
0.00
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
1995
1997
1999
2001
2003
2005
2007
2009
2011
2013
As exportaes de bens e servios (% do PIB)
As importaes de bens e servios (% do PIB)
Fonte O autor com dados do Ministrio do Desenvolvimento, Indstria e Comrcio Exterior
3.1.3
Principais segmentos eletrointensivos

De acordo com a nota tcnica (DEA 03/15) alguns setores da economia
merecem um estudo mais detalhada por representarem uma parcela relevante do

consumo de energia eltrica no Brasil.
Um conjunto de relativamente poucos segmentos industriais representa em
torno de 40% do consumo total de eletricidade da indstria brasileira. So
eles os segmentos de alumnio (incluindo alumina e bauxita), siderurgia (ao
bruto), ferro ligas, pelotizao, cobre, celulose e papel, soda-cloro,
petroqumica (eteno) e cimento. Dada a importncia desses segmentos no
consumo energtico do pas, vale uma anlise mais aprofundada dos
respectivos cenrios de expanso (Nota tcnica DEA 03/15 - EPE p6)
So setores que necessitam de uma grande quantidade de energia

durante seu processo de produo, embora muitos deles tenham uma parcela de
energia vinda da auto gerao, a maior parte do consumo dessas industrias vem da
rede.
De acordo com o descrito acima o consumo de energia representado por
esses setores interfere na previso de consumo de energia o pas, pois caso haja
58
um crescimento desses setores tambm haver um aumento do consumo de

energia para poder comportar o aumento da produo conforme mostra a figura
abaixo:
Figura 22 Grandes consumidores industriais: produo fsica (10 t/ano)
Fonte: Nota tcnica DEA 03/15 EPE 2015 p34
No caso da produo da cadeia do alumnio o PDE 2013 diz o seguinte:

Na cadeia de alumnio prev-se apenas retomada do nvel de utilizao da
capacidade instalada ao longo do horizonte, no se prevendo entrada de
novas unidades. No caso da alumina, ainda h expanses inferiores s
previstas no PDE anterior. Assim, nesta cadeia, fontes de energia como o
leo combustvel e o gs natural ganham participao em relao
eletricidade13. Por outro lado, considerando a premissa de que no h
entrada de novas plantas, e, portanto, no h ganhos de eficincia
adicionais ao longo do perodo decenal neste setor (Plano Decenal de
Expanso de Energia 2023 EPE,2013 p40)
59
Os dados referentes a produo de alumnio no Brasil nos ltimos 20 anos

foram coletados junto a Associao Brasileira do Alumnio (ABAL) e esto
relacionados no grfico abaixo.
Grfico 4 Produo de alumnio em 1000 toneladas
Produo de Aluminio
2000.00
1500.00
1000.00
500.00
0.00
Produo de Aluminio (10^3 t)
Fonte: O autor com dados da Associao Brasileira do Alumnio (ABAL)
Com relao a produo de ao bruto a nota tcnica DEA 03/15 mostra um

crescimento pequeno em relao a produo de ao bruto no Brasil.
No presente estudo, configura-se um cenrio modesto de
expanso da produo de ao bruto para os prximos anos.
A capacidade instalada aumenta no decorrer do horizonte
decenal, com expanso de 0,9% ao ano, fazendo com que as
exportaes lquidas tenham forte retrao neste perodo. A
produo brasileira de ao evoluir de 35 milhes de
toneladas, em 2014, para 48 milhes de toneladas em 2024,
principalmente como consequncia da premissa de gradual
retomada da utilizao da capacidade instalada ( Nota tcnica
DEA 03/15 - EPE p17)
60
O histrico da produo de ao bruto no Brasil est representado no grfico 6

que demonstra a produo em mil toneladas no perodo de 1995 a 2014 com dados
compilados pelo autor no Instituto Ao Brasil (ABr)
Grfico 5 Produo de ao bruto em 1000 toneladas
Produo de Ao Bruto
40000.00
30000.00
20000.00
10000.00
0.00
Produo de Ao Bruto (10^3t)
Fonte: O autor com dados do Instituto Ao Brasil (ABr)
A estimativa de produo do setor de cimento de acordo com o DEA 03/15

est intimamente ligada ao mercado nacional e, portanto, ao crescimento interno do
pas.
Historicamente, o setor de cimento trabalha com elevados
nveis de capacidade ociosa e, por uma questo logstica e
de custo do transporte, o comrcio internacional reduzido.
Neste estudo, admite-se que a capacidade instalada se
adequar s necessidades de atendimento ao crescimento
da demanda domstica, a qual se supe aquecida, em
funo dos programas habitacionais e da melhoria de renda
da populao alavancando a construo civil, assim como de
grandes obras de infraestrutura necessrias ao
desenvolvimento sustentado do Pas. (Nota tcnica DEA 03/15 EPE p32)
61
Os dados referentes a produo de cimento nas ltimas duas dcadas foram

compilados pelo autor atravs de estudos feitos pelo BNDES a cada dois anos com
o objetivo de analisar o comportamento do setor de cimento no Brasil e podem ser
vistos no grfico 7
Grfico 6 Produo de cimento em milhes de toneladas
Produo de Cimento
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
Produo de Cimento no Brasil (10^6 t)
Fonte: O autor com dados do BNDES
De acordo com o Plano Decenal de Expanso Energtica com relao ao

crescimento do setor de papel e celulose temos:
O setor de papel e celulose um dos mais promissores da indstria
de transformao no Brasil, que possui vantagem natural para a
plantao de rvores de fibra curta, como o eucalipto. O ramo de
celulose, especialmente, opera com baixo custo, em plantas de
grande escala, e muito competitivo internacionalmente, com
grande potencial para exportar. A produo de papel a partir da
celulose mais voltada para o mercado interno, possuindo muito
espao para expanso, dado o baixo consumo per capita atual.
(Plano Decenal de Expanso de Energia 2023 EPE,2013 p30)
62
Atravs de dados coletados junto a Associao Brasileira de Celulose e Papel

(BRACELPA) pode-se construir o grfico 8 que representa a produo e papel e
celulose no Brasil nos ltimos 20 anos
Grfico 7 Produo de papel e celulose em 1000 toneladas
Produo de Papel Celulose

18000.00
16000.00
14000.00
12000.00
10000.00
8000.00
6000.00
4000.00
2000.00
0.00
Produo de Papl (10^3 t)
Produo de Celulose (10^3 t)
Fonte: O autor com dados da Associao Brasileira de Celulose e Papel (BRACELPA)
Com relao a produo de Cobre no Brasil as perspectivas para o Brasil de

acordo com a nota tcnica DEA 03/15 so as seguintes:
O segmento industrial de extrao do minrio, concentrao e metalurgia do
cobre dever ganhar maior importncia nos prximos anos. At
recentemente, existia uma nica planta de cobre no pas, a Caraba Metais,
situada na Bahia, com capacidade instalada de produo de 250 mil
toneladas anuais de cobre eletroltico. Contudo, nos ltimos anos, a VALE
lanou um programa, englobando diversos projetos no estado do Par, que,
em poucos anos, dever colocar o Brasil como um dos grandes produtores
mundiais de cobre alcanando a autossuficincia brasileira. (Nota tcnica
DEA 03/15 - EPE p32)
63
Os dados referentes a produo de Cobre nas ltimas duas dcadas foram

compilados pelo autor atravs de estudos feitos pelo BNDES a cada dois anos com
o objetivo de analisar o comportamento do setor de Cobre no Brasil e podem ser
vistos no grfico 9
Grfico 8 Produo de Cobre no Brasil
Produo de cobre em 103 toneladas

300.00
250.00
200.00
150.00
100.00
50.00
0.00
Fonte: O autor com dados do BNDES
A indstria de pelotizao tem como finalidade a fabricao das pelotas, que

so aglomerados de finos de minrio, gerados na extrao do minrio de ferro, de
forma a adequ-los para a sua utilizao como componente de carga metlica nos
altos fornos da indstria siderrgica.
De acordo com o DEA 03/15 aproximadamente 80% da produo de pelotas
do Brasil foi destinada exportao em 2013. Os dados referentes a produo de
pelotas foram coletados pelo autor junto ao Departamento Nacional de Produo
Mineral (DNPM) e esto representados no grfico abaixo.
64
Grfico 9 Produo de pelotas em milhes de toneladas
Pelotizao
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
Pelotizao (10^6 t)
Fonte: O autor com dados do Departamento Nacional de Produo Mineral (DNPM)
O cloro e a soda custica (soda) so produzidos simultaneamente, pela

eletrlise de sal, numa proporo fixa de 1 tonelada de cloro para 1,12 t de soda
custica, sendo o processo eletroltico empregado em mais de 95 % da produo
mundial de cloro. De acordo com o Plano Decenal de Expanso de Energia PDE
2023 podemos afirmar que:
No caso da indstria de soda-cloro, acredita-se que haver pequenas
expanses da capacidade instalada a partir de 2017, o que, no final do
perodo, contribuiu para uma expanso do consumo de eletricidade da
ordem de 140 MW mdios. (Plano Decenal de Expanso de Energia 2023
EPE,2013 p41)
Os dados histricos conseguidos junto a Associao Brasileira da Indstria de

lcalis, Cloro e Derivados (ABICLOR) demonstram o desempenho desse setor nos
ltimos 20 anos e esto representados no grfico 10 que mostra em conjunto a
produo de soda e cloro em 1000 toneladas ao ano.
65
Grfico 10 Produo de soda e cloro em 1000 toneladas
Produo de Soda Cloro

2000.00
1500.00
1000.00
500.00
0.00
Produo de Soda (10^3 t)
Produo de Cloro (10^3 t)
Fonte: O autor com dados da Associao Brasileira da Indstria de lcalis, Cloro e Derivados
(ABICLOR)
3.1.4
Capacidade instalada de gerao eltrica no
Brasil
Segundo o Balano Energtico Nacional (BEM 2015), a capacidade total
instalada de gerao de energia eltrica do Brasil (centrais de servio pblico e
autoprodutoras) alcanou 133.914 MW
Com base em dados anteriores da expanso da capacidade instalada de
gerao eltrica no Brasil e da importncia do planejamento para suprir a demanda
futura, essa varivel ter um peso expressivo no clculo da RNA a ser estudada
nesse trabalho.
Tambm foi levado em considerao a gerao dos autoprodutores, que na
sua maioria so os consumidores eletrointensivos, que tambm entra no valor final
da capacidade instalada.
66
Capacidade instalada de gerao eltrica no Brasil (MWh)

160000.00
140000.00
120000.00
100000.00
80000.00
60000.00
40000.00
20000.00
0.00
Capacidade instalada de gerao eltrica no Brasil (MW)
Grfico 11 Capacidade instalada em MWh
No foram contemplados nesse estudo os setores de ferro-ligas e de eteno

pois no havia dados suficientes disponveis para a pesquisa.
O estudo especfico para o comrcio acaba acompanhando o crescimento do
PIB, demogrfico e industrial, uma vez que os setores comerciais so linearmente
dependentes destes parmetros por isso acabou no sendo abordado nesse estudo.
3.2
A VARIAVEL DE SAIDA
Sendo o objetivo principal desse trabalho a utilizao de uma RNA para
melhorar a previso da demanda de energia eltrica em qualquer momento futuro

com uma pequena margem de erro, natural que a sada da RNA a ser estuda
nesse trabalho seja o consumo total de energia eltrica no Brasil.
Informaes retiradas do Operador Nacional do Sistema (ONS) pelo autor a
respeito do consumo total de energia eltrica so demonstradas no grfico abaixo.
67
Grfico 12 Consumo de energia eltrica no Brasil
Consumo de Energia Eltrica em GWh

500000.00
400000.00
300000.00
200000.00
100000.00
0.00
Fonte: O autor com dados do Operador Nacional do Sistema (ONS)
Utilizando o Plano Decenal de Expanso de Energia 2024 como parmetro de

comparao para os resultados obtidos na sada da RNA vemos na figura abaixo as
projees de consumo encontradas pela EPE
Figura 23 Projeo de consumo de energia eltrica
Fonte: Plano Decenal de Expanso de Energia 2023 EPE,2013 p30
68
3.3
MODELO UTILIZADO NESSE ESTUDO

Para a realizao desse trabalho foi utilizado o modelo de RNA feedforward
com algoritmo backpropagation por ter se mostrado a mais indicada dentre os

modelos apresentados no Cap. 2
Como software para implementao da RNA, foi usado MATLAB e a
TOOLBOX de RNA presente no software. A escolha do MATLAB para
implementao da RNA deu-se pela robustez com que o software manipula matrizes
e vetores e tambm pela facilidade de utilizao da TOOLBOX de RNA.
Figura 24 Fluxo bsico para a concepo de uma RNA
Fonte: O autor
69
De acordo com o que foi visto no captulo anterior, podemos simplificar a

aprendizagem de uma RNA em dois estgios atravs das camadas da rede sendo
um estgio para frente (propagao), e um estgio para traz (retropropagao).
No ciclo de propagao um parmetro de atividade aplicado aos ns da
rede e esse repercute por toda a rede gerando uma resposta real da rede. Na etapa
de propagao os pesos sinpticos do vetor de entrada (variveis) so todos
definidos. Durante o estgio seguinte (retropropagao) os pesos sinpticos so
regulados conforme o preceito de correo de erro.
De forma simplificada a resposta encontrada pela rede descontada da
resposta desejada para produzir um sinal de erro que ser propagado para trs
(retropropagao) para que possa alimentar novamente a entrada dando origem ao
termo retropropagao de erro (error backpropagation).
Os dados de entrada e de sada j foram descritos nos itens anteriores onde
foram descritas as variveis adotadas e os valores encontram-se nas tabelas do
Anexo A.
3.3.1
Parmetros das RNAs simuladas

A ferramenta neural tool do MATLAB permite a simulao de diversos tipos de
RNAs bem como a alterao de diversos parmetros dessas redes, como:
Modelo de rede;
Funo de treinamento;
Funo de adaptao;
Funo de performance;
Nmero de camadas ocultas;
Nmero de neurnios por camada;
Funo de ativao;
70
Figura 25 Tela de configurao da RNA no MATLAB R2015a
Fonte: O autor
Nesse estudo foi realizado alterando os seguintes parmetros de rede como o

objetivo de encontrar a melhor configurao possvel.
Quantidade de camadas ocultas: Nesse estudo foram adotadas arquiteturas

com no mximo trs camadas ocultas devido a pequena quantidade de dados
disponveis, pois quanto mais camadas, mais planificada fica a sada da rede.
Nmero de neurnios por camada: O nmero de neurnios da primeira
camada oculta foi testado nas configuraes trs, quatro e dez neurnios.
Quando da existncia de mais que uma camada oculta a configurao de
neurnios para essas camadas tambm foi a mesma; trs, quatro e dez
neurnios.
71
Funo de ativao: Foi testado nesse trabalho as trs opes de funo de

ativao fornecidas pelo MATLAB, (purelin = funo linear; logsig = funo
sigmoide e tansig = funo tangente hiperblica)
Os demais parmetros da rede foram mantidos com default do MATLAB e no
sofreram alteraes durante as simulaes. Sendo assim os modelos de RNA foram

definidos com uma camada de entrada composta pelas 14 variveis estudadas, que
se encontram na tabela do Anexo A, onde o nmero de neurnios foi definido de
acordo com o nmero de entradas, uma, duas ou trs camadas ocultas com
quantidade de neurnios variando conforme o treinamento e apenas uma camada
de sada que representa o consumo projetado de energia eltrica, logo espera-se
como sada da RNA proposta nesse trabalho um nmero que represente a previso
de consumo de energia eltrica para um horizonte de at dez anos.
Para iniciar o treinamento da rede o grupo de dados disponvel foi separado
em dois conjuntos sendo um de treinamento composto por entradas e sadas
referente ao perodo de 1995 a 2010 totalizando 16 dados, e um segundo conjunto
referente ao perodo de 20011 a 2014 totalizando 4 dados com o objetivo de validar
a rede.
Os dados disponveis em uma tabela do Excel so facilmente importados para
o MATLAB seja atravs da simples cpia dos dados da planilha do Excel (Ctrl+c) e
colagem na matriz criada no MATLAB (Ctrl+v) ou usando a funo Import Data no
prprio MATLAB e na sequencia abrir o arquivo de dados escolhido e importar os
dados diretamente para o MATLAB com a criao de uma matriz com o mesmo
nome do arquivo de dados.
Na figura abaixo vemos a tela inicial do neural tool, que foi chamada atravs
do comando nntool, j com as variveis de entrada e sada importadas para dentro
do software.
72
Figura 26 Tela do tool de redes neurais do MATLAB
Fonte: O autor
Como Anexo B desse trabalho foi feito um tutorial de como utilizar as Redes
Neurais Artificiais no MATLAB, logo, esse trabalho se atem apenas as telas
principais do software deixando os detalhes de uso e configuraes para o tutorial
anexo.
A figura 27 mostra a janela de configurao da RNA configurada para um dos
modelos de RNA testado nesse trabalho onde os parmetros adotados foram:
Modelo de rede = Feedforward com backpropagation

Funo de treinamento = Levenberg-Marquardt backpropagation
Funo de adaptao = Gradient descent weight and bias learning function
Funo de performance = Mean Squared Error
Nmero de camadas ocultas = 3
Nmero de neurnios por camada = 4
Funo de ativao = Funo Sigmoide
73
Figura 27 Tela de configurao de uma das RNA simulada
Fonte: O autor
Ao clicar em Create uma rede neural ser criada de acordo com os

parmetros configurados.
Uma configurao dada pelo MATLAB das redes testadas nesse trabalho
pode ser visualizada na figura abaixo.
Figura 28 Rede simulada pelo MATLAB
Fonte: O autor
74
Aps a rede criada devemos abri-la, clicando em cima da rede criada (na
janela do tool de redes neurais, figura 26) para ter acesso a janela de treinamento,
configurao de treinamento, validao, mudana do valor dos pesos de cada
varivel e tambm do bias. Essa janela pode ser vista na figura abaixo, cada um dos
itens ser tratado com mais detalhes do tutorial do Anexo B.
Figura 29 Janela com opes de comandos da rede criada
Fonte: O autor
3.4
Treinamento da Rede
Para esse estudo foram criadas ao todo 27 redes, pois foi feita a variao do
nmero de camadas (trs opes), nmero de neurnios (trs opes) e nmero de

funes de ativao (trs opes) o que leva a 3 3=27, com as configuraes citadas
acima e utilizando um conjunto de treinamento contendo os dados de todas as
variveis descritas no perodo de 1995 a 2010. Em seguida criada a matriz de
treinamento (entradas da rede) e, como o algoritmo utilizado para o treinamento em
todas as redes foi o backpropagation, que supervisionado, foi criada uma matriz
sada para a rede contemplando o mesmo perodo de 1995 a 2010.
75
Com as duas matrizes j construdas (entrada e resultado desejado) a

prxima etapa apresenta-las rede para formar um par de treinamento. Cada vez
que o conjunto todo apresentado rede para treinamento temos uma poca, e
como o aprendizado das RNA se d por repetio manteve-se o valor de 1000
pocas que default do MATLAB embora em todos os casos simulados a rede
tenha convergido antes devido ao pequeno nmero de dados referentes a cada
varivel, as RNAs precisam de um grande nmero de leituras de cada varivel para
que possam apresentar um resultado satisfatrio.
Os parmetros de treinamento da RNA podem ser vistos na figura 30 onde
esto todos os parmetros de treinamento da rede.
Figura 30 Parmetros de treinamento da rede
Fonte: O autor
Foi utilizado o valor de erro em cada simulao da ordem de 10 -3, (como pode
ser visto na figura 30) que vem como default no MATLAB e cada configurao foi
treinada 10 vezes e escolhido o melhor resultado, pois, como a cada simulao o
MATLAB inicia com pesos aleatrios em cada varivel, possvel conseguir um
resultado muitas vezes satisfatrio em uma configurao que no necessariamente
a melhor opo.
76
A figura 31 mostra a tela de treinamento j com os dados selecionados, e ao

lado, temos a sada da rede aps o treinamento que ser comparada com a sada j
conhecida atravs dos dados coletados. Ao clicar no boto Train Network a rede
iniciara seu treinamento como pode ser visto na figura 32.
Figura 31 Dados para treinamento da rede
Fonte: O autor
77
Figura 32 Processo de treinamento da rede
Fonte: O autor
nesse momento que os fundamentos da RNA comeam a funcionar,

durante cada iterao os pesos so ajustados pelo software, o bias tambm sofre
ajustes se for necessrio, e a cada iterao a rede busca aprender mais e encontrar
um padro que possa ser aprendido e projetado alm dos dados apresentados.
Aps o treinamento da rede com os dados acima podemos compara o
resultado conhecido da sada (sada_treino), com o resultado previsto na sada da
RNA (rede_sada_treino) e assim comparar graficamente e tambm numericamente
como se deu o aprendizado da RNA verificando qual configurao demonstra melhor
resultado.
Ao comparar ambas as sadas, (sada conhecida e sada treino), em um
mesmo grfico feito no MATLAB (figura 33), verifica-se um resultado satisfatrio para
essa configurao especifica.
78
Figura 33 Comparao ente valores conhecidos e valores treinados
Fonte: O autor
Ao calcular o erro percentual entre as duas sadas utilizando a frmula abaixo,

observa-se que na tabela 2 os resultados tendem a diminuir com o passar das
pocas o que corrobora o backpropagation pois o erro tende a diminuir com o
treinamento.
Erro =
1) .100
( conhecido
previsto
Tabela 2 Erro percentual entre valores conhecidos e treinados
Valor Conhecido
Valor Treinado
Ano
(consumo de energia
(consumo de energia
GWh)
GWh)
1995
1996
1997
1998
1999
243.070,0
257.330,0
273.280,0
284.520,0
292.190,0
287069,8
288209,4
290352,1
287718,6
284452,4
Erro %
15,33
10,71
5,88
1,11
-2,72
79
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
307.530,0
283.260,0
293.230,0
306.990,0
329.710,0
344.280,0
356.130,0
377.030,0
388.470,0
384.310,0
415.683,0
291001,7
295617,3
293780,7
308561,9
342232,5
344675,1
359554,2
375331,4
392824,1
389114,4
399967,5
-5,68
4,18
0,19
0,51
3,66
0,11
0,95
-0,45
1,11
1,23
-3,93
Fonte: O autor
Analisando a tabela acima e comparando com o grfico contido na figura 33

podemos afirmar que os erros para mais so porcentagens positivas enquanto que
os erros para menos so porcentagens negativas.
A mdia dos erros calculada para esse estudo foi de 2,01% pois a rede tinha
as sadas para compara e ajustar o erro conforme o procedimento do
backpropagation.
O passo seguinte apresentar a rede um conjunto de dados de entrada que
no conhecido por ela, foram reservados os dados de entrada de 2011 a 2014
(totalizando 4 entradas pois cada ano corresponde a uma entrada) para poder
validar a rede, e comparar, a sada encontrada pela rede com esses dados nunca
antes usados, com o valor da sada conhecida atravs dos dados obtidos durante a
pesquisa. A aba Simulate traz os campos necessrios para essa validao, e nessa
etapa, apenas os dados de entrada sero apresentados a rede, portanto no haver
dados de sada para comparao e os resultados obtidos na sada da rede provem
do aprendizado e do ajuste dos pesos e bias que o backpropagation fez durante a
etapa de treinamento.
A figura 34 traz a aba Simulate e seus campos.
80
Figura 34 Aba Simulate do MATLAB
Fonte: O autor
Comparando agora a sada simulada pela rede (rede_saida_simula) utilizando

dados ainda desconhecidos por ela com os valores de sada que j eram conhecidos
atravs dos dados pesquisados (saida_simula), podemos ver na figura abaixo o
desempenho da rede.
81
Figura 35 Sada simulada x sada conhecida
Fonte: O autor
Utilizando a tabela abaixo pode-se ainda analisar o erro percentual, verifica-se

que ele aumenta com o passar das pocas o que acontece devido a pequena
quantidade de dados disponveis para o estudo.
Tabela 3 Valores simulados x valores conhecidos
Valor Conhecido
Valor Simulado
Ano
(consumo de energia
(consumo de energia
GWh)
GWh)
2011
2012
2013
2014
433034,0
448100,0
463120,0
473390,0
400526,3434
402663,3734
404784,4011
406872,1145
Erro %
-8,12
-11,28
-14,41
-16,35
Fonte: O autor
A previso da simulao foi abaixo dos valores conhecidos, justificando as

porcentagens negativas.
A mdia dos erros calculada para esse estudo foi de -12,54% pois na
simulao a rede alimentada com valores desconhecidos e como no h valores
82
conhecidos para validao o erro tende a ser maior, conforme dito anteriormente,
devido a pequena quantidade de dados.
3.5
Analise dos Resultados
Ao simular as redes que esse trabalho se props a estudar, pesaram

nos resultados o tipo de funo de ativao utilizada e o nmero de neurnios
utilizado por camada.
A metodologia utilizada em cada uma das simulaes foi descrita em detalhes
anteriormente sendo que os erros encontrados em cada uma das simulaes se
encontra na tabela abaixo, bem como a configurao da rede utilizada. As funes
de ativao conforme visto anteriormente so purelin = funo linear; logsig = funo
sigmoide e tansig = funo tangente hiperblica
Tabela 4 Redes simuladas x Erro mdio percentual
Rede
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Nmero de
Nmero de
Funo de
Neurnios
Camadas
Ativao
3
3
3
4
4
4
10
10
10
3
3
3
4
4
4
10
10
10
3
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
TANSIG
TANSIG
Erro Mdio
Erro Mdio
Percentual
Percentual
Treinamento
Simulao
-1,45%
-1,76%
0,60%
1,73%
0,73%
2,01%
-1,67%
0,70%
0,40%
-0,53%
-2,42%
1,64%
6,61%
0,67%
-16,69%
-0,01%
0,52%
-6,09%
1,02%
0,33%
-9,33%
-8,07%
-8,82%
-9,32%
-8,16%
-9,32%
-9,71%
-8,84%
-9,72%
-9,54%
-8,77%
-11,64%
-9,38%
-10,81%
-9,32%
-9,76%
-9,46%
-9,32%
-9,32%
-14,69%
83
21
22
23
24
25
26
27
3
4
4
4
10
10
10
3
1
2
3
1
2
3
TANSIG
TANSIG
TANSIG
TANSIG
TANSIG
TANSIG
TANSIG
-0,07%
0,66%
1,72%
-0,31%
0,01%
0,68%
-2,23%
-10,32%
-12,67%
-17,54%
-25,10%
-14,91%
-9,39%
-9,41%
Fonte: O autor
Analisando os resultados encontrados, verifica-se que o erro percentual no

treinamento sempre menor que o erro na simulao pois a rede tem valores de
sada para serem comparados, o backpropagation fazendo a sua parte.
A funo de ativao tansig (funo tangente hiperblica) foi a que
apresentou maior erro durante as simulaes, com um erro mdio prximo dos 14%,
mostrando-se inadequada para aplicao nesse estudo em particular, j as funes
purelin (funo linear) e logsig (funo sigmoide) mostraram desempenho
semelhante com uma pequena vantagem para a funo sigmoide que teve um erro
mdio de 9% contra 9,8% da funo linear.
Novamente a pequena quantidade de dados utilizada nesse estudo foi fator
limitador de resultados mais conclusivos, embora a tendncia apresentada pela
tabela 4 no que tange ao erro da simulao demonstra que a funo sigmoide
(logsig) a mais indicada para a resoluo do problema estudado. Esses resultados
vm de encontro ao que j foi visto no capitula anterior colocando a funo sigmoide
como a mais indicada para esse estudo em particular.
A escolha mais coerente em relao as redes simuladas a da rede n o 2 que
apresentou o menor erro mdio em percentual.
3.6
Minimizando o Erro
Em uma tentativa de minimizar os erros devido a quantidade de dados foi
efetuada uma nova simulao, agora utilizando o total de 20 dados, referentes ao

perodo de 1995 a 2014 (leituras anuais) e como dados de simulao escolheu-se
84
aleatoriamente 4 anos a serem simulados (1995; 2000; 2005 e 2010). Os

parmetros da rede foram mantidos sendo a nica mudana a quantidade de dados
utilizada no treinamento que passou de 16 para 20.
O resultado do treinamento dessa rede, agora com um nmero maior de
dados para treinamento pode ser observado na figura abaixo que traz um grfico
comparativo entre valores conhecidos e valores treinados.
Figura 36 Comparao ente valores conhecidos e valores treinados
Fonte: O autor
Observa-se que aumentando o nmero de dados para treinamento o erro

entre a sada do treinamento e os valores conhecidos da sada diminui de forma
significativa, corroborando o que foi dito anteriormente que a quantidade de dados
um limitante para a Rede Neural Artificial.
Calculando o erro percentual usando a metodologia descrita anteriormente, os
resultados foram mais promissores que os encontrados anteriormente. A tabela
abaixo mostra esses erros.
Tabela 5 Erro percentual entre valores conhecidos e treinados
Ano
1995
Valor Conhecido
Valor Treinado
(consumo de energia GWh)
243.070,0
256587,5
Erro %
5,27
85
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
257.330,0
273.280,0
284.520,0
292.190,0
307.530,0
283.260,0
293.230,0
306.990,0
329.710,0
344.280,0
356.130,0
377.030,0
388.470,0
384.310,0
415.683,0
433034,0
448100,0
463120,0
473390,0
257767,4
273382,8
284608,5
293400,2
306478,6
283389,9
293294,0
307013,2
329721,9
344284,5
356134,8
377020,7
388469,5
384323,0
415688,2
430456,6
420704,5
463002,4
473387,1
0,17
0,04
0,03
0,41
-0,34
0,05
0,02
0,01
0,00
0,00
0,00
0,00
0,00
0,00
0,00
-0,60
-6,51
-0,03
0,00
Fonte: O autor
Analisando a tabela acima fica claro que o erro em percentual fica bem
prximo a zero e calculando a mdia dos erros nesse estudo chegamos ao valor de
-0,07%.
Para fazer a simulao, como todos os dados haviam sido usados, foram
ento escolhidos aleatoriamente os dados referentes aos anos de 1995; 2000; 2005
e 2010 (leituras anuais) para simular a rede. O processo de simulao seguiu a
mesma metodologia usada anteriormente e os resultados esto descritos na figura
abaixo que contm o grfico comparativo entre resultado da simulao e resultados
conhecidos.
86
Figura 37 Sada simulada x sada conhecida (4 dados)
Fonte: O autor
Como o grfico demonstra, a margem de erro entre conhecido e simulado

muito pequena. Ao calcular o erro em percentual de cada um dos anos usado como
entrada verifica-se na tabela abaixo a eficincia de uma RNA quando bem treinada e
com uma quantidade maior de dados.
Tabela 6 Valores simulados x valores conhecidos
Ano
1995
2000
2005
2010
Valor Conhecido
Valor Simulado
243070,0
307530,0
344280,0
415683,0
256587,5
306478,6
344284,4
415688,1
Erro %
5,27
-0,34
0,00
0,00
Fonte: O autor
A mdia dos erros encontrada na tabela acima foi de 1,23% o que mostra um
desempenho satisfatrio da rede para um horizonte de 4 previses (nesse caso 4
anos).
87
O fato de terem sido utilizados valores na simulao que j haviam sido

utilizados no treinamento, no diminui a confiabilidade da rede pois os dados no
foram utilizados nas mesmas posies em que foram treinados.
Foi feito um comparativo usando apenas as redes que utilizaram a funo
sigmoide, agora com 20 dados para treinamento, com o estudo anterior que utilizou
16 dados para o treinamento, novamente fica claro que a quantidade de dados
disponveis fator limitante de resultados confiveis. A metodologia utilizada para a
simulao foi a mesma utilizada anteriormente.
Na tabela abaixo esto comparados os erros mdios em percentual referentes
aos dois casos em questo.
Tabela 7 Comparativo entre menor e maior quantidade de dados disponvel

R
e
Nmero de
Nmero de
Neurnios
Camadas
1
2
3
4
5
6
7
8
9
3
3
3
4
4
4
10
10
10
1
2
3
1
2
3
1
2
3
16 Dados Para Treino

Erro Mdio
Erro Mdio
20 Dados Para Treino

Erro Mdio
Erro Mdio
Percentual
Percentual
Percentual
Percentual
Treinamento
Simulao
Treinamento
Simulao
-1,45%
-1,76%
0,60%
1,73%
0,73%
2,01%
-1,67%
0,70%
0,40%
-9,33%
-8,07%
-8,82%
-9,32%
-8,16%
-9,32%
-9,71%
-8,84%
-9,72%
1,56%
3,70%
0,59%
0,42%
3,84%
0,34%
-0,31%
1,52%
0,16%
2,78%
2,76%
0,99%
1,86%
3,18%
1,31%
0,51%
1,34%
1,05%
Fonte: O autor
Embora o erro percentual durante o treinamento no apresente diferenas

significativas durante as duas situaes testadas (novamente o backpropagation
fazendo sua funo), o erro de simulao mostrou-se bem menor devido a uma
maior quantidade de dados durante o treinamento da rede, alterando a escolha da
rede melhor adaptada que era a de no 2, quando usados 16 dados para treinamento,
88
para a no 7 que com 20 dados no treinamento apresentou um erro em percentual de

apenas 0,51%.
Todas as simulaes foram feitas com o objetivo de tentar encontrar uma
configurao para a RNA que melhor se adapte ao problema proposto, ms foi
detectado que no s a configurao da RNA importante para o estudo, a
quantidade de dados disponveis tambm importante nos parmetros da rede.
3.7
Programando Redes Neurais Artificiais em C++
4 CONSIDERAES FINAIS
Esse trabalho tem por objetivo responder uma pergunta em particular:

possvel utilizar redes neurais artificiais na previso de consumo de energia eltrica
no Brasil?
No decorrer do trabalho o primeiro item a ser estudado foram as redes
neurais artificiais, seu funcionamento, aplicaes e caractersticas com o propsito
de verificar sua aplicao ao problema proposto. A ferramenta computacional
utilizada redes neurais artificiais apontada por diversos autores, citados ao
longo do trabalho, como de maior eficincia na previso de sries temporais no
lineares.
Sendo as RNAs adequadas para resolver problemas no lineares, o que se
adequa ao foco do trabalho em questo o passo seguinte foi determinar as variveis
que deveriam ser adotadas no presente estudo, onde analisando os Planos
Nacionais de Expanso de Energia, publicados pela Empresa de Pesquisa
Energtica (EPE) desde 2006, encontrou-se as variveis necessrias e que
89
compreendem a base da metodologia da EPE para suas previses e que tambm

norteou esse trabalho, sendo essas variveis descritas no Cap3.
Seguindo-se recomendaes apontadas na literatura como primordiais ao
bom desempenho da rede neural, foi dada especial ateno a trs aspectos da rede
neural:
a) seleo de variveis adequadas aos setores a serem estudados;
b) arquitetura da rede neural;
c) treinamento da rede, atravs de um algoritmo adequado tanto minimizao do
erro de aprendizagem, quanto com relao garantia de boa generalizao (menor
erro de predio possvel).
O modelo neural utilizado foi o de redes alimentadas adiante (feedforward). As
redes foram testadas com o algoritmo backpropagation e variando alguns
parmetros da rede, como o nmero de neurnios ocultos, funo de ativao e
nmero de camadas, o desempenho das redes foi comparado e avaliado.
Sob estes aspectos, foram obtidos resultados satisfatrios, com a
confirmao da importncia das variveis selecionadas para este estudo, sendo que,
os modelos simulados com 20 dados de treinamento apresentaram resultados muito
prximos dos reais. Pois conforme (Haykin 2001), a quantidade de variveis
selecionada e o nmero de dados disponveis referente a cada uma das variveis
exerce um papel fundamental no desempenho da rede neural. A rede treinada com
20 dados, 10 neurnios e uma camada oculta foi a que acabou apresentando o
menor erro durante o processo de simulao 0,51%
Outro fator que requer cuidados especiais em sua determinao a topologia
da rede. Variaes na topologia da rede mostram que esta bastante sensvel no
que se refere ao seu nmero de neurnios, podendo, inclusive, no apresentar
convergncia em determinados casos.
Em geral, os resultados levantados neste estudo mostram que vlido o uso
de redes neurais artificiais como uma alternativa aos modelos paramtricos
tradicionais. Entretanto, ainda permanece uma incerteza no uso de tais modelos
90
ditos modernos, pois, conforme foi mencionado por Goedtel (2003), neste campo
de estudos ainda predomina o empirismo, com vrias teorias formuladas, mas que
ainda no convergiram para um paradigma que permita aos pesquisadores
chegarem a concluses definitivas.
91
Bibliografia
ANDRADE, L. C. M. Abordagem Neurofuzzy Para Previso de Demanda de

Energia Eltrica no Curtssimo Prazo. 2010. 109 f. Dissertao (Mestrado) - Curso
de Engenharia Eltrica, Escola de Engenharia de So Carlos da Universidade de
So Paulo, So Carlos, 2010. Cap. 1.
Brasil. Departamento Nacional de Produo Mineral . Sumrio Mineral 2012
Coordenadores: Lima, T. M., Neves, C. A. R. Braslia, DNPM, 2012. 136p
Brasil. Departamento Nacional de Produo Mineral . Sumrio Mineral 2006
Coordenador: Rodrigo, A. F. S., Braslia, DNPM, 2006. 304p
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.C.P.L.F.; LUDERMIR, T.B.; Redes Neurais Artificiais:
Teoria e Aplicaes. 2ed. Rio de Janeiro: LTC, 2007 226p
Decreto 62724, Brasil 1968
EMPRESA DE PESQUISA ENERGTICA (Brasil). Anurio Estatstico de Energia
Eltrica. Rio De Janeiro: Ministrio das Minas e Energia, 2014. p. 212.
EMPRESA DE PESQUISA ENERGTICA (Brasil). Projeo da Demanda de
Energia Eltrica. Rio De Janeiro: Ministrio das Minas e Energia, 2015. p. 78.
AGENCIA NACIONAL DE ENERGIA ELTRICA (Brasil). Atlas de Energia Eltrica
do Brasil. Braslia: Aneel, 2008. p. 236.
FIGUEIREDO, R.M. Um Sistema Computacional Para Previso de Cargas em
Sistemas de Energia Eltrica Baseado em Redes Neurais Artificiais. 2009. 109 f.
Dissertao (Mestrado) - Curso de Computao Aplicada, Computao,
Universidade do Vale do Rio dos Sinos, So Leopoldo, 2008. Cap. 2.
92
GOEDTEL, A. Estimativa de Conjugado de Carga Aplicado em Eixos de Motores

de Induo Trifsicos Atravs de Redes Neurais Artificiais. 2003. 122 f.
Dissertao (Mestrado) Universidade Estadual Paulista. Faculdade de Engenharia
de Bauru. Bauru, 2003
HAYKIN, S. Redes Neurais: Princpios e Prtica. 2. ed. Porto Alegre: Bookman,
2001. p. 900.
LIMA, W.S. Previso de Carga no Perodo de Demanda de Ponta Utilizando
Redes Neurais Artificiais. 1996. 140 f. Dissertao (Mestrado) - Curso de
Engenharia Eltrica, Universidade Estadual de Campinas, Faculdade de Engenharia
Eltrica e de Computao, Campinas S.P, 1996. Cap. 2.
MARQUES, M. C. S; HADDAD, J; MARTINS. A. R. S, Conservao de Energia:
Eficincia Energtica de Equipamentos e Instalaes. 3. ed. Itajub/MG:
Eletrobrs, Procel Educao, Unifei, Fupai, 2006
MARTINS, P. G., LAUGENI, F. P. Administrao da produo, 2 eds., So Paulo,
Saraiva, 2006.
PIO, Bruno Luiz de Assis. Uma Introduo s Redes Neurais Artificiais para
Estudos em Ecologia. Braslia: O Autor, 2009. 37 p.
SABBATINI, R.M.E Aprendizado em Redes Neurais. Ncleo de Informtica
Biomdica UNICAMP, julho 1992
SCHMITT, P. Redes Neurais Artificiais Aplicadas na Classificao Litolgica
das Formaes Palermo e Rio Bonito na Jazida do Leo RS, com Base em
Perfis Geofsicos. 2009. 92 f. Dissertao (Mestrado) - Curso de Ps-graduao
em Geologia, Computao, Universidade do Vale do Rio dos Sinos. So Leopoldo,
2009.
SILVA, A.N.R. et al. SIG: Uma Plataforma Para Introduo de Tcnicas
Emergentes no Planejamento Urbano Regional e de Transportes: Uma
Ferramenta 3D Para Anlise Ambiental Urbana, Avaliao Multicritrio, Redes
Neurais Artificiais. So Carlos: EdUFSCar, 2004. 221 p
93
VALENA, M. FUNDAMENTOS DAS REDES NEURAIS. Recife: Meuser Valena,

2007. 382 p
YALCINOZ, T; EMINOGLU, U. Short Term and Medium Term Power Distribution
Load Forecasting by Neural Networks. Energy Conversion and Management,
Oxford, v.46, p. 1393-1405, 2005
http://www.epe.gov.br/Paginas/default.aspx Acesso em 18 de outubro de 2015
http://www.ibge.gov.br/home/ Acesso em 18 de outubro de 2015
http://www.abal.org.br/ Acesso em 18 de outubro de 2015
http://www.bndes.gov.br/SiteBNDES/bndes/bndes_pt/. Acesso em 19 de outubro de
2015
http://www.iba.org/pt/biblioteca-iba/historico-do-desempenho-do-setor. Acesso em 20
de outubro de 2015
(http://www.furnas.com.br/hotsites/sistemafurnas/usina_term_funciona.asp.Acesso
em 20 de outubro de 2015
http://www.abiclor.com.br/estatisticas/. Acesso em 20 de outubro de 2015
http://www.dnpm.gov.br/dnpm/colecoes/colecao-de-relatorios-anuario-mineral Acesso
em 23 de outubro de 2015
http://www.worldbank.org/pt/country/brazil Acesso em 26 de outubro de 2015
http://www.desenvolvimento.gov.br/sitio/ Acesso em 09 de novembro de 2015
94
ANEXOS
ANEXO 1 Tabela contendo os dados referentes ao perodo de 1995 2014

das variveis estudadas. (dados anuais)
95
96

Redes Neurais Artificiais Na Previsão Do Consumo de Energia Elétrica No Brasil - II

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Redes Neurais Artificiais Na Previsão Do Consumo de Energia Elétrica No Brasil - II

Enviado por

Direitos autorais:

Formatos disponíveis

CENTRO UNIVERSITRIO SOCIESC UNISOCIESC

SOCIEDADE EDUCACIONAL DE SANTA CATARINA

SAHAR MAHMOUD AYOUB

REDES NEURAIS ARTIFICIAIS NA PREVISO DE CONSUMO DE ENERGIA

2015/012CENTRO UNIVERSITRIO SOCIESC UNISOCIESC

SAHAR MAHMOUD AYOUB

REDES NEURAIS ARTIFICIAIS NA PREVISO DE CONSUMO DE ENERGIA

Este trabalho ser apresentado ao Instituto

2015/02SAHAR MAHMOUD AYOUB

REDES NEURAIS ARTIFICIAIS NA PREVISO DE CONSUMO DE ENERGIA

Trabalho da 1 parcial de curso,

Joinville, ___de ______________de ______.

Este trabalho dedicado a

Como no iniciar agradecendo ao meu coordenador de curso e co orientador

Palavras-Chave: Redes Neurais Artificiais, Modelo de Predio, Consumo de

Keywords: Artificial Neural Networks, Prediction Model, Electricity Consumption,

Figura 1 Sistema Eltrico de Potncia SEP.................................................................19

Figura 33 Comparao ente valores conhecidos e valores treinados...............................78

Grfico 1 Populao brasileira..............................................................................54

Tabela 1 Modelos de redes neurais artificiais.......................................................29

SISTEMA ELTRICO DE POTENCIA...............................................................19

DEMANDA DE ENERGIA ELTRICA...............................................................23

VIABILIDADE DA PREVISO DE CARGAS ELTRICAS FUTURAS....................25

FATORES QUE INFLUENCIAM A DEMANDA...................................................25

REDES NEURAIS ARTIFICIAIS.......................................................................28

Modelos de Redes Neurais.................................................................29

Histrico das Redes Neurais Artificiais.............................................32

2.7.6.1 Funo Degrau......................................................................................... 37

2.7.6.2 Funo Linear por Partes.........................................................................38

Arquitetura das RNAs..........................................................................40

2.7.7.1 Redes alimentadas adiante de uma nica camada (feedforward)...........42

Aprendizagem das redes neurais......................................................46

Algoritmo de treinamento (backpropagation)................................47

ESCOLHA DAS VARIAVEIS DE ENTRADA......................................................50

Principais segmentos eletrointensivos.............................................57

Capacidade instalada de gerao eltrica no Brasil......................65

MODELO UTILIZADO NESSE ESTUDO..........................................................68

Parmetros das RNAs simuladas.......................................................69

Analise dos Resultados............................................................................... 82

Um dos recursos mais estratgicos e indispensveis para o desenvolvimento

CONSUMO DE ENERGIA ELTRICA.

prever o consumo de energia eltrica no Sul do Brasil no mdio e longo prazo

consumo de energia eltrica no Brasil?

qualquer momento futuro com uma pequena margem de erro.

Buscar dados de demanda de energia eltrica no sul do Brasil em perodos

diminuio da demanda de energia eltrica.

entradas e produza o valor do consumo futuro como sua sada.

dessa pesquisa, ser feita utilizando um software existente e tambm um algoritmo

SISTEMA ELTRICO DE POTENCIA

conjunto das instalaes e equipamentos destinados gerao, transmisso e

Figura 1 Sistema Eltrico de Potncia SEP

como principais estaes geradoras de energia no Brasil as hidreltricas,

Figura 2 Oferta Interna de Energia Eltrica por Fonte

Fonte: Balano Energtico Nacional (BEN 2015, p16)

As usinas Hidreltricas dependem da regio e da geografia onde sero

Para produzir a energia hidreltrica necessrio integrar a vazo do rio, a

As usinas termoeltricas utilizam algum tipo de combustvel para aquecer a

As usinas nucleares seguem um princpio de funcionamento muito

com o sistema de distribuio das concessionrias. So formadas por trs

consumidor final seja ele residencial comercial ou industrial. Geralmente cada

sistema de distribuio dispe apenas de uma companhia de eletricidade que

Figura 3 Concessionrias brasileiras de energia eltrica

Nesse sistema a teno de 13,8kV na distribuio e de 127/220V nos

Joinville, _de ______de .